Por qué fracasan los proyectos de IA en la empresa: el problema no es el modelo

Casi todo el discurso de IA empresarial habla de modelos: cuál razona mejor, cuál es más barato, cuál lanzó agentes esta semana. David Linthicum, consultor de nube e IA y autor de trece libros sobre computación, corre el foco a un lugar incómodo. En su columna de InfoWorld resume tres años asesorando despliegues reales con una frase: los proyectos no fracasan porque el modelo sea débil, fracasan porque la empresa que lo rodea no está lista. Para los equipos de RevOps en Chile y Latinoamérica, ese es el diagnóstico que importa.

¿Por qué el piloto luce bien y muere antes de producción?

El patrón más común, según Linthicum, es el piloto desconectado. El sistema resume documentos, responde preguntas de política y redacta correos en la demo, pero cuando el equipo intenta llevarlo a producción descubre que no está conectado al ERP, al CRM ni a los flujos de ventas y servicio. El valor empresarial rara vez vive en una ventana de chat aislada: vive en el order-to-cash, en la calificación de leads, en el onboarding de clientes. Un piloto prueba que un modelo ejecuta una tarea en condiciones controladas; una capacidad escalable prueba que la empresa puede integrar, asegurar, gobernar, financiar y operar esa tarea en el tiempo. No son lo mismo.

¿La IA arregla los datos sucios?

No, y aquí Linthicum es tajante.

«AI does not make bad data good. It makes bad data easier to consume.»

La IA generativa depende de contexto confiable. Si los datos están fragmentados, duplicados, desactualizados o mal etiquetados, el modelo no lo corrige: produce respuestas fluidas sobre un contexto poco fiable, y falla sonando seguro incluso cuando se equivoca. Muchas empresas intentan tapar años de subinversión en arquitectura de datos con una capa de recuperación aumentada, y descubren que la mala gobernanza del dato se vuelve un riesgo mayor, no menor. Es el mismo punto que ya circulaba en la conversación de datos, ahora enmarcado como problema de operación, no solo de calidad.

Agentes sin diseño de proceso automatizan el caos

La moda son los agentes, y Linthicum no los descarta: coordinan tareas, llaman herramientas y automatizan flujos más complejos que un chat. Pero advierte que los agentes no arreglan procesos rotos, los exponen. Un agente sobre un proceso indocumentado, lleno de excepciones y conocimiento tribal no genera orden: automatiza la confusión, llama al sistema equivocado o entra en bucle porque nadie definió la condición de término. El agente necesita metas claras, herramientas confiables, autoridad acotada, rutas de escalamiento y capacidad de reversa. Sin esos controles, la empresa no despliega automatización inteligente: despliega riesgo a través de una interfaz conversacional.

La economía que casi nadie midió

Un proyecto que parece barato en el laboratorio cambia de economía al escalar. Prompts largos consumen más tokens, la recuperación agrega costos de embedding y búsqueda, los agentes llaman al modelo una y otra vez. Linthicum propone medir costo por interacción, por flujo completado, por caso resuelto y por resultado de negocio. Si un sistema ahorra dos minutos de un trabajador pero cuesta más que ese ahorro en inferencia e infraestructura, alguien debió responder esa pregunta antes de salir a producción. Para un CFO chileno o latinoamericano mirando el gasto en IA, esta es la métrica que separa una inversión de un experimento caro.

Gobernanza como habilitador, no como freno

Seguridad, cumplimiento y gobernanza suelen llegar después de construida la demo, y por eso muchos proyectos mueren justo antes de producción. Linthicum invierte la lógica: bien hecha, la gobernanza es un sistema de habilitación que define qué puede moverse rápido, qué requiere revisión, qué debe quedar registrado y qué nunca debería automatizarse. Y como modelos, prompts, datos y regulación cambian, alguien tiene que ser dueño del resultado después del despliegue, no solo de la demo antes del financiamiento.

¿Qué significa esto para RevOps en Chile y Latinoamérica?

Aquí va nuestra lectura. El diagnóstico de Linthicum es de infraestructura empresarial, pero el dueño natural de esa agenda en una organización comercial es RevOps. Las cinco fallas que describe (empezar por la herramienta y no por el resultado, pilotos desconectados, datos sucios, agentes sin proceso, economía sin medir y gobernanza tardía) son exactamente las que decide o hereda el equipo de operaciones de ingresos. En un mercado como el chileno y latinoamericano, donde los presupuestos de IA son más ajustados y el margen de error menor, la ventaja no está en adoptar el modelo más nuevo, sino en construir la base que lo hace utilizable: definir la pregunta de negocio antes de la compra, limpiar y dar dueño al dato, conectar el agente a un proceso documentado y poner un número de costo por resultado sobre la mesa. Es menos glamoroso que anunciar un copiloto, pero es lo que separa a las empresas que capitalizan la IA de las que solo acumulan demos. Este es el análisis de Revenue Hub sobre la columna de Linthicum; te recomendamos leer su texto completo en la fuente enlazada.