Por qué fallan los proyectos de IA y qué frena a los pilotos antes de producción
Por Juanma (Juan Manuel Ortiz de Zárate), co-fundador y CTO de Data Voices. Magíster y PhD en Ciencias de la Computación (UBA). · 11 min de lectura
Cuando un proyecto de IA se traba, la causa suele estar en la organización y no en el modelo. Un piloto no llega a producción cuando nadie definió el proceso, los datos no están listos, el equipo que tiene que usarlo no se preparó o no hay una métrica acordada. Todo eso se puede evaluar antes de invertir.
Esta nota explica por qué fallan los proyectos de IA a partir de un estudio de fuente primaria, separa los mitos de las causas reales y termina con dos herramientas concretas: qué mira un diagnóstico de madurez y cómo plantear un piloto que pueda llegar a producción.
Está escrita para directores, gerentes generales o de innovación y CTOs de empresas medianas que ya hicieron una prueba de concepto que nadie usa, o que están por aprobar un presupuesto de IA y quieren evitar el mismo error.
Qué dicen los datos sobre los pilotos de IA
El CIO Playbook 2026 de Lenovo, un estudio encargado por Lenovo, con aportes de investigación de IDC, informó el 27 de enero de 2026 que el 46 % de las pruebas de concepto de IA ya había pasado a producción. El trabajo de campo consultó a 3.120 decisores de TI y de negocio entre septiembre y octubre de 2025.
La cifra tiene dos lecturas. Casi la mitad de las pruebas de concepto llega a producción, y eso es una señal de progreso. Pero más de la mitad todavía no llega. El dato describe esa encuesta; no es un pronóstico para tu empresa. Sirve para preguntarse qué hace falta entre el piloto y una operación estable.
Mitos y realidades de la adopción de IA
Una decisión sale mal cuando se confunde una prueba técnica con un proyecto listo para operar. Esta tabla convierte los mitos más repetidos en acciones que se pueden comprobar antes de aprobar presupuesto. Las citas son frases publicadas en las páginas de consultoría y de IA sobre datos de Data Voices.
| Mito | Realidad | Qué hacer |
|---|---|---|
| «El problema es el modelo» | Según la página de consultoría: «Si la IA “ya se probó” y no quedó nadie usándola, el problema no era el modelo». | Observar quién usaría el sistema y en qué paso del proceso se traba. |
| «Primero hay que migrar todos los datos» | La página de IA sobre datos lo resuelve así: «No como primer paso. Primero se elige un proceso y una fuente». | Probar con una fuente acotada y permisos claros. |
| «Hay que entrenar un modelo propio» | «A veces basta con recuperar bien. Entrenar es una decisión, no un default». | Comparar opciones sobre la misma tarea y los mismos datos. |
| «Si la demo funciona, el proyecto funciona» | La demo prueba que la idea es posible. Producción prueba que alguien la usa y la sostiene. | Probar con usuarios y casos reales antes de escalar. |
| «La capacitación es opcional» | La consultoría de Data Voices incluye programas de capacitación para el caso en que «el cuello de botella no es el modelo, es que nadie lo usa». | Preparar a quienes van a operar la solución y corregir fricciones. |
| «El retorno se mide al final» | En la sección «Cómo trabajamos» de la home de Data Voices, la medición empieza «desde el primer día». | Definir la métrica y la línea de base antes del piloto. |
Las cinco causas reales por las que un piloto no pasa a producción
Cuando un piloto se traba, la causa suele estar en una de cinco áreas. Revisarlas antes de empezar cuesta menos que corregirlas con el sistema ya construido.
Sin proceso ni dueño
Si nadie puede describir quién recibe el pedido, quién decide y quién resuelve una excepción, automatizar ese circuito reproduce la ambigüedad. Nombrá un responsable de negocio y dibujá el recorrido actual antes de elegir una herramienta.
Datos no listos o sin permisos
Una fuente puede existir y aun así estar desactualizada, tener permisos confusos o contradecir a otra. La integración con los sistemas existentes puede ser la primera sorpresa. Probá respuestas con datos reales y definí qué hace el sistema cuando no encuentra evidencia.
Equipo no preparado para operarlo
La persona que hoy hace el trabajo conoce excepciones que no aparecen en el diagrama. Sumala al piloto y registrá dónde corrige o interviene. La capacitación tiene que incluir el criterio para confiar, revisar o derivar una respuesta del sistema.
Sin métrica acordada
«Ahorrar tiempo» no alcanza. Elegí una medida observable, como el tiempo hasta una respuesta útil, los casos resueltos o las horas de carga manual, tomá una línea de base y acordá quién la mira.
Alcance abierto, sin criterio de salida
Un piloto que intenta abarcar todos los canales y sistemas no permite saber qué funcionó. Elegí un pedido repetido, una fuente confiable y una acción de bajo riesgo, y definí de antemano cuándo se escala, se ajusta o se corta.
Qué es un diagnóstico de madurez en IA y qué evalúa
Un diagnóstico de madurez en IA evalúa qué puede absorber la empresa antes de elegir una herramienta. Según el método publicado por Data Voices, la primera etapa revisa «Qué procesos, qué datos, qué permisos». Después se suma la preparación del equipo: «Capacitación al rol que va a operar, no un seminario genérico».
En la práctica, el diagnóstico mira cinco cosas: los procesos candidatos, los datos y permisos disponibles, los sistemas con los que hay que integrarse, quién va a operar la solución y qué métrica se va a mover. Su entrega es una recomendación sobre qué caso probar, qué falta para hacerlo y cuándo todavía no conviene avanzar.
Si además estás eligiendo con quién hacerlo, la nota sobre qué debería incluir el diagnóstico inicial de una consultora detalla las preguntas para comparar propuestas.
¿Mis datos están listos para IA?
Tus datos están listos para un piloto cuando se sabe quién actualiza la fuente, qué versión hay que consultar y quién puede verla. No tienen que estar perfectos. Alcanza con que sean lo bastante confiables para contrastar las respuestas del sistema con casos reales.
Señales de alerta: dos documentos que dicen cosas distintas, permisos que nadie administra, archivos sin fecha o información que solo una persona sabe interpretar. Si aparece alguna, el primer entregable puede ser ordenar esa fuente. No hace falta migrar todo: se elige un proceso y una fuente.
Un sistema de IA aplicada a tus procesos y datos tiene que entregar respuestas con la fuente citada, respetar permisos, registrar el uso y decir «no sé» cuando no tiene evidencia.
Cómo plantear un piloto que pueda llegar a producción
Un piloto que pueda llegar a producción cumple condiciones que se definen antes de escribir la primera línea de código. Estas son las seis que conviene exigir:
- Un proceso y una fuente de datos, no varios a la vez.
- Un alcance cerrado: qué se construye, qué no y en cuántas semanas.
- Una persona o un equipo que lo va a operar.
- Una métrica definida desde el día uno.
- Un criterio de decisión al terminar: escalar, ajustar o cortar.
- Presupuesto y responsables para el seguimiento posterior.
La duración depende del alcance y por eso no tiene un número único. Lo que sí se puede fijar es el plazo del alcance cerrado, y eso se acuerda por escrito antes de empezar. Sin seguimiento después del lanzamiento, una primera versión puede apagarse en cuanto cambian los datos o el equipo.
Cómo medir el retorno de un proyecto de IA
Para medir el retorno de un proyecto de IA, medí primero la adopción y después el efecto, cuando se pueda medir. Es lo que Data Voices publica en la etapa «Informe a quien paga»: «Adopción y, cuando se puede medir, efecto».
Las métricas útiles son concretas: tiempo de respuesta, horas de carga manual, casos resueltos sin intervención y uso real del equipo. Tomá una línea de base antes del piloto e incluí en el costo las horas de supervisión, las integraciones y el mantenimiento. Si todavía no se puede estimar un retorno financiero, reportá lo que se observó y qué dato falta.
Cómo lo trabaja Data Voices
La implementación de inteligencia artificial de Data Voices sigue un método publicado con seis pasos: Madurez, Nivelación, Implementación («Un caso en producción»), Informe a quien paga, Seguimiento («Que no se apague a los treinta días») y Capacitación. Esa secuencia sirve para pedir entregables y responsables en cada paso, y para detener un proyecto cuando la evidencia no justifica ampliarlo.
Al evaluar cualquier proveedor conviene distinguir tres estados. Un caso en producción tiene usuarios reales y mantenimiento. Un MVP validado técnicamente demuestra una arquitectura o un flujo, pero todavía puede requerir integración y operación. Una demo prueba una idea en condiciones controladas.
En el trabajo con un organismo internacional, el trabajo incluyó auditoría y preparación de los datos, estructuración del material y pipelines de inferencia para procesar la documentación del portafolio a escala. El trabajo abarcó del orden de mil unidades organizacionales y un histórico de proyectos de unos quince años, con revisión de miles de páginas de documentación.
En Agent Launcher, el MVP quedó validado técnicamente y pasó a ser una de las bases de una arquitectura de IA más amplia dentro del cliente.
El Real Time Interview Agent es una aplicación de escritorio que procesa el audio de micrófono y parlantes durante la entrevista, y su flujo principal está en producción.
Preguntas frecuentes
¿Por qué fallan los proyectos de IA en las empresas?
Suelen trabarse cuando el proceso no tiene dueño, los datos no están listos, el equipo que debe usarlo no participó, falta una métrica acordada o el piloto quiso abarcar demasiado. El modelo también puede fallar, pero evaluar solo el modelo deja afuera las condiciones de operación.
¿Por qué un piloto de IA no pasa a producción?
Porque una demo prueba que la idea es posible, y producción exige usuarios, permisos, soporte, una fuente confiable y alguien responsable. Cuando falta alguno de esos elementos, el piloto queda como una prueba aislada. Por eso conviene definir desde el principio quién lo opera y qué decisión se toma al terminar.
¿Cuánto debería durar un piloto de IA y qué tiene que incluir?
La duración depende del alcance, así que no hay un plazo universal. Tiene que incluir un proceso y una fuente, un alcance cerrado con fecha de cierre, quién lo opera, una métrica desde el primer día y un criterio de decisión al terminar: escalar, ajustar o cortar. Y presupuesto para el seguimiento posterior.
¿Cómo mido el retorno de un proyecto de IA?
Medí primero la adopción: quién lo usa y para qué casos. Después medí el efecto que se pueda atribuir al sistema, como tiempo de respuesta, horas de carga manual o casos resueltos sin intervención. Definí una línea de base antes del piloto y sumá al costo la supervisión, las integraciones y el mantenimiento.
¿Por dónde empiezo a implementar IA en una pyme?
Escribí en una página un proceso concreto, elegí la fuente de datos que necesita y definí una métrica que debería cambiar. Después sumá a la persona que lo va a operar y acordá un alcance cerrado. Un diagnóstico de madurez ordena esos pasos antes de elegir una herramienta o contratar desarrollo.
¿Qué es un diagnóstico de madurez en IA?
Es una evaluación de lo que la empresa puede absorber antes de elegir una herramienta: procesos candidatos, datos y permisos, sistemas con los que hay que integrarse, preparación del equipo y la métrica que se quiere mover. Termina con una oportunidad priorizada y un alcance acotado, o con la recomendación de resolver antes una dependencia.
¿Mis datos están listos para IA? ¿Hay que migrar todo antes?
Están listos para un piloto si se sabe quién actualiza la fuente, qué versión consultar y quién puede verla. No hace falta migrar todo: primero se elige un proceso y una fuente, y se ordena solo ese conjunto. Ampliar el alcance viene después, cuando el caso demostró valor.
¿Hay que entrenar un modelo propio?
No necesariamente. En muchos casos alcanza con recuperar bien la información de fuentes existentes y definir cómo se cita y se valida. Entrenar un modelo es una decisión técnica que se justifica cuando las otras opciones no cumplen el objetivo medido, y no un paso obligatorio de todo proyecto.
Antes de invertir: revisá proceso, datos y equipo
Si ya hiciste un piloto y nadie lo usa, el próximo paso es revisar proceso, datos y equipo antes de probar otro modelo. Si todavía no empezaste, escribí el proceso en una página y elegí una fuente y una métrica.
¿Tenés un proceso concreto para revisar?
Llevalo a una primera conversación con el equipo.
Pedí un diagnóstico gratuito