Sistemas confiables, no demos de IA: las cinco etapas detrás de cada proyecto

Una demo de IA toma una tarde. Un modelo, un prompt, una muestra limpia de datos, y las respuestas impresionan. Después se encuentra con el negocio real: registros en seis sistemas, el mismo cliente con tres nombres, una fuente que se cae por tiempo de espera todos los martes. La demo nunca fue la parte difícil.

Si miramos hacia atrás en nuestros proyectos (un sitio web que había perdido su tráfico de búsqueda, un producto de coaching de ventas con IA, una plataforma escolar que escribe sus propias lecciones, la capa de datos de un asistente de IA para abogados y clínicos), aparecen siempre las mismas cinco etapas:

Ingesta → Normalización → Confianza → Valor → Producción

1. Ingesta: parte de los datos reales

Llevar al sistema los datos reales del negocio: CRMs, transcripciones de llamadas, documentos, hojas de cálculo, logs del servidor, analítica, sistemas de gestión de prácticas. No una muestra, no un conjunto de datos de demo. Diagnosticar un desplome de tráfico significó poner lado a lado meses de datos de búsqueda, el historial del código, los logs del servidor y los ingresos. El punto de partida es cómo opera de verdad el negocio.

2. Normalización: que todo signifique lo mismo

Cada fuente tiene su propia idea de qué es un cliente, una nota o una fecha. La normalización las convierte en una sola forma, consistente y validada. Es la etapa menos visible y la que decide todo lo demás: una IA sofisticada con un contexto poco confiable sigue dando respuestas poco confiables.

3. Confianza: que sea seguro actuar con ello

Salidas estructuradas, validación, controles deterministas, respaldos, trazabilidad, pruebas y revisión humana donde se toma una decisión. Una petición que vuelve con éxito no es lo mismo que una respuesta correcta, y un equipo que detecta un solo número equivocado presentado con total seguridad deja de confiar en el resto.

4. Valor: resuelve un problema que valga dinero

Solo ahora la pregunta “¿qué va a hacer la IA?” tiene respuesta: calificar una llamada, señalar un negocio en riesgo, escribir una lección, encontrar la causa de una caída. La meta no es adoptar IA. Es un resultado medible: tráfico recuperado, un equipo con coaching, un producto que sale al mercado.

5. Producción: sobrevive a la realidad

Despliegue, monitoreo, manejo de fallas, seguridad, pruebas, y alguien que sigue siendo responsable. Un prototipo supone que todos los sistemas responden; producción se prepara para el día en que uno no lo hace.

Por qué el modelo llega en cuarto lugar

La mayoría de los proyectos de IA empiezan en la cuarta etapa y luego se preguntan por qué no se puede confiar en las respuestas. Cuando miramos dónde están el esfuerzo y el riesgo, la mayor parte está en las tres primeras etapas. Ahí va también la mayor parte de nuestro trabajo, y por eso la IA nos acelera sin tomar las decisiones: la IA acelera el criterio experto; no reemplaza la responsabilidad.

Este es el primer artículo de una serie corta. Cada uno de los cinco siguientes toma una etapa y el proyecto que más nos enseñó sobre ella.