Todas las demos funcionan
Con los modelos de IA actuales, una demo impresionante se monta en días. Apunte un modelo a unos documentos escogidos a mano, haga preguntas inteligentes, y la sala queda convencida. Esa facilidad es justo la trampa: la distancia entre la demo y un sistema del que sus equipos dependen a diario es donde la mayoría de las iniciativas de IA empresarial se estancan en silencio.
Hemos vivido los dos lados de esa brecha. Como consultores, ayudamos a las empresas a poner la IA a trabajar. Pero también construimos y operamos nuestro propio producto — Jobyo, un SaaS de gestión de servicios de campo cuyas funciones de IA (extracción automática de documentos, un asistente operativo) funcionan en producción para empresas reales. Las lecciones siguientes vienen de lanzar, no de diapositivas.
La brecha está sobre todo en sus datos
El modelo rara vez es el problema. La demo corría sobre diez documentos limpios y escogidos; producción significa cada factura de proveedor, en tres formatos y dos idiomas, alguna escaneada torcida. El asistente que respondía de maravilla en la demo necesita acceso vivo y gobernado a sus sistemas reales — respetando quién puede ver qué.
Por eso «estrategia de IA» y «base de datos» son la misma conversación. Si sus datos están dispersos en hojas de cálculo con cinco versiones de la verdad, una capa de IA encima repetirá la confusión con total seguridad. En nuestro propio producto, las funciones de IA solo se volvieron fiables cuando el modelo de datos subyacente fue estricto, validado y coherente — el trabajo poco glamuroso vino primero.
Producción significa cosas aburridas
Lo que separa una función en la que los clientes confían de una demo es una lista de requisitos decididamente poco emocionantes:
- Permisos — la IA debe respetar las reglas de acceso existentes. Un asistente que filtra datos de otro equipo es un incidente de seguridad, no una herramienta de productividad.
- Evaluación — necesita una definición medible de «suficientemente bueno», probada con sus casos reales y verificada de nuevo con cada cambio de modelo o instrucción.
- Un camino humano para los errores — los resultados de extracción se revisan y corrigen; la IA propone, una persona siempre puede decidir.
- Supervisión y alternativas — los modelos fallan, las cuotas se agotan, los proveedores cambian. La función debe degradarse con elegancia, no arrastrar el flujo de trabajo.
- Control de costes — un precio por petición invisible en la demo se acumula rápido a volumen de producción. Las cuotas y los modelos bien dimensionados son decisiones de diseño, no detalles.
Elija problemas que toleren la aproximación
Los mejores primeros casos de uso de IA comparten un rasgo: una respuesta imperfecta ocasional cuesta poco, porque un humano confirma o lo que está en juego por elemento es bajo. En Jobyo, la extracción de documentos funciona precisamente porque una persona revisa el resultado prellenado en segundos en lugar de teclear durante minutos — la IA elimina la tarea pesada, el humano conserva el criterio.
Buenos primeros candidatos en la mayoría de las empresas: extraer datos de facturas, pedidos y contratos; redactar y clasificar respuestas de soporte; asistentes de conocimiento interno; resumir informes operativos largos. Malos primeros candidatos: cualquier cosa totalmente automatizada, irreversible o de cara al cliente sin revisión. Gánese la confianza primero en los casos indulgentes.
Un camino pragmático a producción
La secuencia que funciona, según nuestra experiencia a ambos lados de la mesa:
- Definir el éxito antes de construir — «la extracción ahorra 10 minutos por documento con más del 95 % de precisión por campo», no «explorar la IA».
- Pilotar con datos reales e imperfectos desde el primer día — los pilotos curados producen conclusiones curadas.
- Arreglar la base de datos en paralelo — unos datos gobernados y centralizados multiplican cada función de IA que venga después.
- Lanzar a un grupo pequeño, medir y luego ampliar — la madurez de producción se demuestra con el uso, no con una fecha de lanzamiento.
Por qué construimos así
Construimos nuestro propio software con la IA como base — con Claude y herramientas modernas de IA en el circuito de diseño, ingeniería y revisión. No es un truco: es lo que permite a un equipo senior mantenerse pequeño, avanzar rápido y ofrecer una entrega de nivel empresarial al ritmo de una startup. Ese mismo enfoque — y la misma honestidad sobre lo que la IA puede y no puede hacer todavía — es lo que aportamos al trabajo con clientes.