La pregunta equivocada: "¿dónde le meto IA?"
Hay una conversación que se repite mucho entre dueños de negocio.
Alguien ve una demostración, lee una nota o escucha a un competidor decir que ya usa inteligencia artificial. Y regresa a su empresa con una idea fija: "Tenemos que meterle IA a algo".
Entonces empieza la búsqueda. ¿Dónde la ponemos? ¿En ventas? ¿En atención a clientes? ¿En administración? Se contrata una herramienta, se hace una prueba, alguien del equipo se entusiasma unas semanas. Y luego, poco a poco, se deja de usar.
No porque la herramienta fuera mala. Sino porque nunca quedó claro qué problema iba a resolver.
Hace poco leí un documento de Singularity sobre cómo las empresas pueden competir contra negocios que nacen desde cero con IA. Y uno de los errores que señala es justo este:
Muchas organizaciones empiezan con la idea de que "necesitan IA" y luego buscan dónde aplicarla. La IA se vuelve una solución buscando un problema. El resultado son esfuerzos sueltos y poca adopción.
La recomendación es simple: primero identifica el problema. Después ve si la IA puede ayudar a resolverlo.
Suena obvio. Pero casi nadie lo hace en ese orden.
Este blog es para eso. Para darte un filtro sencillo que te ayude a saber si un problema de tu negocio es para IA, cuándo no lo es, y qué hacer en cada caso.
Por qué fallan los proyectos de IA (según la investigación)
Antes de entrar al filtro, vale la pena ver qué dicen los estudios. Porque esto no es solo una opinión.
En 2024, RAND Corporation, un centro de investigación de Estados Unidos, publicó un estudio sobre por qué fallan los proyectos de inteligencia artificial. Entrevistaron a decenas de científicos de datos e ingenieros con experiencia en estos proyectos.
El reporte menciona que, según algunas estimaciones, más del 80% de los proyectos de IA fracasan, el doble que los proyectos de tecnología que no usan IA. Ojo: RAND presenta ese número como una estimación de otros, no como una medición propia.
Lo más interesante es la lista de causas que encontraron. Son cinco, y la primera es la más común:
Uno. Los responsables no entienden bien, o no comunican bien, qué problema hay que resolver con IA.
Dos. La organización no tiene los datos necesarios para que el sistema funcione bien.
Tres. La organización se enfoca más en usar la tecnología más nueva que en resolver problemas reales.
Cuatro. No hay la infraestructura para manejar los datos y poner los sistemas a funcionar.
Cinco. La tecnología se aplica a problemas demasiado difíciles para la IA.
Fíjate en la primera y en la tercera. Las dos son sobre lo mismo: empezar por la herramienta en lugar de empezar por el problema.
No es solo RAND
Otros estudios apuntan en la misma dirección.
En julio de 2024, Gartner, una firma de análisis de tecnología, predijo que al menos el 30% de los proyectos de IA generativa se iban a abandonar después de la prueba de concepto antes de terminar 2025. Entre las razones que mencionó: mala calidad de datos, costos que crecen y un valor de negocio poco claro.
Ese mismo año, Boston Consulting Group encuestó a mil directivos en 59 países. El 74% de sus empresas todavía no había logrado mostrar un valor tangible por usar IA.
Y BCG agregó algo que vale oro para cualquier dueño de negocio. Las empresas que sí sacan valor de la IA reparten su esfuerzo más o menos así: 10% en los algoritmos, 20% en la tecnología y los datos, y 70% en las personas y los procesos.
O sea, la herramienta es la parte chica. Lo grande es entender el trabajo, el problema y a la gente que lo hace.
El orden correcto: problema, luego herramienta
La mayoría de las empresas hace esto:
Herramienta, luego "¿dónde la uso?", luego prueba, luego abandono.
El orden que recomiendan ese documento y los estudios es otro:
Problema, luego "¿cómo se resuelve mejor?", luego, si aplica, IA.
La diferencia parece pequeña, pero cambia todo. Cuando empiezas por el problema, la IA es una opción entre varias. A veces es la mejor. A veces no. Y está bien que no lo sea.
Google tiene una guía pública para equipos que diseñan productos con IA, llamada People + AI Guidebook. Una de sus ideas centrales es pasar de pensar "primero la tecnología" a pensar "primero las personas". Antes de preguntar qué puede hacer la IA, pregunta qué necesita la persona que tiene el problema.
Eso aplica igual en una empresa de veinte empleados que en Google.
El filtro: 5 preguntas para saber si un problema es para IA
Este filtro no es una fórmula científica. Es una forma ordenada de pensar antes de gastar tiempo y dinero. Lo armé juntando criterios de las fuentes que mencioné.
Pregunta 1: ¿Puedes describir el problema en una frase, con un número?
"Queremos ser más eficientes" no es un problema. Es un deseo.
"Tardamos en promedio dos días en mandar una cotización y perdemos clientes por eso" sí es un problema. Tiene un número, tiene una consecuencia y se puede medir si mejora.
Andrew Ng, uno de los nombres más conocidos en inteligencia artificial, publicó en 2018 una guía para empresas que quieren empezar con IA. Ahí dice que los primeros proyectos deben tener un objetivo claro y medible que genere valor de negocio, y empezar a mostrar avances en 6 a 12 meses.
Si no puedes escribir el problema con un número, todavía no estás listo para buscar una herramienta. Primero hay que entenderlo mejor.
Pregunta 2: ¿Pasa seguido?
Un problema que pasa dos veces al año rara vez justifica montar un sistema. Uno que pasa veinte veces al día, sí.
La IA tiene sentido cuando hay volumen. Cuando el mismo tipo de trabajo se repite muchas veces: contestar preguntas parecidas de clientes, clasificar correos, resumir reportes, revisar documentos.
Si el problema es raro, a veces lo más inteligente es resolverlo a mano cada vez que aparece.
Pregunta 3: ¿Tienes la información para resolverlo?
La segunda causa de fracaso que encontró RAND es no tener los datos necesarios.
En una PyME, "datos" no tiene que sonar complicado. Puede ser: tus cotizaciones anteriores, tus conversaciones con clientes, tu lista de precios, tus políticas escritas, tus manuales.
Si la información para resolver el problema solo vive en la cabeza de una persona, la IA no la va a adivinar. Primero hay que sacarla de ahí y ponerla por escrito.
Pregunta 4: ¿Qué pasa si se equivoca?
Esta es la pregunta que más se brinca.
La IA se equivoca. A veces con mucha seguridad. Así que antes de usarla, pregúntate: si el resultado sale mal, ¿qué tan grave es?
Si la IA redacta el borrador de un correo y tú lo revisas antes de mandarlo, un error cuesta poco. Si la IA decide sola el monto de una factura o el diagnóstico de una máquina, un error puede costar mucho.
La guía de Google lo pone entre los casos donde la IA probablemente no es la mejor opción: cuando lo importante es minimizar errores costosos.
Eso no significa que no la uses. Significa que, si el error es caro, siempre tiene que haber una persona que revise.
Pregunta 5: ¿Necesitas que salga siempre igual?
Hay trabajos donde la respuesta correcta es siempre la misma, siguiendo una regla fija. Calcular un impuesto. Aplicar un descuento por volumen. Mandar un recordatorio tres días antes de un vencimiento.
Para eso, muchas veces no necesitas inteligencia artificial. Necesitas una regla, una fórmula en una hoja de cálculo o una automatización sencilla. Son más baratas, más predecibles y más fáciles de revisar.
La guía de Google también lo menciona: cuando lo que necesitas es que el resultado sea predecible, la IA probablemente no es la mejor opción.
La IA brilla cuando el trabajo requiere entender lenguaje, interpretar algo que no siempre viene igual o redactar algo nuevo cada vez.
Cuándo la IA probablemente no es la respuesta
Juntando todo, estos son los casos donde conviene pensarlo dos veces:
Cuando el problema todavía no está claro. Si no lo puedes describir con un número, primero hay que entenderlo.
Cuando pasa muy poco. No vale la pena montar un sistema para algo que ocurre dos veces al año.
Cuando un error sale muy caro y nadie va a revisar. El riesgo es más grande que el beneficio.
Cuando necesitas el mismo resultado siempre. Una regla o una fórmula lo hacen mejor y más barato.
Cuando el problema real es otro. A veces lo que parece un problema de herramientas es un problema de proceso, de comunicación o de una persona que no tiene claro su trabajo.
Cuándo la IA sí suele ayudar
Y estos son los casos donde suele tener sentido:
Cuando hay mucho lenguaje de por medio. Redactar, resumir, traducir, contestar preguntas, clasificar mensajes. La guía de Google pone la comprensión del lenguaje natural entre los casos donde la IA probablemente es mejor.
Cuando hay volumen. El mismo tipo de tarea se repite muchas veces a la semana.
Cuando un borrador ya ahorra tiempo. No necesitas que el resultado sea perfecto, solo que te deje 80% del trabajo hecho para que tú lo termines.
Cuando el error es barato o alguien revisa. Si sale mal, se corrige rápido.
Cuando tienes la información. Tus documentos, tus conversaciones o tus datos ya existen y se pueden usar.
Cuatro problemas pasados por el filtro
Para que quede más claro, pasemos cuatro problemas típicos de una PyME por las cinco preguntas.
"Tardamos mucho en contestar cotizaciones por WhatsApp"
¿Se puede describir con un número? Sí: "Tardamos un día en promedio en responder".
¿Pasa seguido? Sí, varias veces al día.
¿Tienes la información? Sí: lista de precios, cotizaciones anteriores, preguntas frecuentes.
¿Qué pasa si se equivoca? Si alguien revisa antes de mandar, el riesgo es bajo.
¿Necesitas que salga siempre igual? No del todo: cada cliente pregunta distinto.
Resultado: buen candidato para IA, con una persona que revise antes de enviar.
"Calcular la nómina tarda mucho"
¿Se puede describir con un número? Sí.
¿Pasa seguido? Cada quincena.
¿Tienes la información? Sí.
¿Qué pasa si se equivoca? Es caro: problemas con empleados y con el SAT.
¿Necesitas que salga siempre igual? Sí, sigue reglas fijas.
Resultado: probablemente no es para IA. Es para un sistema de nómina o una hoja bien armada con reglas claras.
"Queremos vender más"
¿Se puede describir con un número? No todavía. "Vender más" es una meta, no un problema.
Aquí el filtro te detiene en la primera pregunta, y eso ya es útil. Hay que bajar la meta a problemas concretos: ¿perdemos clientes porque tardamos en responder? ¿Porque no damos seguimiento? ¿Porque nadie nos conoce?
Cada uno de esos sí se puede pasar por el filtro. Y probablemente algunos sean para IA y otros no.
"Perdemos los acuerdos de las juntas"
¿Se puede describir con un número? Sí: "De cada diez juntas, en cuatro nadie sabe después quién quedó de hacer qué".
¿Pasa seguido? Varias veces por semana.
¿Tienes la información? Sí, si la junta se graba o alguien toma notas.
¿Qué pasa si se equivoca? Poco, si alguien revisa la minuta antes de mandarla.
¿Necesitas que salga siempre igual? No: cada junta es distinta.
Resultado: buen candidato. Resumir conversaciones y sacar pendientes es justo el tipo de trabajo con lenguaje donde la IA suele ayudar. La condición es que alguien lea el resumen antes de darlo por bueno.
Si te ofrecen una herramienta de IA, haz estas preguntas
Muchas veces el orden se invierte porque alguien llega a ofrecerte una herramienta. Un proveedor, un conocido, un anuncio. Y la plática empieza por lo que la herramienta hace, no por lo que tú necesitas.
Antes de decir que sí, haz estas preguntas. A ti y al que te la ofrece:
¿Qué problema mío, con número, va a resolver? Si nadie lo puede decir en una frase, todavía no hay caso.
¿Qué información necesita y quién se la va a dar? Si depende de datos que no tienes ordenados, ese es el primer trabajo.
¿Quién va a revisar lo que produce? Si la respuesta es "nadie", piensa en el costo de un error.
¿Cómo vamos a saber, en un mes, si funcionó? Define el número antes de pagar.
¿Qué pasa si la dejamos de usar? Si toda tu operación queda amarrada a una herramienta que nadie entiende, es un riesgo.
Ninguna de estas preguntas es técnica. Todas son de negocio. Y justo por eso las puede hacer cualquier dueño, aunque no sepa nada de programación.
No todo problema necesita IA
Esta parte cuesta aceptarla, sobre todo cuando todo el mundo habla de inteligencia artificial.
Muchas veces, cuando pasas un problema por el filtro, descubres que lo que necesitas es otra cosa:
Una regla clara de quién hace qué.
Un formato para que todos llenen la información igual.
Una automatización sencilla que mande un recordatorio.
Una plática con la persona que hace ese trabajo para entender dónde se atora.
Eso no es un fracaso. Es exactamente lo que el filtro tiene que hacer. Te evita gastar en una herramienta para un problema que se resolvía con un proceso.
Y algo más: ordenar el proceso primero casi siempre hace que, si después usas IA, funcione mucho mejor. Recuerda el 10-20-70 de BCG. El 70% está en las personas y los procesos.
Lo que está pasando en México
Esto importa ahora porque cada vez más empresas en México están probando IA.
Según encuestas del Banco de México a empresas, la proporción de empresas que usa o planea usar inteligencia artificial pasó de 24.3% en septiembre de 2025 a 48.5% en junio de 2026. En empresas de 101 a 250 trabajadores, pasó de 20.7% a 43.7%.
Banxico aclara que las preguntas de las dos encuestas no son idénticas, así que la comparación es solo indicativa. Pero la tendencia es clara: casi la mitad de las empresas ya está en eso.
Más empresas probando significa también más empresas en riesgo de cometer el error más común: empezar por la herramienta. Si tú empiezas por el problema, ya llevas ventaja.
Ejercicio: tu lista de problemas en una hora
Este ejercicio lo puedes hacer solo o con tu equipo. Solo necesitas una hoja y una hora.
Paso 1: Escribe diez problemas
Piensa en lo que más te quita tiempo, lo que más quejas genera o lo que más dinero te hace perder. Escribe diez. No filtres todavía.
Paso 2: Reescribe cada uno con un número
Convierte cada problema en una frase medible. "Los clientes se quejan" se vuelve "recibimos ocho quejas a la semana por entregas tardías".
Si no puedes ponerle número a alguno, márcalo. Ese necesita más investigación antes de cualquier solución.
Paso 3: Pásalos por las cinco preguntas
Para cada problema, contesta:
¿Lo puedo describir con un número? ¿Pasa seguido? ¿Tengo la información? ¿Qué pasa si se equivoca? ¿Necesito que salga siempre igual?
Al final vas a tener tres grupos: los que parecen buenos para IA, los que se resuelven mejor con una regla o un proceso, y los que todavía no entiendes bien.
Paso 4: Elige uno y pruébalo en chiquito
Del grupo de buenos candidatos, elige el que más te duele y el más fácil de probar. Haz una prueba de dos o cuatro semanas, con alguien que revise los resultados.
Define antes de empezar qué número quieres mover. Si al final se movió, sigue. Si no, ajusta o cambia de problema.
Una prueba chica no es un fracaso si no funciona. Es información. Te dice que ese problema necesitaba otra solución, o que había que entenderlo mejor antes. Lo caro es saltarte la prueba y comprometerte con algo grande desde el inicio.
Lo que no es este blog
Quiero aclarar tres cosas.
No es un argumento contra la IA. Hay muchos problemas donde ayuda muchísimo, y vale la pena usarla. El punto es usarla donde tiene sentido.
Tampoco es un método perfecto. Las cinco preguntas son una guía para pensar mejor, no una regla que decide por ti. Habrá casos dudosos. En esos, lo mejor es una prueba chica y medir.
Y no es un argumento para esperar. Entender el problema no tiene que tomar meses. Con una hora de ejercicio y una prueba de un par de semanas ya sabes mucho más que la mayoría de las empresas que compraron una herramienta y la dejaron de usar.
Lo que me llevo
Me quedo con tres ideas.
La primera: el error más común no es elegir la herramienta equivocada. Es no saber qué problema querías resolver. Eso es lo que dice el estudio de RAND, y es lo que señala el documento de Singularity.
La segunda: la herramienta es la parte chica. Según BCG, las empresas que sacan valor de la IA ponen la mayor parte de su esfuerzo en las personas y los procesos.
La tercera: que un problema no sea para IA no es malo. Saberlo a tiempo te ahorra dinero, frustración y equipos cansados de herramientas que nadie usa.
Por dónde empezar esta semana
Si quieres aplicarlo, haz esto antes del viernes:
Escribe diez problemas de tu negocio. Los que más tiempo, quejas o dinero te cuestan.
Ponle un número a cada uno. Si no puedes, ese necesita más investigación.
Pásalos por las cinco preguntas. Separa los que son para IA, los que son para un proceso y los que no entiendes todavía.
Elige uno para probar. El que más duele y es más fácil de medir.
Define qué número quieres mover. Antes de empezar, no después.
Y te dejo una pregunta para que la pienses con calma:
¿Qué problema de tu negocio estás queriendo resolver con IA sin haberlo puesto antes en una frase con un número?
¿Esto te generó una pregunta o quieres aplicarlo en tu negocio?
Escríbeme directo a aldo@avoficial.com - Aldo Verteramo
Si te gustó este contenido, sígueme aquí:
LinkedIn: linkedin.com/in/aldo-verteramo
Instagram: instagram.com/aldo_verteramo
X: x.com/aldo_verteramo
TikTok: tiktok.com/@aldo.verteramo
YouTube: youtube.com/@aldo.verteramo
Facebook: facebook.com/aldo.verteramo.m
No comments yet