La IA generativa para el gran público tiene tres años, y la mayoría de las pymes que se subieron están decepcionadas. Según un estudio reciente de BCG, entre el 70 y el 80% de los proyectos de IA en empresas no alcanzan sus objetivos. No porque la tecnología no funcione — funciona muy bien. Porque los proyectos están mal planteados. Tras una treintena de proyectos entregados, seguimos viendo los mismos tres patrones de fracaso. Este artículo los detalla y explica cómo nuestro método los esquiva sistemáticamente.
Patrón nº1 — Programas antes de auditar
El escenario típico: un directivo lee un artículo sobre agentes IA, convoca una reunión, encuadra un brief en dos días y firma con un proveedor que arranca el desarrollo a la semana siguiente. Tres meses más tarde, el entregable existe, funciona, pero no se usa — porque el problema correcto nunca se identificó.
Lo hemos visto una decena de veces. Un equipo pide «un chatbot para soporte»; auditamos y descubrimos que el 70% de los tickets de soporte en realidad provienen de datos malos en el CRM. El proyecto correcto no es un chatbot, es un workflow de limpieza de datos. Sin la auditoría, habríamos entregado un chatbot perfectamente ejecutado que no habría arreglado nada.
La auditoría solo cuesta 1 a 2 semanas. Evita 4 a 6 meses de proyectos mal encuadrados. Si tu proveedor propone empezar a programar en la semana 1, es una señal de alarma. Nuestro servicio de Consultoría IA siempre comienza por una auditoría de campo, nunca por una especificación funcional.
Patrón nº2 — Sigues la moda tecnológica
«Necesitamos sí o sí un agente autónomo multimodal con memoria a largo plazo.» Esa frase la oímos cada semana. Sin embargo, en el 80% de los casos que tratamos, un workflow n8n enchufado a GPT-4 o Claude resuelve el problema. Más simple, más robusto, diez veces más barato.
La trampa es sutil. Los anuncios de los laboratorios de IA dan la impresión de que hay que adoptar la última pieza para seguir siendo relevante. Es falso. Las mejores piezas de IA para producción casi nunca son las más nuevas. Whisper tiene cuatro años y sigue siendo imbatible para transcripción. GPT-4 sigue siendo el mejor modelo para la mayoría de los casos de negocio.
Nuestro principio es simple: elegimos la tecnología menos arriesgada que resuelve el problema, no la más impresionante. Eso evita reescribir la solución en 18 meses cuando pase la moda. Mira nuestro servicio de Automatización IA para entender la stack que usamos en producción.
Patrón nº3 — Olvidas la adopción
El proyecto se entrega, se demuestra, se firma. Seis meses después, el 15% del equipo lo usa de verdad. El resto volvió a Excel o al teléfono. Es el fracaso más doloroso porque es invisible: sobre el papel, el proyecto tuvo éxito.
La causa casi siempre es la misma: no hay plan de adopción. Sin formación, sin KPIs compartidos, sin monitorización que muestre el valor generado cada semana. El proyecto se entrega como un objeto técnico cuando en realidad es un cambio de proceso.
Nuestro método anticipa esto desde el encuadre: un plan de formación, un dashboard de seguimiento de negocio (no técnico), puntos semanales los primeros meses, y una transferencia de conocimiento documentada. Sin eso, pagas dos veces — una por el build, otra por el rebuild cuando el equipo lo abandona.
Cuatro etapas para evitar estos tres patrones
Nuestro método en cuatro tiempos — Auditoría, Estrategia, Build, Medir y extender — no tiene nada de original. Lo que cambia es el rigor con el que lo aplicamos. Sin saltarse la auditoría para ir más rápido. Sin estrategia en dos diapositivas. Sin build sin un entorno de staging accesible al cliente.
La etapa más infravalorada es la última: Medir y extender. Es ahí donde se evita que el proyecto muera en 6 meses. Miramos las métricas de negocio, identificamos lo que funciona, lo extendemos y lo transferimos para que tus equipos lo lleven solos.
Caso concreto: Toshify
Un ejemplo reciente ilustra estos tres patrones evitados. Toshify, basada en Buenos Aires, quería un asistente para hacer onboarding de los choferes que quieren unirse a Cabify. La petición inicial era «un chatbot multicanal con memoria». Nuestra auditoría mostró que el 95% de los candidatos usan WhatsApp, que apenas hace falta memoria a largo plazo y que la verdadera ganancia sería cubrir 24/7 sin contratar 3 FTE adicionales.
Entregamos por tanto un workflow simple: WhatsApp Business API + Gemini + n8n + derivaciones inteligentes. Ni agente autónomo, ni memoria vectorial. Resultado: 100% de los candidatos cualificados automáticamente en 8 semanas, y el equipo operativo pasó de 3 personas a 1 supervisor.
Lee el detalle en el caso Toshify.
En resumen
Si lanzas un proyecto de IA en los próximos meses, hazte una sola pregunta antes de nada: ¿sabes exactamente a qué pregunta de negocio quieres responder? Si la respuesta es difusa, no programes. Audita. Ahí se juega normalmente el éxito o el fracaso del proyecto.
Y elige a un partner que sepa decir no. Rechazar un proyecto mal encuadrado suele ser lo mejor que se puede hacer por un cliente.
Hablemos de tu proyecto IA