¿Por qué los proyectos de IA fracasan antes de empezar a programarse?

Aunque en promedio una empresa adopta IA cada cinco minutos (un 42% a la fecha), solo el 12% realmente logra una transformación real, el resto sigue implementándola en procesos básicos. Incluso, el gran obstáculo está mucho antes, en la etapa de descubrimiento. Allí es donde está fracasando la adopción de IA.

Según explica un blog reciente de EPAM, empresa líder en transformación digital e inteligencia artificial con presencia en el país, la fase de descubrimiento es el momento estratégico donde se debe entender cómo funciona el negocio, dónde existe fricción y qué cambios generarán un valor medible. En muchas empresas, esta fase continúa dependiendo exclusivamente de talleres y mapas de procesos creados manualmente. 

“Estas metodologías tradicionales tienen un valor histórico, pero ya son insuficientes frente a la velocidad y complejidad de las infraestructuras corporativas modernas”, advierte Fernando Silvestre, Managing Director de EPAM Colombia. “Se están construyendo casos de negocio sobre suposiciones y no sobre datos reales. Las prioridades se están fijando sin visibilidad completa. Los equipos de desarrollo están heredando brechas operativas que debieron resolverse antes de iniciar la ejecución. Todo eso trae pérdidas”.

Sectores como el asegurador o financiero, por ejemplo, que están mediados por tantas regulaciones, tienen una brecha entre la percepción ejecutiva y la realidad de los procesos. Los directivos pueden estimar que un procesamiento de reclamos toma entre tres y cuatro días, pero los datos reales de ejecución pueden revelar bucles de re-trabajo ocultos que multiplican esos tiempos iniciales.

“Hacer este tipo de hallazgos reorienta por completo la hoja de ruta de inversión que tenga una empresa”, señala Silvestre. “Ahí es donde se debe reenfocar los recursos para resolver los problemas reales, en lugar de quedarse modernizando interfaces que, aunque atractivas para el cliente final, no representan realmente una ventaja financiera”.

Para evitar la trampa de adoptar herramientas en tendencia que no resuelven problemas de fondo, la industria tecnológica está migrando de un descubrimiento guiado por talleres a un modelo fundamentado en evidencia, donde los datos operativos se combinan con la precisión de la IA. 

Existe la la Minería de procesos (Process Mining), que reconstruye los flujos de trabajo a partir de los registros de eventos de los sistemas, haciendo visibles las rutas reales, variaciones y cuellos de botella; la Minería de tareas (Task Mining), que revela el trabajo manual no medido que ocurre entre aplicaciones (hojas de cálculo, correos y validaciones); el Procesamiento de Lenguaje Natural (NLP): Extrae información valiosa de fuentes no estructuradas como políticas corporativas, tickets de soporte y procedimientos; o el Modelado de conocimiento (Knowledge Graphs), que conecta procesos, sistemas, roles y datos para dar un contexto empresarial unificado. 

"Es necesario que las empresas del país construyan sobre datos operativos reales para poder analizar causas de raíz y simular escenarios antes de escribir la primera línea de código; así es como se reduce drásticamente el riesgo de invertir en la solución equivocada", recomienda el experto.

Asimismo, desde EPAM advierten que la tecnología por sí sola no garantiza el éxito si el modelo operativo no acompaña la transformación. Los líderes deben dejar de preguntarse únicamente qué herramienta comprar y comenzar a evaluar cómo construir una representación fiel de la realidad de su empresa.