html Donde la AI no crea valor: una lista honesta

Inicio·Perspectivas·Donde la AI no crea valor: una lista honesta

Donde la AI no crea valor: una lista honesta

La demostración funciona, el entusiasmo es genuino, el valor nunca llega. Cuatro situaciones recurrentes donde la brecha sobrevive a cada piloto.

Digital & AI2026-03-016 min de lecturaAtlas Strategy Group

Las listas de oportunidades de AI son baratas y abundan en todas partes; las listas de no-oportunidades de AI son escasas, lo cual resulta extraño, ya que la segunda lista ahorra más dinero. Lo que sigue no es un catálogo de los límites técnicos de la AI —esos cambian constantemente—, sino cuatro recurrentes situaciones en empresas donde la demostración tiene éxito, el entusiasmo es genuino y el valor sigue sin llegar nunca. Vale la pena nombrarlas antes de gastar el presupuesto del piloto, no después.

Uno: la tarea no tiene volumen

La automatización de cualquier tipo se amortiza con la repetición, y la misma aritmética rige para la AI: una tarea realizada unas pocas veces al mes, por elegantemente que esté automatizada, no aporta nada que valga la pena en términos de integración, mantenimiento y los nuevos modos de fallo que introduce. El indicio es el piloto que «funciona»: una tarea de bajo volumen se presta maravillosamente a una prueba piloto y se desploma en la nada. El volumen es el primer filtro en selección de casos de uso, y el que se pasa por alto con más frecuencia, porque las tareas de bajo volumen son precisamente las que resultan encantadoras en una demostración.

Dos: el cuello de botella no es la inteligencia

La IA aporta esfuerzo en forma de inteligencia, por lo que solo resulta rentable allí donde dicho esfuerzo constituye el cuello de botella. Muchos procesos se ven limitados por cuestiones completamente distintas: esperar la firma de una contraparte, esperar la atención de quien toma las decisiones, esperar la respuesta del mercado o esperar un paso físico. Insertar un modelo en una fila de espera no hace que esta avance; lo único que logra es embellecer el papeleo. El diagnóstico abarca todo el proceso —dónde se acumulan realmente el tiempo y el costo—, y el resultado honesto de ese diagnóstico suele ser una conclusión incómoda: el cuello de botella es una persona, un contrato o la propia velocidad de decisión de la empresa.Donde la IA impacta en el P&L es allí donde el cuello de botella es genuinamente trabajo intelectual; en cualquier otro lugar, es mera decoración.

Tres: el costo de un error supera el valor de la velocidad

Algunas decisiones se toman con la suficiente poca frecuencia y tienen tanta importancia que eliminar al elemento humano no ahorra nada que merezca la pena arriesgar: fijar el precio de un producto insignia, una comunicación pública o un compromiso con peso legal. En estas decisiones, la IA puede redactar, resumir y preparar —una aportación real—, pero el tramo final del criterio es donde reside la responsabilidad, y las empresas que delegan ese tramo final para ahorrar minutos terminan pagando esos minutos a otro precio. El límite no tiene que ver con la precisión del modelo; se trata de la asimetría de las consecuencias, algo que ningún nivel de precisión logra corregir.

Cuatro: el proceso que se está automatizando está roto

Automatizar un proceso defectuoso acelera sus fallos. La IA es un potente amplificador de cualquier flujo de trabajo al que se aplique, y cuando el flujo en sí es incoherente —aprobaciones redundantes, normas contradictorias, pasos que solo existen por costumbre—, el modelo ejecuta dicha incoherencia con mayor rapidez y seguridad que los empleados cansados. El orden de actuación se invierte respecto al intuitivo: reparar primero, automatizar después; y la propia reparación suele reducir la tarea hasta el punto de que el costo del proceso ya no justifica ninguna automatización, lo cual representa un ahorro que el presupuesto de automatización nunca llega a acreditar.

Un caso de uso que no supera una de estas cuatro pruebas no es una oportunidad débil. Es una forma demostrada de gastar esfuerzo de integración en nada.

Someter los casos de uso candidatos a los cuatro filtros —volumen, cuello de botella real, asimetría de errores, salud del proceso— es la fase inicial de evaluación de oportunidades y el trabajo estándar en la práctica de IA: el punto más económico del ciclo para decir no y, por tanto, el más rentable.

Todos los Insights →