Por qué la mayoría de los proyectos de IA no llegan a producción
El problema casi nunca es el modelo. Es todo lo que hay alrededor: los datos, el proceso y quién se hace cargo cuando algo falla a las 3 de la mañana.
En los últimos dos años vimos decenas de pilotos de IA que funcionaban perfecto en una demo y morían tres meses después. La causa rara vez es técnica: el modelo anda. Lo que no anda es el sistema que lo rodea.
Un piloto tiene que responder bien casi siempre. Un sistema en producción tiene que responder bien todas las veces, con datos sucios, usuarios impredecibles y sin nadie mirando.
Las tres razones de siempre
Nadie es dueño del proceso. El piloto lo arma innovación, pero el que sufre el error es operaciones. Sin un dueño claro, el sistema queda huérfano.
Los datos no estaban listos. El 70% del trabajo real es acceso, limpieza y permisos sobre los datos. Se descubre tarde y presupuestado en cero.
No se midió nada. Sin una métrica de negocio acordada antes de empezar, cualquier resultado se puede discutir.
Si no podés nombrar la métrica que va a mejorar y quién es responsable de ella, todavía no tenés un proyecto: tenés una idea.
Cómo lo abordamos
Arrancamos por el proceso, no por el modelo. Primero la métrica y el dueño, después el flujo de datos, y recién al final la tecnología. Podés ver cómo se traduce eso en implementaciones reales.
Diagnóstico: qué proceso duele y cuánto cuesta hoy.
Piloto acotado con métrica y dueño definidos.
Producción con monitoreo, alertas y plan de mantenimiento.
No es magia. Es ingeniería aplicada a un problema de negocio concreto.