Diez preguntas antes de financiar un piloto de IA

El estudio del MIT de 2025 sobre IA generativa en empresas encontró que el 95% de los pilotos no produjo ningún impacto medible en la cuenta de resultados. S&P Global encontró que la empresa media descartó el 46% de sus pruebas de concepto antes de producción en 2025. Los pilotos que lo consiguieron habían respondido a las preguntas de abajo antes de empezar. La mayoría de las propuestas responden a dos o tres.

1. ¿Cuánto cuesta o produce hoy el proceso, en una cifra?

Una buena respuesta: una línea base con fecha y responsable. "Cuatro analistas despachan 300 expedientes al día con un 6% de error."

Qué evita: un resultado que nadie puede medir. Las entrevistas de RAND sitúan un problema mal entendido en primer lugar entre las cinco causas del fracaso de los proyectos de IA, y una encuesta británica de marzo de 2026 encontró que solo el 41% de las empresas que usan IA tenía una idea clara de cómo sería el éxito.

2. ¿Cómo se ve "ha funcionado", y quién lo firma?

Una buena respuesta: una o dos métricas con un umbral, escritas antes de construir, y una persona con nombre que decide.

Qué evita: una demo que impresiona a todos y no cambia nada.

3. ¿Cuál es la condición de no-go, y qué cuesta parar?

Una buena respuesta: "Si la precisión sobre el conjunto de prueba está por debajo del 90% en la semana cuatro, paramos, usted se queda con el informe y paga solo las semanas usadas."

Qué evita: el purgatorio del piloto, donde un piloto sin final definido se renueva trimestre tras trimestre porque nadie definió el fracaso. Gartner espera que el 30% de los proyectos de IA generativa se abandonen después de la prueba de concepto.

4. ¿Dónde están los datos, y alguien los ha contado?

Una buena respuesta: las tablas o documentos por su nombre, cuántos ejemplos etiquetados existen, quién controla el acceso, y si alguien ha abierto una muestra.

Qué evita: un segundo mes dedicado a descubrir que los datos están en PDF, repartidos entre tres sistemas, o no existen. Gartner sitúa la mala calidad de los datos en primer lugar entre las razones para abandonar proyectos.

5. ¿Cómo sabrá que el sistema acierta antes de que alguien confíe en él?

Una buena respuesta: un conjunto de evaluación con entradas conocidas y salidas esperadas, puntuado antes y después de cada cambio, con los casos de fallo listados.

Qué evita: un modelo de lenguaje que se inventa algo delante de un cliente. Si la propuesta no tiene conjunto de evaluación, la primera prueba es el lanzamiento en producción.

6. ¿Quién lo opera cuando los consultores se van?

Una buena respuesta: una persona con nombre de su lado, en la sala desde la primera semana, con el código, la documentación y el procedimiento de reentrenamiento.

Qué evita: el sistema que nadie puede cambiar seis meses después. Es la queja más frecuente sobre consultores en los foros de profesionales que leímos: el entregable funcionaba el día de la entrega, y nadie pudo mantenerlo.

7. ¿De quién es la nube, de quién el modelo, de quién la factura?

Una buena respuesta: el destino de despliegue por su nombre (su cuenta en la nube, una VPC privada, su propio hardware), la licencia del modelo y el coste mensual de operación a su volumen.

Qué evita: una factura por token que crece con el éxito, datos que salen de la jurisdicción y un proveedor del que no puede irse. Entre las empresas alemanas que usan IA, el 66% señala la protección de datos como obstáculo.

8. ¿Cuál es el precio, y qué parte es fija?

Una buena respuesta: un precio fijo para un alcance definido, con una lista escrita de lo que lo cambiaría.

Qué evita: la deriva entre presupuesto y factura. Las reseñas de grandes proveedores en Clutch describen entregas a los ocho meses planificadas para cinco, y el resumen de Clutch sobre uno de ellos dice que las estimaciones iniciales a veces difieren de los costes finales del proyecto.

9. ¿A qué sistema existente tiene que conectarse, y alguien ha mirado la interfaz?

Una buena respuesta: el sistema por su nombre, su API o formato de exportación comprobado, y la persona responsable consultada.

Qué evita: un modelo que funciona pero nunca llega al flujo de trabajo para el que se construyó. La integración suele ser la mayor parte del trabajo y la mayor parte del retraso.

10. ¿Por qué IA, y qué sería lo más sencillo que bastaría?

Una buena respuesta: una frase sobre lo que conseguiría una regla, una consulta a la base de datos o una herramienta existente, y por qué se queda corto.

Qué evita: tecnología en busca de un problema. RAND señala perseguir la última tecnología como una de las cinco causas raíz. Si una hoja de cálculo hace el trabajo, la propuesta debería decirlo.

Cuente las preguntas que la propuesta responde con una cifra, un nombre o una fecha.

• Ocho o más: finánciela.
• De cinco a siete: cierre los huecos antes de que se mueva el dinero. Los huecos habituales son las preguntas 1, 3 y 5, y cerrarlos lleva alrededor de una semana.
• Menos de cinco: le están vendiendo una demo, y una demo es lo que se entregará.

Esta es la lista que repasamos en la primera llamada, y de ella sale nuestro propio alcance. Una línea base escrita, un umbral de éxito, una cláusula de no-go y un conjunto de evaluación están en cada prueba de concepto a precio fijo que presupuestamos. Reserve una llamada gratuita de 30 minutos si quiere una segunda opinión sobre una propuesta, o haga primero la evaluación de preparación.

Fuentes. MIT NANDA, The GenAI Divide: State of AI in Business 2025 (95% de pilotos sin impacto medible en la cuenta de resultados). S&P Global Market Intelligence, vía CIO Dive, marzo de 2025 (46% de pruebas de concepto descartadas). Gartner, julio de 2024 (30% abandonados tras la prueba de concepto; calidad de datos como primera causa). RAND, The Root Causes of Failure for Artificial Intelligence Projects, 2024 (cinco causas raíz). Encuesta de Studio Graphene vía consultancy.uk, marzo de 2026 (41% con una idea clara del éxito). Bitkom, septiembre de 2026 (66% señala la protección de datos). Reseñas en Clutch de Future Processing y STX Next.