Por Qué Fallan los Proyectos de IA en las Empresas (y Qué Hacer Antes)

¿Por qué preguntarle a una IA sobre tus datos es como preguntarle a un espejo roto?

Imagine que hoy le pregunta a una inteligencia artificial: “¿Qué clientes me dejan margen y cuáles me cuestan plata?”

La IA respondería lo mismo que sus datos responden hoy: nada, o tres cosas distintas. Porque la información está repartida. Comercial en un Excel, contabilidad en el ERP, operación en su propio registro. Las cifras no cuadran. Nadie confía.

Eso que acabamos de describir es lo que pasa en cientos de empresas en Colombia que invierten en IA y, un año después, el agente sigue respondiendo mal o el modelo predictivo predice lo que á no es útil. No es culpa de la IA. Es que los datos no estaban listos.

Lo que dicen los datos sobre los proyectos de IA que no entregan valor

No es una hipótesis de Orchesta. Gartner, McKinsey y el RAND Corporation documentan el mismo patrón desde hace años: el 60-80% de los proyectos de IA empresarial fracasan o entregan un valor mucho menor al esperado. Entender por qué requiere mirar dónde están tus datos.

¿Y la razón del fracaso? ¿Código deficiente? No. ¿Falta de talento? Pocas veces. La razón es que los datos no estaban preparados. Los estudios son claros: cuando falta calidad de datos, integración y gobierno, la IA hereda todos esos problemas y los amplía.

En empresas del comercio, la distribución, la salud y la logística que hemos revisado en Orchesta, el patrón es idéntico. Los datos están ahí. Completos, reales. Pero dispersos. Cuando llega la IA, se encuentra un caos que ningún modelo puede deshacer.

Causa 1: datos dispersos y cifras en las que nadie confía

Un escenario típico: una empresa de distribución en Medellín quiso saber qué clientes eran rentables. Parecía fácil: vender más menos costo. Pero cada área tenía su cifra. Este es el tema central de cómo auditar la calidad de los datos: medir cuáles números son reales.

• Comercial tenía el precio de lista.
• Operación tenía el descuento real que le dan a cada cliente.
• Finanzas tenía el costo de entregar (flete, manipuleo, merma).
• Cobranzas tenía los días que cada cliente se demoraba pagando.

Cuatro áreas, cuatro números distintos de la "ganancia por cliente". La gerencia general no sabía a cuál creerle. Así que decía con intuición: "estamos vendiendo bien porque la cifra de comercial va arriba". Pero la rentabilidad verdadera era la que finanzas sabía, y era mucho más baja.

Cuando quiso meter una IA para automatizar decisiones de precios, la IA hablía con los tres números a la vez. El resultado: precios que hacían quedar mal.

Primera señal de que los datos no están listos: cada área trae su propia cifra del mismo indicador, y nadie está dispuesto a cambiar de número. La confianza es cero.

Causa 2: automatizar un proceso que nadie ha definido

Un escenario típico: una clínica en Bogotá quiso automatizar el seguimiento de pacientes con un agente de IA: responder consultas, agendar citas, recordar medicinas.

El problema: no tenían definido qué hace el asesor humano cuando responde. No está documentado. "A cada paciente le contesto diferente", decían. No había proceso, había intuición.

La IA, naturalmente, quedó impotente. No podía ni imitar un proceso que no existía. Si quieren conocer cómo funciona la IA como asistente interno, el paso anterior siempre es documentar el proceso.

Segunda señal de que los datos no están listos: los procesos que quieres automatizar están mezclados con toma de decisiones, emociones y excepciones que nunca se documentan. La IA no sabe qué hacer ahí.

Causa 3: no saber qué decisión debe mejorar la IA

Un escenario típico: una empresa de logística en Cali invirtió en un modelo de inteligencia artificial para "mejorar la operación". Nunca definieron: ¿mejorar qué? ¿Entregas a tiempo? ¿Costo de flete? ¿Retención de clientes?

Sin una pregunta clara, el modelo no sabía qué optimizar. Los datos entraban, pero sin dirección. El resultado: IA bonita, datos circulando, pero ninguna acción definida.

Tercera señal de que los datos no están listos: no hay una pregunta de negocio que la IA responda. Hay "vamos a usar IA" sin saber "para qué pregunta".

El orden que s funciona: datos, luego automatización, luego IA

Orchesta lo llama Datos → Automatización → IA. Es la única secuencia que hemos visto funcionar en empresas de Colombia. Este es el método de integración de datos.

1. Paso 1: Radiografía de datos. Qué datos tienes, dónde están, qué tan confiables son. Incluye un análisis real con tus datos: de qué área es cada cifra, cuándo cuadran, cuándo no. De aquí salen qué preguntas del negocio tus datos pueden responder y cuáles no (todavía).
2. Paso 2: Construcción. Ordenar la base (limpiar, integrar, confiar): es el trabajo de datos. Luego, la inteligencia (indicadores, análisis: ¿qué rentable?). Finalmente, la activación (automatizar reportes, alertas, procesos con los datos listos).
3. Paso 3: IA sobre datos listos. Un agente de IA, un modelo predictivo o un asistente tiene sentido cuando ya sabes qué pregunta responde y los datos confrman la pregunta. No antes.
4. Paso 4: Acompañamiento. El equipo de datos como servicio: revisar mensualmente, agregar análisis nuevos, mantener la base. La IA pierde valor sin acompaamiento.

Checklist: ¿están tus datos listos para la IA?

Antes de invertir en un agente de IA, un modelo predictivo o cualquier herramienta de inteligencia artificial, responde estos puntos:

• ¿Todas las áreas de la empresa tren la misma cifra para el mismo indicador? Si tres departamentos traen tres números, los datos no están listos.
• ¿Sabes de dónde sale cada dato? Si no puedes responder “ese cliente está en el ERP porque lo ingresó comercial el 15 de enero”, no tienes trazabilidad.
• ¿Confías en tus propios números? Si cada mes encuentras duplicados, vacíos o inconsistencias, la calidad no está lista.
• ¿Hay una pregunta clara que la IA debe responder? Si dices "queremos mejorar el negocio", sin especificar qué, no hay brújula.
• ¿Tus procesos están documentados o son puros "yo lo hago a intuición"? La automatización necesita procesos escritos.
• ¿Alguien es responsable de que los datos se mantengan? Si nadie es dueño del dato, en tres meses est obsoleto.

Si respondiste "no" a más de dos puntos, tus datos no están listos. Antes de IA, atiende esos.

Un modelo de IA que hereda datos sin confiar es como poner un deportista olímpico a correr por un camino en la oscuridad: el talento no importa si no ve a dónde va.

Cómo medir la madurez de tus datos en 2 minutos

No necesitas un auditor externo todavía. Haz el diagnóstico de madurez de datos de 2 minutos en tu empresa. Responde 5 preguntas sobre dónde están tus datos y en qué nivel de confianza estás. Al final te dice en qué nivel de madurez está tu empresa (disperso, conectado a medias, o listo para decidir) y qué hacer después.

Es el primer paso antes de cualquier IA o modelo que valga la pena.

Preguntas frecuentes

¿Por qué fracasan los proyectos de inteligencia artificial en las empresas?

Porque los datos no estaban preparados. El 60-80% de los proyectos falla o entrega menos valor de lo esperado, no por la IA sino porque los datos eran dispersos, sin confianza o sin gobernanza. La IA amplifica los problemas de calidad; no los resuelve.

¿Qu debe tener una empresa antes de implementar IA?

Una Radiografía de datos que responda: qu datos tienes, dónde están, qué tan confiables son, qué preguntas responden y cuáles no. Sin eso, inviertes en IA pero sin dirección ni garantía de que funcione.

¿Cunta influencia tiene la calidad de los datos en un proyecto de IA?

Decisiva. Un modelo de IA hereda todos los problemas de los datos: duplicados, vacíos, inconsistencias. Si entran tres cifras distintas del mismo cliente, salen tres predicciones distintas. La calidad de los datos pesa más que la herramienta.

¿Conviene empezar por automatización antes que por IA?

Sí, casi siempre. Los procesos automatizados sin IA (reportes automáticos, alertas, flujos sin agentes) son más fáciles de implementar, dan valor rápido y preparan el terreno. Después de automatizar llega la IA: agentes, modelos predictivos, asistentes. Sin automatización primero, la IA enfrenta procesos sin definir.