ES 
Es innegable que la IA está en todas partes. Las empresas invierten en copilotos, automatizaciones inteligentes, asistentes virtuales, modelos generativos, entre otros. El problema es que muchas iniciativas y proyectos de IA impresionan en las pruebas y decepcionan cuando llegan a la operación (y el motivo generalmente no está en la tecnología).
Esta dificultad no se limita a casos aislados. Según el estudio State of AI, de McKinsey, el 88% de las organizaciones ya utiliza IA en al menos una función de negocio, pero solo el 39% informa un impacto en el EBIT a nivel corporativo. El dato refuerza que el desafío actual no es experimentar con IA, sino transformarla en valor sostenible para el negocio
Los proyectos con IA rara vez fracasan porque el modelo sea malo. Fracasan por algún desalineamiento de procesos o porque no fueron diseñados para resolver una decisión real del negocio. Este es quizás el principal cambio de mentalidad que las organizaciones deben hacer: dejar de ver la IA como una herramienta y comenzar a tratarla como un proyecto de transformación de procesos y toma de decisiones.
El error más común: comenzar por la IA
En muchas empresas, la conversación comienza con «¿Dónde podemos usar IA?», cuando la pregunta inicial debería ser «¿Qué decisión o proceso necesitamos mejorar?».
Parece solo un detalle, pero este cambio puede alterar por completo el resultado de un proyecto, principalmente cuando el alcance es grande y hay muchos stakeholders.
Sin un desafío bien definido y una decisión clara por mejorar, la IA puede terminar convirtiéndose únicamente en una demostración tecnológica prometedora, pero sin un camino real para escalar o mantenerse en el negocio. Esto ayuda a explicar por qué las iniciativas exitosas en bancos, fintechs y empresas de pagos normalmente surgen a partir de desafíos específicos, como la prevención del fraude, el análisis de crédito, la automatización de procesos regulatorios o el aumento de la eficiencia operativa, y no de la simple adopción de una nueva tecnología.
Un ejemplo práctico de este enfoque ocurrió en Evertec, en una prueba de concepto realizada por Torq (hub de innovación de la compañía) con una startup para la automatización de procesos fiscales. El proyecto no comenzó por la tecnología, sino por la necesidad de incorporar automatización y reducir el esfuerzo operativo en actividades repetitivas. Al final de la validación, se observaron ganancias de eficiencia superiores al 85% en determinadas etapas del proceso, lo que demuestra que los resultados relevantes tienden a surgir cuando la IA se aplica a un problema claramente definido y asociado a métricas objetivas de negocio.
Las 5 preguntas que deberían plantearse antes del primer prompt
Antes de elegir un modelo, un socio o el camino a seguir, vale la pena responder:
- ¿Qué proceso queremos mejorar?
- ¿Qué resultado esperamos generar?
- ¿Cómo mediremos el éxito?
- ¿Qué no puede suceder?
- ¿Cómo sabremos si vale la pena escalar?
Estas preguntas ayudan a evitar meses de trabajo en iniciativas que no logran demostrar valor al final del piloto. Sin embargo, responderlas no debe generar más burocracia. El objetivo es acelerar la toma de decisiones y aumentar las posibilidades de éxito del proyecto.
En un escenario en el que nuevos modelos, herramientas y aplicaciones surgen prácticamente todas las semanas, la velocidad organizacional se vuelve tan importante como la capacidad tecnológica. No sirve de nada ahorrar meses de desarrollo en el futuro si la iniciativa pasa meses detenida en discusiones iniciales, aprobaciones complejas o procesos internos que no acompañan el ritmo de la innovación.
Los buenos proyectos de IA combinan dos elementos que muchas veces parecen contradictorios: agilidad para experimentar y disciplina para evaluar resultados. El desafío no es elegir entre velocidad y gobernanza, sino encontrar un equilibrio que permita probar hipótesis, aprender rápido y tomar decisiones con seguridad.
La gobernanza no es burocracia
Cuando se trata de IA, la gobernanza suele verse como algo que desacelera la innovación. En la práctica, ocurre justamente lo contrario. Sin gobernanza, los proyectos encuentran obstáculos cuando intentan escalar.
Cuestiones como la privacidad de los datos, la seguridad, la responsabilidad por las decisiones, el monitoreo de resultados y el control de riesgos, deben considerarse desde el inicio y no cuando la solución ya está en producción.
El ROI es importante, pero no lo es todo
La pregunta sobre el retorno financiero siempre aparece y es legítima, pero existe la trampa común de intentar medir únicamente el ROI. En proyectos de IA, especialmente en las etapas iniciales, el concepto de VOI (Value on Investment) cobra relevancia.
El ROI responde: «¿La inversión se paga?»; mientras que el VOI responde: «¿Estamos construyendo una capacidad estratégica valiosa para el futuro?»
Muchas veces, un piloto genera aprendizajes sobre datos, procesos, gobernanza y adopción que aún no aparecen en el resultado financiero inmediato, pero son valiosos y decisivos para escalar la iniciativa posteriormente.
Este razonamiento es particularmente relevante en las instituciones financieras. Una prueba de concepto orientada a la prevención del fraude o a la modernización de procesos regulatorios puede no generar un retorno significativo en los primeros meses, pero sí crear capacidades valiosas que reducen riesgos, aceleran futuras iniciativas y amplían la capacidad de innovación de la organización.
¿Qué separa los experimentos de los resultados?
Muchas organizaciones ya superaron la discusión sobre adoptar o no inteligencia artificial. El desafío ahora es transformar las iniciativas de IA en resultados sostenibles. Este movimiento ha demostrado ser más complejo que la velocidad de evolución de la propia tecnología. Según Deloitte, la mayoría de las organizaciones todavía encuentra dificultades para llevar las iniciativas de IA a escala, lo que evidencia que el principal desafío ya no está en la experimentación, sino en la capacidad de incorporar la tecnología de manera consistente en los procesos, controles y decisiones del negocio.
En el sector financiero, donde la eficiencia operativa, el cumplimiento regulatorio y la experiencia del cliente impactan directamente en los resultados, esto exige más que acceso a buenos modelos o nuevas tecnologías. Exige claridad sobre el problema que se desea resolver, métricas capaces de demostrar valor, procesos adaptados a la nueva realidad y una gobernanza que permita escalar con confianza.
Al final, los proyectos exitosos de IA no son recordados por la tecnología que utilizan. Son recordados por los problemas que resuelven. Tal vez esa sea la principal lección para las empresas que buscan capturar valor con inteligencia artificial: la ventaja competitiva no estará en quién adopte IA primero, sino en quién logre conectarla mejor con las decisiones, los procesos y los objetivos del negocio.
