Por qué fracasan casi todos los proyectos de IA (y los que no)
Rara vez fracasan porque la tecnología no pudiera con la tarea. Fracasan por un pequeño conjunto de razones predecibles, casi todas decididas antes de escribir una línea de código. Aquí está esa lista, y lo que hacen en su lugar los que sí funcionan.
Las seis formas en que fracasan
Resolvieron un problema que no merecía la pena
Impresionante e inútil a la vez. Si el problema no costaba nada, ninguna ejecución lo salva.
Partieron de la tecnología
«Deberíamos hacer algo con IA» produce una solución en busca de un problema.
Confundieron la demo con el producto
Se quedaron sin presupuesto en la fase difícil e invisible donde viven los casos límite y la fiabilidad.
Ignoraron los datos
Dieron por hecho que los datos estaban listos cuando estaban desordenados, dispersos o faltaban.
Intentaron automatizar el criterio
Quitaron a las personas de casos que las necesitaban, produciendo resultados en los que nadie confía.
Nadie podía hacerse cargo
Dependían de la atención constante de un especialista, y murieron cuando esa atención se fue.
Lo que hacen los que sí funcionan
Los proyectos que funcionan no son más sofisticados. Son más disciplinados, y comparten una lista corta de hábitos:
- Parten de un problema real y caro, no de la tecnología.
- Deciden que merece la pena construirlo antes de construirlo, y están dispuestos a decir que no.
- Mantienen el alcance acotado, resolviendo la parte que importa y dejando el resto.
- Dejan los casos que necesitan criterio en manos de una persona y automatizan solo el patrón.
- Tratan la producción como una fase aparte, presupuestando los casos límite, la fiabilidad y los costes de operación.
- Se aseguran de que alguien pueda hacerse cargo, para que sobreviva tras el lanzamiento.
Ninguno de estos trata del modelo. Todos tratan de la decisión. La tecnología rara vez es la limitación ahora. El criterio sí.