Cómo implantar IA: por qué el 60% de los proyectos no llega a producción

Según Gartner, el 60% de los proyectos de IA en las empresas no llega a producción. La culpa no es del dinero, sino de que los datos y los procesos de negocio no están listos.

Por qué fracasan los pilotos de IA

El cuadro típico: el consejo de administración exige una transformación con IA, se asigna presupuesto y se contratan proveedores. Unos meses después se descubre que los modelos simplemente no tienen de dónde aprender. Las solicitudes están en sistemas dispersos, no hay clasificación y el historial está desperdigado entre hojas de Excel, mensajeros y cadenas de correo.

Sin datos estructurados, ni siquiera el modelo de lenguaje más avanzado ofrece resultados predecibles. El error no se comete al elegir el modelo o el proveedor, sino antes de arrancar el piloto, en la arquitectura de datos.

• El 60% de los proyectos de IA no llega a producción (datos de Gartner)
• La causa principal es que los datos no están listos, no la falta de tecnología
• El problema se repite sea cual sea el presupuesto y la madurez del equipo
• La mayoría de las empresas lanza el piloto sin un sistema único de recopilación de datos de servicio

Qué es ESM y por qué lo necesita la IA

Enterprise Service Management (ESM) es una plataforma que lleva la metodología ITSM más allá del departamento de TI y unifica todos los procesos de servicio: RR. HH., finanzas, compras, servicios generales y asesoría jurídica. Para las iniciativas de IA, su papel principal es crear un punto único de recepción de solicitudes con atributos, categorías e historial de interacciones homogéneos.

Cuando todas las solicitudes pasan por un único sistema con campos fijos y SLA, el modelo obtiene lo que le faltaba: un conjunto de datos limpio y etiquetado, con contexto histórico. En lugar del caos de canales dispersos, hay una base estructurada en la que el entrenamiento y la inferencia funcionan de forma predecible.

«Si la IA no tiene datos de calidad, el proyecto probablemente está condenado».

Esta conclusión se repite en la mayoría de los informes analíticos sobre fracasos de iniciativas corporativas de IA.

Por eso la implantación de ESM se considera el «cimiento» de la automatización posterior con IA: sin él, cualquier piloto es construir sobre arena.

Cómo el modelo elimina la rutina

Una vez construida la base ESM, automatizar la rutina deja de ser un experimento y pasa a ser una tarea manejable. Los primeros candidatos son las solicitudes repetitivas con una solución predecible: restablecimiento de contraseñas, peticiones estándar de acceso, compras tipo y certificados de RR. HH. basados en plantillas.

Un modelo entrenado con el historial estructurado de solicitudes de ESM puede:

• clasificar automáticamente las solicitudes entrantes sin intervención de un operador
• proponer una solución a partir de casos similares del historial
• enrutar la solicitud al especialista adecuado teniendo en cuenta los SLA
• escalar las situaciones atípicas con todo el contexto para una persona

Una parte considerable de las solicitudes entrantes en las organizaciones de servicio es repetitiva, y son las primeras candidatas a la automatización si existe un historial bien etiquetado en ESM. El resultado es menos carga operativa para los equipos de servicio y menor tiempo de tramitación de las solicitudes tipo.

Qué significa esto

Los proyectos corporativos de IA fracasan no por mala tecnología, sino por falta de datos utilizables. Las plataformas ESM resuelven el problema de forma estructural: crean un punto único de recopilación de interacciones de servicio y garantizan la calidad de datos con la que los modelos funcionan de forma predecible. Antes de lanzar el siguiente piloto de IA, la empresa debería responder a una pregunta: ¿existe ya un sistema donde se almacene el historial completo de todas las solicitudes de servicio con sus atributos?

¿Por qué no se implantan los proyectos de IA en las empresas?

Según Gartner, la causa principal no es la falta de presupuesto, sino los datos no estructurados. Las solicitudes están en sistemas dispersos, no hay clasificación y el historial está desperdigado entre hojas de Excel, mensajeros y cadenas de correo. Sin datos estructurados, la red neuronal no ofrece un resultado predecible.