Antes de usar IA generativa, revisa la IA tradicional

¿Necesitas IA generativa para predecir tu demanda, anticipar qué clientes se van o clasificar las solicitudes que llegan a tu equipo? Es una pregunta que hoy se hacen muchos gerentes, porque es justo lo que les están ofreciendo. Desde nuestra perspectiva, la respuesta corta es no.

No porque la IA generativa sea mala. Es porque esos tres problemas se resuelven hace años con modelos más baratos, más estables y más fáciles de explicar. Antes de comprar lo nuevo, vale preguntar si lo de siempre ya lo resuelve.

Dos herramientas para trabajos distintos

Piensa en una caja de herramientas. Se puede clavar un clavo con un alicate, pero el martillo existe por algo. Con la IA pasa algo parecido.

La IA generativa produce contenido nuevo: redacta un correo, resume un contrato, responde una consulta en lenguaje natural. Su fuerte es trabajar con texto libre.

Los modelos tradicionales de aprendizaje automático hacen otra cosa. Aprenden de tus datos históricos para entregar un número o una categoría. Cuántas unidades venderás el próximo mes. Qué probabilidad tiene un cliente de dejarte. A qué área corresponde una solicitud.

Y antes de ambos están las reglas de negocio y las fórmulas. Si un proceso se ejecuta siempre igual, como calcular un descuento por volumen, no necesitas IA de ningún tipo. La IA entra donde no hay regla ni fórmula posible: para predecir, clasificar o generar texto.

Por qué lo de siempre sigue rindiendo

Los modelos de predicción y clasificación no son noticia, y eso juega a su favor. Tienen años de uso en operaciones reales y ventajas concretas para quien decide.

Son más baratos de operar. Corren sobre datos que tu empresa ya tiene, como ventas, transacciones o historial de atención. No dependen de un costo por cada consulta que crece con el uso.

Son estables. Con los mismos datos de entrada, entregan el mismo resultado. Eso facilita auditar, comparar periodos y confiar en el número.

Son explicables. Puedes saber qué variables pesaron en una predicción. Si el modelo dice que un cliente está en riesgo, tu equipo puede ver por qué: bajó su frecuencia de compra, aumentaron sus reclamos. Esa explicación sirve en el comité y frente al directorio.

Se miden con facilidad. Como trabajan sobre historia, puedes probar qué tan bien habrían acertado el año pasado antes de usarlos este año.

Cuándo sí conviene lo nuevo

Nada de esto descarta la IA generativa. Tiene sentido cuando el insumo es texto que nadie estructuró: correos de clientes, documentos largos, conversaciones. También cuando necesitas producir texto, como borradores de respuesta o resúmenes para tu equipo.

Incluso ahí conviene combinar. Un modelo tradicional puede clasificar una solicitud por urgencia, y la IA generativa puede preparar un borrador de respuesta que revisa una persona. Cada herramienta en el trabajo que mejor hace.

El problema aparece cuando se usa lo nuevo porque es nuevo. Ahí pagas más por algo menos predecible y más difícil de explicar. Y cuesta más demostrar si funcionó.

Preguntas para tu equipo antes de comprar

Estas preguntas las puedes hacer en tu próxima reunión, sin contratar a nadie:

• ¿El resultado que buscamos es un número, una categoría o un texto? Si es un número o una categoría, parte por un modelo tradicional. Si es texto, la IA generativa entra a la conversación.
• ¿Existe una regla que ya explique este caso? Si el cálculo es conocido, una fórmula basta. No hay nada que predecir.
• ¿Tenemos historia suficiente y ordenada? Pide a tu equipo que revise si hay al menos un par de años de datos del proceso. Sin historia, ningún modelo aprende bien.
• ¿Podemos explicar el resultado a quien lo va a usar? Si el área comercial o el directorio necesitan entender el porqué, la explicabilidad pesa tanto como la precisión.
• ¿Cómo vamos a saber si funcionó? Define hoy el indicador y su valor actual. Sin línea base, cualquier resultado parece bueno.

El criterio para decidir

En CognitivaLab partimos de una secuencia simple: primero se revisa el proceso, se elimina lo que no agrega valor y luego se automatiza. Con la herramienta más simple que resuelva el problema, no con la más llamativa.

Si el problema es predecir o clasificar con datos que ya tienes, empieza por lo probado. Parte pequeño, mide contra tu línea base y, si funciona, decide de forma explícita a qué destinas la capacidad que liberaste. Nuestra recomendación es asignarla a la siguiente iniciativa, para que lo ganado en un proceso financie la mejora del siguiente.

La IA generativa seguirá ahí cuando tengas un problema que realmente la necesite. No existe apuro en comprar algo que no resuelve tu pregunta.

¿Qué predicción de tu negocio se sigue haciendo a mano en una planilla?