Hoy, seguro que veras otro post en LinkedIn celebrando “nuestro nuevo copiloto”. Aplausos. Pero eso no paga nóminas.
Lo explica muy bien el artículo del MIT Sloan titulado “How to break the ‘AI hype cycle’ and make good AI decisions for your organization.
Un apunte que compro al 100%: no te enamores del LLM por defecto. Ya hemos hablado muchas veces del valor real de la tecnología en este boletín.
Citando a Robert Blumofe (CTO de Akamai) esta cadena se repite una y otra vez, caso de uso novedoso, celebraciones por doquier, FOMO… y tortazo. La vacuna a este virus empresarial es simple: poner el valor de negocio por delante del juguete.
Muchas veces la solución ganadora es una mezcla poco glamurosa —reglas, ML clásico, búsquedas, RAG— y, como demostró DeepSeek, “más con menos” prioriza mejor uso de los recursos que quemar GPU por deporte.
Segun indica Brian Eastwood, hay Tres preguntas que te salvarán de lo que el denomina como la espuma, es decir, todo lo superficial y vistoso del boom de la IA que no está ligado a valor de negocio real.
¿Qué problema concreto resuelvo y cuánto vale?
Tarea específica, dueño del proceso y métrica que mejoraras (tiempo, coste, ingresos, riesgo). Si no puedes poner € o %, es curiosidad cara.
¿Por qué IA aquí… y por qué esta IA?
¿Qué alternativa más simple descartas y por qué? ¿De verdad hace falta un LLM o basta con un modelo pequeño, reglas o búsqueda semántica? Define arquitectura mínimamente viable y “kill switch”.
¿Con qué datos, con qué permisos y cómo mediremos el impacto?
Origen, calidad, sesgos, privacidad y coste total (infra, llamadas, mantenimiento, guardrails). Establece la línea base de la prueba, desarrolla un experimento en producción controlada e indica cuál es tu criterio de éxito antes de escribir una línea.
Aprendizajes clave
Estos son algunos de los aprendizajes que podemos extraer del artículo:
Estate atento al ciclo de la espuma, es real: éxito → teatro → FOMO → tropiezo. Antídoto: problema y valor primero.
La adopción sigue baja y es oportunidad: hoy mucha gente no usa IA en su trabajo; el hueco está en tareas concretas con la forma de IA adecuada.
No sobreinvertir en LLMs gigantes: en empresa, modelos específicos/pequeños suelen ganar en coste-eficacia (lección DeepSeek: más con menos).
Cuidado con confundir demo con impacto: clasificar emails con prompts es puro teatro; los casos serios requieren mejores estructuras (reglas + ML + búsqueda/RAG + LLM).
Hay vida más allá de LLMs: según el problema, deep learning para patrones o IA simbólica para lógica pueden dar más valor sostenido.
Deja experimentar a la gente: un sandbox interno acelera el aprendizaje (con control de costes y mínimos de seguridad).
La carga de la prueba no es “¿por qué no IA?” Primero problema, luego tecnología.
Y dos reglas prácticas
En 2 semanas, 2 métricas o fuera. Toma una parte pequeña de un proceso con datos reales que produzcan señales reales del impacto de la prueba.
Nada de “teatro de prompts”. El valor está en la decisión automatizada o el flujo operativo, no en la demo bonita.
Si hoy solo haces una cosa: reescribe tu próximo plan de IA empezando por estas tres respuestas. Si se tambalean, es moda. Si aguantan, ahí hay oro.
Que nunca te falten ideas, ni ganas de probarlas.
A.