Lots of organizations are excited about what AI can do to streamline their processes, save money, and juice margins. But AI's capabilities are founded on the data that AI accesses, and for many organizations that foundation is little more than sand.
Lots of organizations are excited about what AI can do to streamline their processes, save money, and juice margins. But AI's capabilities are founded on the data that AI accesses, and for many organizations that foundation is little more than sand.
In context
- Topic: Inteligencia Artificial — IA aplicada al negocio: casos, límites, costos y gobierno.
- Source: Martin Fowler
- Published: 27/08/2026
Continue reading at the original source →
Excerpt published automatically by the site radar. The full text belongs to its publisher and is linked above.
Por qué importa
La adopción de IA en una empresa no se parece a comprar software: se parece a contratar gente. Hay que enseñarle el contexto, revisarle el trabajo al principio, definir qué puede firmar solo y qué no. Las noticias que valen son las que muestran a alguien resolviendo esa parte, no la del anuncio.
Lo que miro primero no es la capacidad del modelo sino el dato que lo alimenta. Casi todos los proyectos que vi fracasar no fracasaron por el algoritmo: fracasaron porque el dato estaba en tres sistemas con tres definiciones distintas y nadie quiso ser el que arreglara eso.
Lo que suele salir mal
Lo que más veo fallar es la expectativa. Alguien vio una demo impecable y pidió lo mismo para su área en un mes, sin considerar que la demo corría sobre datos limpios preparados para la ocasión. Cuando el piloto real muestra resultados irregulares, la conclusión injusta es que la tecnología no sirve.
Qué mirar
- Quién revisa las salidas del modelo y con qué frecuencia — el punto donde la IA se vuelve auditable.
- El costo por consulta a volumen real, no el del piloto: es la variable que más sorpresas da.
- Dónde quedan los datos y bajo qué contrato, sobre todo si hay información de clientes de por medio.
Cómo leo esta entrada
Mi recomendación práctica es fijar desde el día uno qué se hace cuando el modelo se equivoca: quién revisa, con qué frecuencia, y en qué momento se apaga. Suena defensivo, pero es exactamente lo que permite ser agresivo después, porque el riesgo dejó de ser una incógnita.
La noticia original está publicada en otro idioma; acá se cita el extracto tal como lo entrega el medio y el comentario se escribe en español.
¿Lo estás viviendo en tu equipo?
Abrí el chat y contame cómo lo están manejando. Me interesa comparar notas.
