Los retos ocultos de la adopción de IA (y cómo vencer cada uno de ellos)

Toda historia de éxito con IA que lees se salta los capítulos de en medio. Entre 'probamos ChatGPT' y 'automatizamos el 40% de nuestro volumen de soporte' hay un conjunto de problemas muy poco glamorosos — y son ellos, no los modelos, donde se estancan la mayoría de los proyectos.

La buena noticia: cada uno de estos retos tiene una respuesta conocida, de grado de ingeniería. La mala noticia: saltárselos es la razón por la que las encuestas de la industria siguen encontrando que la mayoría de los pilotos de IA nunca llegan a producción.

[1hr Talk] Intro to Large Language Models — Andrej Karpathy

La celebrada introducción de Karpathy a cómo funcionan realmente los LLMs — el modelo mental que todo tomador de decisiones debería tener.

Reto 1: tus datos no están listos

Los modelos solo son tan buenos como lo que pueden ver. La mayoría de las empresas descubre que sus 'datos' están dispersos en bandejas de correo, hojas de cálculo, PDFs y tres CRMs que se contradicen entre sí. La solución no es un proyecto de data lake de dos años — es un pipeline enfocado para el único flujo que estás automatizando: extraer, limpiar, indexar, listo. La generación aumentada por recuperación (RAG) permite que los agentes respondan desde tus documentos sin reentrenar nada.

Reto 2: las alucinaciones se topan con el mundo real

Los LLMs generan texto plausible — incluidas tonterías plausibles. En producción eso se gestiona, no se espera que desaparezca: fundamenta cada respuesta en documentos recuperados, restringe las salidas con esquemas y validación, agrega umbrales de confianza y dirige los casos de baja confianza a humanos. Un agente bien diseñado dice 'no estoy seguro, escalando' en lugar de inventarse una política de reembolsos.

Reto 3: seguridad y privacidad

Enviar datos de clientes a una API pública puede violar tus contratos o regulaciones antes de violar tu tranquilidad. El espectro de respuestas va desde acuerdos empresariales de API con términos de retención cero, pasando por despliegues privados en tu propio tenant de nube, hasta LLMs totalmente locales en tu propio hardware. El punto correcto de ese espectro es una decisión de negocio — la ingeniería existe para todos ellos.

Reto 4: tu equipo

La integración más difícil es la humana. La gente teme ser reemplazada, desconfía de las cajas negras y regresa en silencio a los viejos flujos en cuanto el promotor deja de mirar. Lo que funciona: involucra al equipo en elegir qué automatizar (ellos saben dónde duele), sé explícito en que los agentes eliminan el trabajo tedioso y no los empleos, y celebra a la primera persona cuya semana mejora visiblemente. La adopción es un entregable de liderazgo, no una característica del software.

Ninguno de estos retos es un argumento para esperar. Son un argumento para hacerlo bien — con alguien que ya se ha topado con cada uno de ellos y conoce el camino.