En 2025, buena parte de los proyectos de inteligencia artificial iniciados en empresas brasileñas no llegó a producción y los que lo lograron, con frecuencia, se desactivaron durante el primer año. No es pesimismo: es un patrón conocido de cualquier ciclo de adopción tecnológica.
Lo que sorprende es la consistencia de los motivos. En los proyectos que seguimos de cerca o a los que nos llamaron para recuperarlos, aparecen una y otra vez los mismos cinco errores. Ninguno responde a una dificultad técnica profunda.
Error 1: empezar por el modelo, no por el problema
El síntoma: la reunión inicial gira en torno a «qué modelo vamos a utilizar», «GPT-5 o Claude», «vamos a hacer fine-tuning o RAG». El problema de negocio aparece recién en la diapositiva 14, y de forma vaga.
Los proyectos que empiezan así tienden a entregar una demostración técnica impresionante que nadie utiliza. La pregunta adecuada en la primera reunión es: ¿qué proceso específico va a cambiar y cuánto cuesta hoy ese proceso? Si la respuesta es imprecisa, detente antes de abrir el IDE. Es el mismo criterio que usamos para decidir si RAG tiene sentido en un escenario concreto o si el problema exige otra arquitectura.
Error 2: datos deficientes que nadie había revisado
El síntoma: la prueba de concepto funciona en un entorno controlado con 500 registros limpios. En el piloto con 50 mil registros reales, la exactitud se desploma.
Causas comunes:
- Campos obligatorios rellenados con valores de sustitución —«NO INFORMADO», «999999»—.
- Categorías que, en teoría, son 5 y, en la práctica, son 47, porque cada usuario escribía a su manera.
- Fechas en formatos mixtos, algunas como texto y otras como números de serie de Excel.
- Duplicados poco evidentes: el mismo paciente con dos registros, el mismo cliente con CNPJ y CPF.
Un proyecto de IA serio empieza con dos semanas de análisis de datos. Quien se salta esa etapa paga después: en retrabajo, en un modelo que no funciona o en una decisión equivocada basada en datos deficientes.
Error 3: una prueba de concepto que nunca se pensó para producción
El síntoma: la prueba de concepto quedó lista en 6 semanas. Para llevarla a producción, descubrimos que faltan autenticación, observabilidad, gestión de errores, integración con los sistemas reales, capacidad de crecimiento, documentación, pruebas, supervisión de la calidad del modelo en producción y un flujo de reentrenamiento. Cada uno de estos elementos cuesta más que la prueba de concepto completa.
Las pruebas de concepto económicas y rápidas son útiles para validar una hipótesis técnica. Pero, si el objetivo del proyecto es llegar a producción, el código debe nacer con una arquitectura de producción desde el primer commit. Cuesta más al principio y mucho menos en total.
Error 4: una métrica técnica sin traducción al negocio
El síntoma: el equipo de datos celebra un F1-score de 0,87. El equipo de negocio pregunta qué significa eso en reales. La conversación se bloquea.
Un modelo con una exactitud del 92% puede ser excelente o desastroso, según lo que represente ese 8% de errores en consecuencias reales. En algunos contextos, un falso negativo cuesta R$ 5. En otros, cuesta R$ 500 mil y un requerimiento del regulador.
La traducción debe existir desde el principio:
- ¿Cuánto cuesta, en promedio, un falso positivo?
- ¿Cuánto cuesta, en promedio, un falso negativo?
- ¿Qué métrica financiera objetivo debe mejorar el modelo?
Sin esa traducción, no hay forma de elegir el umbral de decisión ni de saber si el modelo está listo para desplegarse.
Error 5: un equipo interno sin autonomía para mantener el sistema
El síntoma: la consultoría entrega el sistema, capacita a dos desarrolladores del cliente en medio día y se marcha. Seis meses después, el modelo se ha degradado, nadie sabe cómo volver a entrenarlo y el sistema termina desactivándose.
Los sistemas de IA no son como el software tradicional. Envejecen. Los datos cambian, el comportamiento de los usuarios cambia y las reglas del negocio cambian. El modelo debe reevaluarse y, en ocasiones, volver a entrenarse. Un proyecto entregado sin un plan claro de operación a largo plazo no sobrevive.
Qué debe incluir el plan de operación:
- Quién es el responsable del sistema dentro del cliente.
- Con qué frecuencia se revisan las métricas.
- Qué activa un nuevo entrenamiento.
- Cómo se supervisa la calidad del modelo en producción.
- Quién responde cuando algo falla a las 3 de la madrugada.
Una consultoría boutique de IA seria trata ese plan como parte del alcance. Una consultoría que lo deja para «después» está trasladando el problema al cliente y, por lo general, perdiendo al cliente en el segundo año.
El patrón detrás de los cinco errores
Los cinco tienen la misma raíz: tratar un proyecto de IA como un proyecto de software convencional. No lo es. La IA exige más rigor con los datos, más claridad sobre las métricas de negocio, más disciplina en la operación posterior al despliegue y más honestidad sobre cuándo la respuesta es «la IA no va a resolver esto». En sectores regulados, ese rigor incluye el cumplimiento de la LGPD validado antes del despliegue y, en salud, exige un criterio específico sobre dónde la IA genera un retorno real.
Los proyectos que evitan estos cinco errores no son más económicos ni más rápidos. Son los que, 18 meses después, siguen en producción y generan resultados.
Este artículo fue escrito por el equipo técnico de Allogic Tecnologia. Para conversar sobre proyectos de IA a medida, agenda una conversación de 15 minutos.