Hace unos años vi cómo una iniciativa de IA moría en una sala de consejo. La tecnología no había fallado. Nadie supo responder a una pregunta sencilla: “¿Cómo nos hace ganar dinero esto?”
La hizo la directora financiera. La sala se quedó en silencio. El responsable del proyecto empezó a hablar de “opcionalidad estratégica” y de “preparar la cadena de valor para el futuro”, y ella miró su teléfono. Dos semanas después, el proyecto estaba muerto.
Recuerdo aquel intercambio porque el equipo tenía un relato sobre la tecnología y ninguna explicación clara del resultado de negocio. Desde entonces me interesa mucho más la restricción que elimina una iniciativa que la etiqueta que lleva.
Eso no significa que todo experimento valioso empiece con una previsión precisa de retorno. Significa que la solicitud de fondos debe explicar qué tipo de compromiso es: entregar un resultado que entendemos o averiguar si una oportunidad es real.
Empiece donde el valor está limitado
Pregúntese qué le cuesta dinero a la empresa, qué impide una venta o qué limita el servicio que necesitan los clientes. Las ofertas lentas, las correcciones repetidas, los equipos no disponibles y la información que falta pueden señalar un trabajo que merece la pena. También puede hacerlo una necesidad del cliente que la organización no ha podido atender hasta ahora.
Después, busque la causa. Una oferta puede tardar porque la información es difícil de localizar, porque no está clara la autoridad sobre los precios o porque un especialista recibe demasiadas peticiones. Son problemas distintos. Generar el documento más rápido solo ayuda si la elaboración del documento es el cuello de botella relevante.
Por eso empiezo por el proceso y sus usuarios. Una demostración puede sugerir una capacidad; no puede decirle qué restricción necesita eliminar su organización.
Tres preguntas que sigo utilizando
Mi primer marco tenía seis pilares y completarlo llevaba horas. La gente no lo terminaba. El siguiente tenía puntuaciones ponderadas, pero yo no sabía justificar por qué una cuestión merecía un peso concreto. La plantilla se estaba volviendo más elaborada que el razonamiento.
Hoy prefiero una conversación breve que obligue a poner a la vista los supuestos importantes.
Primero, ¿qué cambiaría si esto funcionara? Identifique el efecto en costes, capacidad, servicio o ingresos. Para un proceso conocido, estime un rango y explique en qué se basa. Para un servicio nuevo, identifique qué debe aprenderse antes de que tenga sentido un compromiso mayor. Una precisión que la evidencia no respalda no es rigor.
Segundo, ¿con qué contamos realmente? Revise una muestra de los datos, sus permisos y su historial. Averigüe si reflejan los casos que el servicio encontrará. “Los datos están en nuestros sistemas” no aclara si alguien puede recuperarlos, interpretarlos y usarlos para este fin.
Tercero, ¿qué ocurre si tarda más o cuesta más? Un caso de negocio que solo resiste con sus supuestos más optimistas es frágil. Analice el alcance que podría reducirse, las dependencias que podrían retrasarlo y el punto en el que la organización se detendría.
La máquina y las personas que la conocían
En un fabricante de maquinaria pesada, un supervisor de mantenimiento señaló una máquina CNC antigua. “Esta nos habla”, dijo. De las más nuevas estaba mucho menos seguro.
Aquella conversación dejó al descubierto una brecha entre dos tipos de conocimiento. Quienes conocían las máquinas no se fiaban de los sensores, y quienes se fiaban de los sensores tenían poca experiencia en planta.
Reunimos a un técnico veterano y a un ingeniero de datos para que el técnico pudiera contrastar las predicciones con lo que sabía. No presento ese recuerdo como un resultado de mantenimiento cuantificado. Lo que se me quedó grabado fue la necesidad práctica de que los responsables de un activo ayuden a evaluar sus recomendaciones.
El caso de negocio debe incluir ese trabajo. Las pruebas con expertos del dominio, el análisis de las discrepancias y la decisión sobre cómo responder a una alerta forman parte de la entrega. Tratarlos como una campaña de adopción que se añade al final puede dejar un modelo técnicamente interesante sin uso operativo.
Ponga por escrito cómo la capacidad se convierte en dinero
Tome este ejemplo de elaboración de ofertas, explícitamente hipotético. Un equipo gestiona 1.000 solicitudes al mes. Espera que la asistencia reduzca la preparación en seis minutos por solicitud, pero la verificación añade dos minutos. Con esos supuestos, la reducción neta es de unas 67 horas al mes, antes de soporte y mantenimiento.
Ese cálculo es una hipótesis que hay que contrastar. Todavía no demuestra un ahorro de caja. Si el equipo mantiene la misma plantilla, el efecto inmediato es capacidad disponible. La empresa debe decidir si esa capacidad le sirve para atender más solicitudes, responder antes o mejorar la calidad de las ofertas complejas.
Si lo que se afirma es un aumento de ingresos, explique la conexión. ¿Se pierden hoy solicitudes porque la respuesta es demasiado lenta? ¿Puede el equipo atender demanda adicional? ¿Qué evidencia permitiría distinguir el efecto del cambio de la estacionalidad o de una nueva campaña comercial?
Si lo que se afirma es una reducción de costes, explique qué coste cambiará realmente y cuándo. Incluya la revisión continua, la integración y el mantenimiento. Evite contar todo el tiempo liberado a la vez como menor coste y como mayor ingreso.
La aritmética es sencilla. Los supuestos que la rodean son el caso de negocio.
A veces el proyecto adecuado es más pequeño
En una ocasión recomendé detener una iniciativa de gestión del conocimiento propuesta en una firma de servicios profesionales. Los socios encontraban la experiencia que necesitaban llamando a personas de confianza, preguntando a sus asistentes o buscando en el correo. No usaban el sistema de conocimiento existente.
Una mejor interfaz de búsqueda no cambiaría por sí sola ese hábito. Redirigimos la atención hacia la preparación de reuniones, donde reunir la experiencia relevante de la firma encajaba con algo que los socios ya hacían. La lección tenía que ver con el encaje en una práctica de trabajo, no con un retorno demostrado que pueda cuantificar aquí.
Pregúntese si el servicio propuesto tiene un lugar natural en la jornada del usuario. Si exige un hábito nuevo, incluya el trabajo necesario para que ese hábito resulte útil. Una iniciativa puede ser valiosa y aun así demasiado amplia para un primer compromiso.
Deje espacio para el crecimiento y la incertidumbre
Partir de los costes actuales puede sesgar la selección hacia la eficiencia. Los nuevos servicios y mercados también merecen consideración. Su evidencia inicial puede referirse a la disposición a usar o a pagar, más que a una línea de base operativa establecida.
Asigne a ese trabajo un presupuesto de aprendizaje acotado. Indique qué pretende revelar la prueba, quién interpretará el resultado y qué decisión de financiación vendrá después. Una pequeña prueba de demanda no necesita una previsión de retorno a tres años inventada. Sí necesita una razón para creer que la pregunta importa.
Compare también opciones más sencillas. Si unas reglas claras funcionan, utilícelas. Si un flujo de trabajo falla porque la autoridad no está clara, aclárela. Si la evidencia es demasiado escasa para una predicción fiable, reúna evidencia antes de prometer automatización. No existe un número mínimo universal de registros que pueda sustituir una evaluación de la tarea y de los datos.
El AI Opportunity Map ayuda a ordenar los problemas candidatos. Úselo para preparar una decisión y después contraste sus supuestos con las personas y los registros implicados.
Hoy respondería a la directora financiera con dos cosas: el valor que esperamos y las condiciones de las que depende. Si estuviéramos financiando una exploración, lo diría y describiría la decisión que ese aprendizaje permitirá tomar. Eso daría a la sala algo mejor que discutir que la preparación para el futuro.