Casi todas las empresas que han probado la inteligencia artificial tienen la misma historia: una demostración que impresionó a todo el mundo en una sala, y que medio año después seguía siendo eso, una demostración. El piloto funcionaba. Lo que nunca llegó fue el paso a producción — que el sistema operase de verdad, todos los días, sobre el negocio real.

Conviene entender por qué ocurre, porque el motivo casi nunca es el que se supone.

El piloto no falla por el modelo

La intuición habitual es que faltó tecnología: un modelo mejor, más potencia, otro proveedor. Rara vez es eso. El modelo, en la demo, ya hacía lo que tenía que hacer.

Lo que falla está debajo. Una demo se monta sobre un caso preparado: unos datos limpios elegidos a mano, un par de ejemplos que salen bien, un técnico al lado que conoce los atajos. Producción es lo contrario — el dato real, desordenado y disperso; los accesos a los sistemas que de verdad usa la empresa; y nadie al lado para improvisar cuando algo no encaja. El piloto no cruza ese puente porque el puente no estaba construido.

Lo que de verdad detiene a un piloto

Cuando una prueba de IA no escala, suele toparse con tres muros, y ninguno es el modelo:

  1. El dato no está donde la IA puede usarlo. En España, entre las empresas que ya usan IA, una de las barreras que más se repite es la disponibilidad de los datos — junto con la falta de personal y el coste [Fuente: Banco de España, EBAE, Boletín Económico 2025/T2, https://www.bde.es/wbe/en/publicaciones/analisis-economico-investigacion/boletin-economico/2025t2-articulo-06-la-adopcion-de-la-inteligencia-artificial-en-las-empresas-espanolas-un-primer-analisis-basado-en-la-ebae.html]. Si el dato vive repartido en hojas de cálculo, correos y la cabeza de tres personas, la IA no lo puede leer de forma fiable, por bueno que sea el modelo.
  2. Los accesos no están documentados. Para que la IA opere —no que conteste, sino que haga— necesita conectarse a los sistemas reales: el de pedidos, el de facturación, el servidor donde está la información. Eso exige tener escrito, de forma estructurada, qué sistemas hay, qué hace cada uno y quién puede tocar qué. En la demo se saltó ese trabajo; en producción es inevitable.
  3. No hay forma de saber qué hizo ni por qué. En cuanto el sistema actúa sobre el negocio, alguien tiene que poder revisar qué decidió, con qué datos y bajo qué criterio. Sin ese rastro, nadie se atreve a dejarlo suelto — y el piloto se queda en piloto, justamente por prudencia.

Los tres muros tienen algo en común: no se resuelven con más tecnología, sino ordenando lo que hay debajo. A esa base la llamamos que el negocio sea operable por IA: documentado de tal forma que un sistema de IA pueda leerlo y actuar sobre él sin un técnico traduciendo en cada paso.

Qué tiene un sistema que sí llega a producción

La diferencia entre una demo y un sistema que corre todos los días no se ve en la pantalla: está en lo que hay detrás. Operamos un sistema de IA en producción en un sector regulado (sanidad alemana), y lo que lo sostiene no es un modelo distinto, sino la base [Fuente: GENAI AREDEZ, referencia técnica, https://strahlkraft40plus.de]. Los datos están gobernados —se sabe cuáles entran, cómo se tratan, cuáles se bloquean—; los accesos están documentados; y cada actuación deja rastro. Esa base es la que permite que el sistema no solo funcione una vez en una sala, sino que opere de continuo y resista una auditoría.

No es casualidad ni mérito de un modelo concreto. Es la consecuencia de haber hecho primero el trabajo que la mayoría de los pilotos se salta.

Por qué esto, además, le ahorra el doble trabajo

Hay un motivo extra para hacer ese trabajo desde el principio. La misma base que lleva un piloto a producción es la que la ley europea va a pedirle si su sistema es sensible: el Reglamento de IA exige, para los sistemas de alto riesgo, procedimientos formales de gestión de datos y de trazabilidad [Fuente: Reglamento (UE) 2024/1689, art. 17, EUR-Lex, 2024, https://eur-lex.europa.eu/eli/reg/2024/1689/oj]. Es decir: ordenar el dato y los accesos para que la IA opere es, a la vez, lo que le permitirá demostrar que la controla. Una sola inversión, dos resultados — y la razón de fondo es que sin gobierno del dato no hay IA que escale.

Qué hacer con esto

Si tiene un piloto encallado, antes de cambiar de modelo o de proveedor conviene mirar debajo: ¿está el dato donde la IA puede usarlo?, ¿están los accesos documentados?, ¿queda rastro de lo que hace? En nuestro método ese es el primer trabajo, y no es un proyecto enorme: empieza por un departamento y por dejar por escrito lo que hoy vive disperso.

El piloto que impresionó no fracasó por falta de inteligencia artificial. Le faltó el suelo sobre el que apoyarse.