Aminael Sánchez: "Solo el 2,5% de los proyectos de IA en productivo son exitosos"

En diálogo con IT NOW, el Arquitecto Principal de Soluciones de Inteligencia Artificial para Latinoamérica de AlfaPeople comparte una hoja de ruta esencial para que las organizaciones adopten la IA de manera estratégica, optimicen sus procesos de venta y atención al cliente, tomen decisiones basadas en datos y, sobre todo, eviten costosos desvíos que pongan en riesgo su inversión y su futuro.

En el marco del Festival de IA Costa Rica 2025, IT NOW conversó con Aminael Sánchez, Arquitecto Principal de Soluciones de Inteligencia Artificial para Latinoamérica de la empresa AlfaPeople, con la intención de trazar una hoja de ruta hacia esta tecnología para saber cómo las empresas encuentran su enfoque, evitan desvíos y aseguran el éxito.

¿Cuáles son esos primeros pasos imprescindibles para que una compañía trace una hoja de ruta de inteligencia artificial sólida y alineada con los objetivos del negocio?

Nosotros en AlfaPeople acompañamos a empresas en Latinoamérica para una adopción sin tropiezos. Antes de los pasos, quiero enfatizar la relevancia de una adopción estructurada: un error temprano puede ser muy costoso y generar un bloqueo desde la gerencia general, llevándonos hacia atrás en la carrera de la IA.

El primer paso fundamental es la creación de un consejo de IA dentro de la empresa. Este consejo debe evaluar qué tecnologías existen, sus costos, y la brecha entre la organización y la adopción. Lo más importante es que los casos de uso a implementar estén alineados con los objetivos del negocio. Es vital que la discusión no se limite al equipo de tecnología, sino que incluya a usuarios sponsor internos funcionales y a las cabezas pensantes del propio negocio. Sin esta conversación inicial, entrar en la moda de la adopción es un error.

¿Cómo pueden las compañías identificarlos y priorizarlos para generar valor real, sin dejarse llevar por la euforia de la "moda" y las últimas tendencias?

Totalmente. Es sumamente importante. Al inicio, hay que encontrar lo que llamamos la "fruta colgando bajo" o "ganancias tempranas", que se obtienen con casos de uso bien enfocados pero acotados. Debemos dar pasos tranquilos y organizados, sin querer correr antes de gatear.

La priorización se basa en varias métricas: La primera es cuán alineado está el caso de uso con los objetivos del negocio. ¿Está aportando valor real a la hoja de ruta de transformación digital? La segunda es el ROI (Retorno de la Inversión). Hay dos grandes tipos de ROI para proyectos de IA generativa: Ganancia tangible, es decir, ¿cuántas horas voy a devolver a mi equipo? La reducción de horas que los hace más productivos tiene un valor calculable. Y la ganancia intangible; facilitar la vida del equipo genera más compromiso y felicidad en el trabajo, lo cual impacta positivamente en toda la organización.

¿Qué errores comunes suelen cometerse al inicio de un proyecto de inteligencia artificial y cómo pueden mitigarse desde el primer piloto?

Mira, hay una cifra alarmante: solo aproximadamente el 2,5% de los proyectos de inteligencia artificial en productivo son exitosos. Esto se debe a la falta de estimación apropiada y la falta de alineación con los objetivos del negocio. En AlfaPeople, mitigamos esto con proyectos acotados, de 10 a 12 semanas, con reuniones semanales por sprint junto al sponsor interno para detectar desviaciones anticipadamente.

Otro error común es la falacia de creer que tenemos "oro en nuestros datos empresariales". En IA, la máxima es: "basura entra, basura sale". Si no se preocupan por tener fundamentos de gobierno de datos apropiados en la organización, no deben implementar inteligencia artificial. Hay que volver tres pasos atrás, buscar apoyo y generar un gobierno de datos apropiado para luego empezar a adoptar la IA. Muchas veces, la confianza excesiva en la calidad de nuestros datos lleva a implementaciones catastróficas. Por lo tanto, fundamentos de datos, gobierno de datos, proyectos acotados y KPIs medibles son una receta para el éxito.

Hoy se habla de inteligencia artificial generativa como la panacea, pero ¿en qué situaciones esta tecnología es realmente útil y qué enfoques alternativos recomendarías?

Siempre recomiendo el libro "El caso de negocios de la IA" ("The Business Case of AI"), que dice que por mucho poder transformador que tenga, su promesa de valor es tan grande como los problemas reales que logra resolver. No todos los problemas o ineficacias se solucionan con IA generativa. Hay problemas para la inteligencia artificial clásica (machine learning) o para simples automatizaciones con RPA.

¿Dónde sí vale la pena usar IA generativa? Para lograr dos cosas fundamentales...

Vea la entrevista completa

Le puede interesar: Festival IA 2025: Costa Rica vivirá una jornada única de inspiración, tecnología y visión práctica