Cualquiera puede presentar un piloto de IA, pero casi nadie es capaz de mantenerlo en producción durante cinco años.
En 2026, cualquier proveedor de tecnología podrá presentar un impresionante proyecto piloto de IA a una empresa de servicios públicos alemana. Un modelo que clasifica las reclamaciones, otro que detecta anomalías en las lecturas y un tercero que resume la documentación normativa. Las demostraciones tienen muy buena pinta, los primeros resultados son prometedores y las expectativas crecen rápidamente.
El problema surge meses más tarde, cuando alguien pregunta quién se encargará de gestionar ese modelo en fase de producción, bajo qué marco de gobernanza, con qué costes recurrentes y bajo qué controles normativos. Ahí es donde fracasan la mayoría de los proyectos piloto. No porque la IA no funcione, sino porque el proyecto piloto nunca se diseñó para llegar a la fase de producción.
En una empresa de servicios públicos alemana, esa distancia entre la fase piloto y la producción es especialmente grande. Los sistemas críticos, como SAP IS-U, FI-CA, Powercloud y los procesos de comunicación con el mercado, operan bajo la supervisión de la BSI, el RGPD, la normativa KRITIS y el control continuo de la Bundesnetzagentur. Una fase piloto que ignore esta realidad no es una fase piloto: es una demostración.
«Un piloto de IA no es un proyecto. Es una promesa. Y las promesas no superan las auditorías».
Por qué la mayoría de los pilotos de IA nunca llegan a la fase de producción
Hay cinco razones recurrentes por las que un proyecto piloto de IA en una empresa de servicios públicos fracasa antes de llegar a la fase de industrialización.
01 · Ausencia de gobernanza desde el primer día
Sin una definición clara de quién está sujeto a auditoría, cómo se documentan las decisiones y qué controles se aplican, el proyecto piloto no supera el primer contacto con el departamento de cumplimiento normativo.
02 · Base de datos deficiente
Los proyectos piloto basados en conjuntos de datos artificiales o parciales fracasan cuando se enfrentan a datos reales de SAP IS-U que contienen errores en los datos maestros, contratos heredados e integraciones acumuladas.
03 · Falta de integración con el ecosistema
Un modelo que no se integra con FI-CA, CRM, el portal del cliente o MaKo genera un valor aislado y supone una carga operativa: un sistema más que mantener.
04 · Sin capa de MLOps
Un modelo de producción requiere un reentrenamiento, supervisión de desviaciones, alertas de degradación y planes de reversión. La mayoría de los proyectos piloto no incluyen esa capa porque nadie la ha presupuestado.
05 · No hay ningún criterio por parte de los mayores para detenerse a tiempo
Muchos pilotos siguen adelante durante meses después de haber demostrado ya que el proyecto no es escalable, porque nadie quiere admitir que el caso de uso era erróneo. Detenerlo a tiempo ahorra más que el coste de la exploración.
✓ Lo que realmente funciona
Descubrimiento conjunto → proyecto piloto breve con métricas documentadas → decisión rigurosa de seguir adelante o no → industrialización con MLOps. Un cierre disciplinado distingue un programa serio de una mera recopilación de pruebas de concepto.
El modelo de industrialización que funciona
Todo comienza con un análisis técnico y normativo conjunto en el que participan el socio, el departamento de TI, el departamento de cumplimiento normativo y las áreas de negocio. En esta fase, el equipo define qué procesos se ven afectados, qué datos se utilizan, qué restricciones normativas se aplican y qué indicadores miden el éxito. Sin este paso, el proyecto piloto parte por el camino equivocado.
A continuación, se lleva a cabo una breve fase piloto, de entre cuatro y ocho semanas, con unos indicadores acordados por escrito antes de su inicio. No hay promesas de ampliación automática. Nada de «a ver si funciona». Indicadores claros, presupuesto cerrado y fecha de decisión fija.
A continuación, se lleva a cabo una rigurosa evaluación de «seguir adelante» o «abandonar». Si se cumplen los parámetros, el proyecto piloto pasa a la fase de industrialización. De lo contrario, se documentan las conclusiones, se cierra el caso y el programa pasa al siguiente candidato. Este cierre disciplinado es precisamente lo que distingue a un programa de IA serio de una mera recopilación de pruebas de concepto.
Por fin llega la industrialización con MLOps. El modelo se implementa con supervisión de desviaciones, procesos de reentrenamiento, alertas de deterioro, planes de reversión y responsables asignados. La solución se documenta para su auditoría desde el primer día, no seis meses después.
Quién se encarga de mantener el modelo en producción es tan importante como quién lo fabrica
En las empresas de servicios públicos alemanas, la pregunta que pocos clientes plantean al inicio de un proyecto de IA y que todos deberían plantearse es: ¿quién se encargará del mantenimiento de este modelo dentro de tres años? Si la respuesta es «un equipo que ya no estará aquí», el proyecto está condenado al fracaso antes incluso de empezar.
La IA aplicada a la producción requiere equipos estables que conozcan el ámbito, el sistema, los datos y el contexto normativo. Es precisamente aquí donde la baja rotación de personal y la continuidad de los consultores sénior dejan de ser un eslogan de RR. HH. para convertirse en una variable operativa que determina si el programa de IA sobrevive o fracasa.
Dónde encaja Principal33
En Principal33 combinamos el AMS en los sistemas centrales (SAP IS-U, FI-CA, Powercloud) con una línea de negocio de datos e inteligencia artificial (IA) independiente de la IA concreta, a cargo de equipos «nearshore» de la región DACH, con amplia experiencia y que hablan alemán. Esto significa que el mismo equipo que mantiene los sistemas centrales en producción es el que diseña, pone a prueba e industrializa la IA en torno a ellos. La continuidad del modelo y la continuidad del equipo son lo mismo.
Además, la disciplina de «seguir adelante/no seguir adelante» entre la fase piloto y la industrialización forma parte de nuestro modelo de ejecución. No vendemos proyectos piloto sin un plazo definido ni nos limitamos a decir «ya veremos qué pasa». Vendemos programas de IA que llegan a la fase de producción —o que concluyen con métricas y aprendizajes documentados—.
El cambio de perspectiva
Para una empresa de servicios públicos alemana que está evaluando su estrategia de IA, la pregunta relevante ya no es «¿funciona el proyecto piloto?». Casi cualquier proveedor puede demostrarlo. La pregunta que distingue los programas de IA serios de la mera «teatralización» de la IA es más compleja: «¿Quién va a mantener este modelo en producción dentro de tres años, y con qué equipos?». Cuando la respuesta es «las mismas personas que lo están desarrollando ahora», la probabilidad de éxito del programa cambia por completo.
