IA-first es una disciplina, no un eslogan

En algún punto entre el lanzamiento de ChatGPT y la última presentación de resultados, «IA-first» dejó de ser una afirmación técnica y se convirtió en un disfraz. Empresas que venden lavadoras, seguros y servicios contables se describen ahora como IA-first, a menudo sin un solo modelo en producción. La expresión es casi gratis. La disciplina operativa que hay detrás, no. Este artículo trata de la disciplina: qué debería significar IA-first, por qué importa a empresas corrientes y qué aspecto tiene cuando se hace con honestidad.

Qué debería significar «IA-first»

Una empresa IA-first no es la que menciona la IA a cada rato. Es aquella en la que la inteligencia se trata como un material de diseño: se tiene en cuenta al principio de cualquier decisión sobre un producto o un proceso, se evalúa con el mismo rigor que cualquier otra elección de ingeniería y se usa solo donde ayuda de forma demostrable.

Tres rasgos separan la verdadera práctica IA-first de la decoración:

1. Empieza por el trabajo, no por los modelos. La unidad de análisis es una tarea concreta —un ticket de soporte, un seguimiento comercial, una evaluación de riesgos— y la pregunta es si un modelo cambia su coste, su velocidad o su calidad.
2. Tiene bucles de evidencia. Las afirmaciones sobre el valor de la IA se contrastan contra una línea base, no contra demos.
3. Mantiene a las personas como responsables. Los modelos recomiendan, redactan y automatizan; las personas deciden, aprueban y responden por el resultado.

Ninguno de estos rasgos exige tener un producto de IA que vender. Exigen un sistema de gestión que trate la IA como una infraestructura corriente con propiedades poco corrientes.

Lo que está en juego ya no es hipotético

Es fácil descartar la IA como puro ruido si solo lees material de marketing. La evidencia que viene del trabajo corriente es más difícil de apartar con un gesto.

• La adopción fue más rápida que la de cualquier tecnología anterior. ChatGPT alcanzó unos 100 millones de usuarios en los dos meses siguientes a su lanzamiento en 2023, la adopción de consumo más rápida de la que hay registro. El uso no demuestra valor de negocio, pero redefinió lo que los clientes esperan que haga el software.
• El desarrollo de software cambió de forma medible. En un experimento aleatorizado de 2023 en GitHub, los desarrolladores que usaban GitHub Copilot completaron una tarea un 55.8% más rápido que un grupo de control (arXiv:2302.06590). La programación fue la primera categoría de trabajo de conocimiento en la que el efecto sobre la productividad se midió en un estudio controlado en lugar de afirmarse.
• La atención al cliente cambió de forma medible. Un estudio de 2023 sobre una herramienta de atención al cliente (Brynjolfsson, Li y Raymond, NBER working paper 31161) encontró que un asistente de IA generativa elevó los casos resueltos por hora alrededor de un 14% de media, y cerca de un 34% entre los trabajadores con menos experiencia. El detalle importante es quién ganó más: el modelo comprimió la curva de aprendizaje, no solo la mecanografía.
• El capital fue detrás. Microsoft informó de que su negocio de IA superó en 2024 un ritmo de ingresos anuales de 10.000 millones de dólares —que describió como el negocio que más rápido había alcanzado esa escala en la historia de la compañía—, y las mayores empresas tecnológicas apuntaron a decenas de miles de millones en inversión de capital relacionada con la IA para 2025. Pienses lo que pienses de la burbuja, los presupuestos son reales.

No son cifras de ciencia ficción. Son efectos de productividad y de coste medidos dentro del trabajo corriente de soporte y de ingeniería. Para una empresa que no es una empresa de IA, la pregunta estratégica no es por tanto «¿deberíamos construir un producto de IA?», sino: «¿nuestra curva de costes, la calidad de nuestras respuestas y nuestra velocidad aguantarán el ritmo de competidores que reestructuran el mismo tipo de trabajo que hacemos nosotros?».

Por qué fracasan la mayoría de las iniciativas «IA-first»

El fallo habitual no es técnico. Es organizativo y sigue un patrón reconocible:

1. Comprar suscripciones, añadir un chatbot a la web y declarar la victoria. Nada más cambia.
2. Hacer un piloto en todas partes y no medir en ninguna. Sin una línea base y una métrica, un piloto es una demo con fecha límite.
3. Confundir la compra de modelos con la estrategia. La elección de proveedor se convierte en toda la conversación, mientras que el trabajo real que el modelo debería mejorar nunca se rediseña.
4. Sin responsable y sin partida presupuestaria. El trabajo de IA vive en unas diapositivas que no son de ningún departamento y se muere de inanición en el hueco entre TI, producto y operaciones.
5. El miedo a quedarse atrás lleva a atribuirse capacidades que no están en producción.

El hilo común es tratar la IA como una compra en lugar de como un cambio en la forma de trabajar. Por eso el «teatro de la IA» —diapositivas impresionantes, nada en producción— es tan frecuente, y por eso es tan barato de producir.

Cómo hacer IA-first bien

Lo que sigue no es una receta de cinco pasos hacia la transformación. Es un conjunto de hábitos operativos que hemos visto sobrevivir al contacto con presupuestos reales.

1. Elige el trabajo antes de elegir el modelo

Elige tareas frecuentes, caras y llenas de criterio: triaje, redacción, resumen, enrutado, primera revisión. Define la métrica antes de construir nada: tiempo de gestión, coste por ticket, tasa de defectos, conversión. Mide primero la línea base. Si no sabes nombrar la métrica, no estás listo para empezar; si el modelo no puede moverla de forma plausible, elige otra tarea.

2. Trata los modelos como piezas intercambiables

Los modelos de frontera mejoran rápido y los precios caen más deprisa de lo que la mayoría de las empresas actualiza sus planes. Actúa en consecuencia:

• Aísla las llamadas a modelos detrás de una interfaz interna pequeña, para que cambiar de proveedor sea un cambio de configuración y no una reescritura.
• Evalúa con tus propias muestras de tareas, no con clasificaciones que miden otra cosa.
• Repite la evaluación de forma periódica; el mejor modelo del año pasado puede ser la segunda opción de este año.
• Considera modelos pequeños o abiertos cuando importen las reglas sobre los datos, la latencia o el coste; la frontera no siempre es la respuesta correcta.

La dependencia de un proveedor es una decisión que puedes simplemente negarte a tomar.

3. Rediseña el bucle, no solo la interfaz

Las mayores ganancias vienen de cambiar cómo se reparten el trabajo las personas y los modelos, no de sustituir un formulario por una ventana de chat. Decide dónde redacta el modelo y dónde aprueba una persona; fija umbrales de confianza; diseña rutas de escalado. La persona responsable del resultado debe ser identificable en cada paso: por razones legales, regulatorias y prácticas, alguien tiene que responder por resultados de los que un modelo no puede responder.

4. Invierte en la infraestructura de datos y de evaluación

Los modelos mejoran rápido, pero tu capacidad de saber si están mejorando para ti tiene que mejorar aún más rápido. Eso significa registrar cada llamada en producción con etiquetas de resultado, construir conjuntos de referencia a partir del uso real, capturar la retroalimentación de los usuarios donde exista y mantener un equipo pequeño responsable de la evaluación. La mayoría de los proyectos de IA que fracasan lo hacen aquí: saben hacer demos, pero no saben medir.

5. Diseña para el fallo probabilístico

Un modelo es un colega júnior rápido, seguro de sí mismo y equivocado de vez en cuando. Construye para eso:

• Valida las salidas contra esquemas siempre que sea posible.
• Añade alternativas y reintentos; que el fallo de un modelo nunca tumbe un flujo de trabajo.
• Vigila el coste y la latencia por llamada con el mismo cuidado que las tasas de error.
• Fija presupuestos y alertas; el gasto en modelos se acumula más rápido de lo previsto.

Trata las respuestas incorrectas como una clase de incidente contra la que hay que diseñar, no como una sorpresa que descubrir.

6. Organízate para ello

Dale al trabajo de IA un único responsable con un presupuesto real. Mantén pequeño el equipo central. Incrústalo en las unidades de negocio donde ocurre el trabajo de verdad. Eleva el nivel mínimo de alfabetización en IA de toda la empresa, incluidos los directivos, que deberían saber distinguir una evaluación de una demo. Revisa el avance cada trimestre contra métricas de negocio y sé honesto en los informes públicos sobre lo que no funcionó. Las empresas que se ganan la confianza con la IA son las que informan de los fracasos con la misma naturalidad que de los éxitos.

Qué aspecto tiene hacerlo bien

Vista desde fuera, una empresa IA-first es casi aburrida. La IA no está en la nota de prensa; está en el flujo de trabajo. Los tiempos de respuesta del soporte bajan sin que aumenten las quejas por calidad. Los desarrolladores dedican más tiempo a diseñar y menos a repetir código. La evaluación de riesgos, la cualificación de oportunidades comerciales o la revisión de documentos muestran curvas de coste unitario a la baja trimestre tras trimestre, respaldadas por informes de evaluación que un externo podría auditar.

Las empresas que ganen con la IA no serán las del mejor eslogan. Serán las del mejor bucle de retroalimentación: un problema claro, una línea base medida, un modelo dentro del bucle con una persona responsable y la disciplina de seguir iterando cuando el primer intento se queda corto. IA-first no es una afirmación sobre la ambición de tu empresa. Es una afirmación sobre su sistema operativo, y esa afirmación hay que ganársela con evidencia.