¿En cuánto habíamos quedado que costaba al principio?
La pregunta sale en obra. En compras. En inventarios. Y casi nunca tiene respuesta a la mano.
La IA cotizó perfecto.
Ese era el problema.
Una empresa ya había automatizado sus cotizaciones.
La idea era simple. Si entra un pedido, que el sistema arme el precio solo.
Al poco tiempo empezaron los reclamos.
Clientes molestos. Vendedores discutiendo con bodega. Una cotización decía una cosa y la factura otra.
Fuimos a ver qué había debajo.
El sistema tomó la lista más ordenada
El modelo estaba bien.
La lista de precios no.
Había cuatro versiones. Una en el sistema. Otra en un Excel. Otra en el correo del proveedor. Otra en la cabeza del vendedor con más años.
Nadie había marcado cuál era la vigente.
Ni desde cuándo. Ni quién la había cambiado. Ni qué incluía.
La IA tomó una. La más ordenada. También la más vieja.
Y la ejecutó exactamente como se le pidió. Rápido. Consistente. Automático.
El proveedor ya había subido el acero. El sistema seguía cotizando como si nada.
El vendedor había dado un descuento por teléfono. El sistema nunca lo vio.
Bodega entregaba con otros costos. Nadie los había cargado.
Nadie marcó cuál era la buena
No es un problema de ia para empresas en general.
Es un problema de vigencia.
Sobran versiones. Falta una que mande.
Pasar de como usar chatgpt a dejarlo cotizar cambia todo.
Un taller de chatgpt para empresas sirve para redactar. No para fijar precios.
Para fijar precios necesitas fecha. Dueño. Alcance.
Sin eso, automatizar es repartir el error más rápido.
El reporte del MIT lo pone en el contexto de por qué la mayoría falla con IA.
Su informe The GenAI Divide, State of AI in Business 2025, habla de 95% de organizaciones sin retorno medible. Con una inversión estimada de 30 a 40 mil millones de dólares.
El dato viene de más de 300 iniciativas revisadas. 52 organizaciones entrevistadas. 153 directivos consultados en encuesta.
Otros textos del mismo MIT matizan. El valor sí aparece cuando el cambio es chico y queda dentro del flujo. Lo llaman small t transformations.
Traducido. Menos piloto gigante. Más decisión concreta con dato vigente.
Fuera de la empresa la gente desconfía del primer número.
Quien sigue una preventa en Interlomas junta números que no coinciden.
La página de Living Interlomas trae una cifra de una etapa. El PDF del asesor trae otra. El chat repite otra.
Por eso nadie firma sin preguntar cuál sigue vigente.
En su vida personal exige vigencia. En su empresa deja que la IA elija sola.
Lo que yo pregunto antes de automatizar
Soy extremadamente dispersa.
Por eso mi equipo me armó lo que yo llamo mi niñera diaria. Cada mañana me dice qué debo. Qué es urgente. Qué no se puede caer.
Sin esa lista yo también decidiría con la versión vieja.
La pregunta útil no es qué tarea podemos automatizar.
La pregunta útil es qué decisiones estamos tomando con un dato vencido porque revisar todo tardaría demasiado.
Eso es lo que se revisa en una consultoria en inteligencia artificial antes de hablar de modelos.
No cuánto más rápido trabaja alguien. Cuánto mejor lo hace.
La IA no me dio más tiempo libre. Trabajo más que nunca. Lo que cambió es que soy mejor en mi trabajo.
Porque automatizar no limpia una mala decisión. A veces nada más la convierte en sistema.
La IA multiplica tu criterio. No reemplaza la parte donde tienes uno.
Antes de automatizar cualquier cosa yo preguntaría una sola cosa. ¿Puedo confiar en el número con el que esta IA va a decidir?
Si la respuesta es no, el modelo es el menor de tus problemas.
Si quieres ver dónde está eso en tu empresa, es justo lo que buscamos en un TRiAGE.
