La inteligencia artificial ya llegó a la gestión de activos: diagnóstico de fallas, priorización de trabajos, análisis de historial. La carrera por adoptarla es real. Lo que también es real: cada vez más implementaciones deficientes que generan errores, frustración y expectativas equivocadas sobre lo que esta tecnología puede aportar.
Conversamos con Francisco Labastida, especialista en automatización de procesos con inteligencia artificial, sobre por qué las implementaciones que fallan casi nunca fallan por el modelo, sino por el diseño alrededor del modelo.
Cargar el sistema con más instrucciones puede empeorar los resultados
El punto medio entre controlarlo todo y dejar que la IA "resuelva sola"
Sin datos confiables, no hay inteligencia que alcance el objetivo
Francisco Labastida
Fundador de Oraneta
Francisco lleva más de 20 años liderando iniciativas de transformación en organizaciones globales. Su trayectoria comenzó en finanzas, auditoría y control interno, y evolucionó hacia la construcción de soluciones de automatización con inteligencia artificial.
Un error común es intentar que la IA resuelva un proceso completo cargándola con todo: reglas de negocio, procedimientos, excepciones y decenas de condiciones especiales.
"La lógica parece razonable: entre más información tenga el modelo, mejores serán los resultados. Pero en la práctica no siempre ocurre así", advierte Labastida. El efecto es el contrario: "Conforme aumentan las instrucciones también aumentan las posibilidades de contradicción, ambigüedad y pérdida de contexto".
Pensemos en esa priorización de trabajos que mencionábamos al inicio: si el sistema opera con cuarenta reglas que nadie verificó entre sí, dos de ellas van a chocar sin que nadie lo note hasta que un activo crítico quede mal priorizado.
Otro error frecuente es tratar a la IA como un sistema tradicional. Algunas implementaciones controlan cada respuesta posible con estructuras rígidas; otras dejan todo abierto esperando que el modelo resuelva solo.
Ambos caminos fallan: lo rígido produce respuestas artificiales y poco útiles; lo abierto, interpretaciones inconsistentes. Para Francisco, "el reto consiste en diseñar procesos donde exista un equilibrio entre contexto, flexibilidad y control".
La inteligencia artificial no reemplaza a los sistemas de información: los necesita. "La IA puede analizar, interpretar, resumir y comunicar información de forma extraordinaria, pero necesita trabajar sobre datos bien organizados", señala. En mantenimiento esto es directo: con un historial de fallas incompleto o mal cargado, ningún modelo va a diagnosticar bien, por sofisticado que sea.
Su conclusión no deja lugar a dudas: "Pretender que un único prompt sustituya sistemas completos rara vez produce buenos resultados".
Nota del entrevistador: Desde Barcelona veo en la industria la misma carrera que describe Francisco: organizaciones que adoptan inteligencia artificial porque está de moda, no porque identificaron un proceso concreto que puede ejecutarse mejor. Su planteo conecta con algo que venimos escuchando en las notas que publicamos: la tecnología acelera, pero no reemplaza la estrategia. La diferencia entre una implementación exitosa y una problemática casi nunca está en el modelo, sino en la calidad de los datos, las validaciones y la supervisión.
Para resumir: Las implementaciones deficientes de inteligencia artificial no son un problema de tecnología, sino de diseño: instrucciones sobrecargadas que se contradicen, sistemas demasiado rígidos o demasiado libres, y datos desorganizados sobre los que ningún modelo puede trabajar bien. Las que funcionan comparten una característica: entienden claramente qué problema están resolviendo.
Como dice Labastida: "El riesgo no está en la IA. El riesgo está en implementarla sin entenderla."
Te invitamos a visitar nuestra web para leer más artículos como este » Elreliabilitypost
