Tu software no está listo para la IA: por qué la demo funciona y producción falla

La conversación que se repite

En los últimos meses hemos tenido versiones de la misma reunión con founders de rubros completamente distintos. El guión es casi idéntico: queremos implementar IA. ¿Para qué proceso? Todavía no lo tenemos claro, pero sabemos que tenemos que hacerlo.

No es una mala intención. Es ansiedad. Nadie quiere quedarse afuera de algo que parece estar redefiniendo las reglas, pero muy pocos saben por dónde empezar.

El problema es que cuando finalmente empiezan, se encuentran con algo que nadie les había advertido.

---

El número que nadie quiere ver

Un estudio reciente de MAS Analytics muestra que solo el 3,6% de las empresas logra escalar IA con retorno medible. El resto está atrapado entre el miedo a quedarse atrás y la incapacidad de traducir ese miedo en algo concreto que funcione.

Ese 96% no está fallando por elegir el modelo equivocado ni por falta de presupuesto. Está fallando antes: en la base sobre la que intenta montar la IA.

---

La demo funciona. Producción falla. ¿Por qué?

Imagina que contratas a un chef de primer nivel y lo mandas a cocinar a una cocina donde los ingredientes están en tres heladeras distintas sin etiquetas, la mitad de las hornillas no funcionan y la receta está en un papel que solo entiende el cocinero anterior que ya no trabaja ahí.

Eso es lo que le pasa a un agente de IA cuando se monta sobre un sistema mal estructurado.

La situación típica que encontramos:

• Datos de clientes distribuidos en tres sistemas que no se comunican entre sí.
• Historial de pedidos en un ERP con una API antigua sin documentación.
• Lógica de negocio enterrada en código que solo entendía el dev que ya no está.
• Procesos críticos que dependen de un Excel que alguien actualiza a mano.

Y sobre eso quieren montar un agente que tome decisiones en tiempo real.

El agente funciona en la demo porque la demo usa datos limpios y controlados. En producción se encuentra con el caos real, y ahí falla. No por culpa del modelo — por culpa de lo que hay debajo.

El agente no inventa infraestructura: la usa. Si la infraestructura es un desastre, el agente amplifica ese desastre.

---

La pregunta que cambia todo

La mayoría de las empresas se hace la pregunta equivocada: ¿cuándo adoptamos IA?

La pregunta útil es otra: ¿nuestro software está en condiciones de que la IA funcione encima, o necesitamos adaptarlo primero?

Esta distinción no es semántica. Define si vas a gastar presupuesto en algo que va a funcionar o en algo que va a quedar como una demo cara que nadie usa en producción.

---

Qué significa tener la base lista

No hace falta un sistema perfecto. Hace falta un sistema que cumpla cuatro condiciones mínimas:

Datos accesibles y confiables. Un agente opera sobre datos. Si esos datos están fragmentados o desactualizados, el agente toma decisiones basadas en información incorrecta. No necesitas un data warehouse de nivel enterprise — necesitas que los datos relevantes para el proceso que quieres automatizar sean consultables programáticamente y estén al día.

Lógica de negocio documentada y explícita. Si las reglas de tu negocio viven en la cabeza de tres personas o en fórmulas de Excel que nadie mantiene, el agente no puede aplicarlas. Lo que no está formalizado no se puede automatizar.

Integraciones en una capa separada. Cuando la lógica de integración está enterrada dentro de la lógica de negocio, cambiar una cosa rompe la otra. Las integraciones deberían vivir en su propia capa — como enchufes estandarizados, no como cables soldados al sistema.

Autenticación y permisos resueltos. Un agente que actúa en nombre de usuarios necesita saber qué puede hacer y qué no. Si los permisos no están modelados en el sistema, el agente opera sin límites — o no puede operar en absoluto.

Cuando estas cuatro condiciones están resueltas, agregar un agente, conectar una API de Anthropic o integrar un modelo nuevo no requiere rehacer el sistema. Se conecta y funciona.

---

Cómo se ve esto en la práctica

Un ejemplo concreto: trabajamos con una empresa cuyo equipo de operaciones quería un agente conversacional para consultar el estado de órdenes y generar reportes sin depender del equipo técnico.

El primer diagnóstico mostró que el estado de las órdenes se actualizaba en dos sistemas distintos que no estaban sincronizados, y que la lógica de estados tenía excepciones que solo conocía una persona del equipo. Antes de conectar cualquier modelo de IA, había que resolver eso.

Lo que se hizo:

// Antes: lógica de estado dispersa en múltiples módulos
// Cada módulo actualizaba el estado directamente en la base de datos
await db.query(`UPDATE orders SET status = 'shipped' WHERE id = ${orderId}`);

// Después: una capa de dominio que centraliza la lógica
// El agente llama a esta capa — no a la base de datos directamente
await orderService.updateStatus(orderId, OrderStatus.SHIPPED, { triggeredBy: agentId });

El cambio parece pequeño. La diferencia es que ahora hay un único punto donde vive la lógica de estados, con validaciones, trazabilidad y permisos. El agente puede operar sobre eso con confianza. Antes, no podía.

Una vez ordenada la base, el agente conversacional se integró en semanas — no meses. Y cuando el cliente quiso agregar un segundo modelo para análisis de documentos, no hubo que tocar la lógica de negocio. Se conectó a la misma capa.

Ordenar la base no retrasa la adopción de IA — la hace posible.

---

Qué hacer ahora

Si estás evaluando implementar IA en algún proceso de tu empresa, estas tres acciones tienen más impacto que elegir el modelo correcto:

1. Mapea el proceso que quieres automatizar y pregúntate: ¿los datos que necesita ese proceso son consultables programáticamente hoy? Si la respuesta es no o depende, ese es el primer problema a resolver.

2. Identifica dónde vive la lógica de negocio de ese proceso. Si está en la cabeza de alguien, en un Excel o en código que nadie entiende, documentarla y formalizarla es el paso previo a cualquier automatización.

3. Antes de contratar un proveedor de IA, haz una auditoría técnica rápida de tu sistema actual. No necesitas una consultoría de seis meses — necesitas saber si tus integraciones están en una capa separada o enterradas en la lógica de negocio. Esa respuesta define si vas a poder conectar algo nuevo sin romper lo que ya funciona.