Quizá no necesites IA generativa

Cada semana alguien nos busca con la misma frase: "queremos poner IA generativa en el proceso X". Y, con cierta frecuencia, la respuesta honesta es: no la pongas. No porque la IA no funcione — vivimos de esto —, sino porque el proceso X, mirado de cerca, es una regla clara esperando ser automatizada a la manera clásica: más barata, más predecible y 100% auditable.

Este artículo es el criterio que usamos internamente para decidir cuándo la IA generativa entra en un proyecto — y cuándo solo estaría encareciendo la cuenta.

01La pregunta que empieza mal

"¿Dónde pongo IA generativa?" ya parte de una decisión tomada: la de que la respuesta es un LLM. Es el martillo buscando un clavo. La pregunta que cambia el resultado es otra: ¿cuál es la cosa más simple que resuelve este problema? A veces la respuesta es un LLM. Muchas veces, es un if bien escrito.

02Cuando una regla lo resuelve mejor

Si tu proceso sigue una regla clara y estable — "si la factura coincide con el pedido, concíliala; si no, márcala" —, la automatización determinística le gana al LLM en todo lo que importa: es barata (sin costo por token), predecible (la misma entrada produce siempre la misma salida) y 100% auditable (cada decisión se puede explicar leyendo el código).

Practicamos lo que predicamos: uno de nuestros productos de monitoreo es enteramente determinístico, sin LLM — y por honestidad no lo llamamos IA. Una regla que resuelve no necesita credencial de IA para trabajar bien.

03Cuando el LLM se gana su lugar

Existe un territorio donde la regla clásica sufre y el LLM brilla: lenguaje y ambigüedad. Texto libre de clientes, documentos sin estructura, interpretación de contexto, resúmenes, borradores. Ahí, escribir reglas para cada caso se vuelve una guerra perdida — y un modelo de lenguaje hace en segundos lo que al equipo le tomaría horas.

Pero incluso ahí entra con cinturón de seguridad: en modo copiloto (la IA propone, una persona aprueba), con bloqueo para datos sensibles y un rastro auditable de lo que se hizo. Un LLM suelto en producción no es innovación — es un pasivo.

04El costo que nadie pone en la diapositiva

La IA generativa tiene tres costos que la demo no muestra. El token: cada llamada cuesta, y el costo crece con el volumen — lo que era centavos en el piloto se vuelve factura en el despliegue. La varianza: la misma pregunta puede generar respuestas diferentes, lo que exige revisión humana o evaluación automatizada. Y la gobernanza: alguien tiene que monitorear, medir y responder cuando el modelo se equivoca.

Nada de esto es motivo para no usar un LLM — es motivo para usarlo donde paga su propio costo. No le arrojes un LLM a un problema de hoja de cálculo.

05La prueba de lo más simple

Nuestro criterio interno cabe en tres líneas. ¿Regla clara y estable? Automatización determinística — y sé honesto al respecto. ¿Lenguaje, ambigüedad, excepciones que cambian cada día? LLM en modo copiloto, con bloqueo y rastro. ¿En duda? Empieza por lo determinístico, mide, y solo sube a IA cuando la evidencia lo pida — porque el camino inverso (apagar un LLM caro que no necesitaba existir) es bastante más vergonzoso.

Y en cualquiera de los casos: mide, no estimes. Costo en tokens de un lado, horas devueltas del otro. Lo que no se mide se vuelve opinión — y la opinión no sostiene un presupuesto.

06Por qué un proveedor diría esto

Un proveedor que vende LLM para todo tiene un incentivo obvio: un proyecto de IA factura más que una regla de negocio. Nosotros preferimos el incentivo de largo plazo: el 98% de los clientes vuelve, y vuelven porque la recomendación fue honesta la primera vez. Donde hay IA, la señalamos. Donde una regla lo resuelve mejor, lo decimos — y no te cobramos un LLM por eso.

Si las respuestas apuntan a una regla, celebra: acabas de ahorrarte un proyecto de IA. Si apuntan a un LLM, excelente también — ahora entra por el motivo correcto, con el control correcto.