Casi la mitad de los proyectos de IA no llega a producción. Los que sí lo consiguen comparten un patrón, y en SATEC lo hemos visto de cerca formando parte de varios consorcios europeos de innovación, con socios y reglas de juego distintos en cada uno, y en casi todos repetimos el mismo papel: el del dato, cómo se recoge, cómo se traza, cómo se audita de origen a decisión.

EARTHONE es uno de ellos. Cuenta con 17 socios, seis pilotos en distintos ecosistemas europeos y una condición: cada dato que entra al sistema queda trazado, de origen a decisión. Nosotros lideramos esa parte del consorcio, la del ciclo de vida del dato.  

Ese nivel de exigencia no es todo lo habitual que debería en un proyecto corporativo de IA agéntica. Gartner lleva más de un año explicando por qué eso importa. Y es que más del 40% de estos proyectos se cancelará antes de que acabe 2027, por coste, valor poco claro y controles de riesgo que llegaron tarde, o no llegaron. 

El dato circula desde hace meses. Aunque a nosotros nos interesa más la otra mitad, la del 60% que sobrevive y sí llega a producción. 

Qué tienen en común los proyectos de IA que SÍ llegan a producción 

El orden en que se hicieron las cosas es lo que tienen en común los proyectos de IA que sí llegan a producción. 

Un agente que automatiza tickets de soporte y otro que revisa contratos de forma autónoma, en principio, no se parecen en nada. Lo único en común es que ambos empezaron por definir qué decisión toma el sistema, con qué datos y quién responde si se equivoca. Caso de uso medible primero, gobernanza incorporada desde el diseño, y el modelo, después. 

Imagina ahora dos empresas del mismo sector que deciden automatizar la revisión inicial de contratos con un agente: 

• La primera arranca definiendo una única métrica: bajar el tiempo medio de revisión de cuatro días a uno, sobre un lote acotado de contratos tipo. Da acceso al agente solo a esa documentación, deja los casos ambiguos en manos de una persona y asigna un responsable claro de revisar los fallos cada semana. A los tres meses, el dato está ahí para defenderlo delante de cualquier comité, y el proyecto se amplía a otro tipo de contrato y va creciendo de manera orgánica y progresiva. 

• La segunda quiere mejorar su ROI rápidamente. Conecta el agente a todo el repositorio documental, sin distinguir qué puede leer y qué no, y lo deja decidir sobre casos que antes revisaba siempre una persona. Funciona bien en la demo. Tres meses después, nadie puede explicar cuánto ha ahorrado, legal pregunta quién autorizó el acceso a ciertos contratos, y el proyecto se congela mientras se resuelve. No ha fallado el modelo. Ha fallado no saber, desde el primer día, qué se iba a medir y quién tenía que decir que sí. 

Aprendizajes al implantar IA en nuestros equipos 

Antes de hablar de gobernanza en proyectos de cliente, lo aprendimos puertas adentro. Algunas cosas se repiten tanto que ya las damos por norma interna: 

1. Un piloto que impresiona en una demo, pero no cambia el trabajo de nadie. La adopción llega cuando el equipo ve que la herramienta le quita una tarea concreta que le aborrecía hacer, no cuando se anuncia en una reunión general. 

2. Sin un responsable claro por caso de uso, la IA se queda en tierra de nadie. No basta con que “IT lo gestione”. Cada agente o asistente necesita a alguien del equipo que lo usa, con autoridad para decir qué funciona y qué no, y tiempo asignado para hacerlo. 

3. Si no se ofrece una herramienta gobernada, la gente usa la que tiene a mano generando ‘shadow IT’. Y eso pasa más rápido de lo que cualquier plan de adopción prevé. Si el equipo encuentra una IA generativa vía navegador antes de que exista una opción interna, ahí se quedará; pegando fragmentos de código, contratos o datos de cliente en herramientas sobre las que no hay ningún control. 

4. Los casos con impacto directo no son los más vistosos. El agente que resume actas o clasifica incidencias genera menos titulares que uno que “razona”, pero es el que se usa todos los días. Ahí es donde se nota el retorno en el tiempo invertido. 

Dónde estamos viendo llegar los proyectos de IA a producción

• Con bancos y operadores, los agentes que sobreviven no sustituyen el core, sino que lo orquestan. Miden, de forma más eficiente, lo que ya se medía antes de que existiera el agente (tiempos, volumen, errores) así que nunca hace falta inventar una métrica para justificarlos. 

• Con industria y administración pública se repite el mismo patrón en otro formato: RAG sobre documentación técnica o normativa. Las fuentes están acotadas y son auditables, y eso hace que cerrar la gobernanza antes de lanzar sea mucho más rápido. 

Y luego está la capa que casi nunca sale en una demo, la del gobierno del dato. Lenta de construir, poco vistosa, y la que decide si el resto (agentes, RAG o lo que venga después) tiene dónde apoyarse. La base de todo lo demás. 

Antes de aprobar el siguiente proyecto 

¿Qué número vas a enseñar dentro de seis meses si esto funciona? ¿Quién firma cuando el agente decide algo que no debería? ¿El dato que va a usar está gobernado hoy, o “ya se verá”? 

Si no tienes las tres respuestas, el proyecto no va a fallar por el modelo. Va a fallar por el orden. 

Es lo que estamos viendo en los proyectos de IA que llegan a producción: el modelo importa menos de lo que parece.