“¿Y si le ponemos IA a esto?”. Esta frase lleva tres años circulando en demos. Funciona en todas partes porque realmente se puede enchufar un LLM a cualquier cosa. Conectable no significa útil. En la mayoría de los casos en los que se utiliza, un regex, una regla de negocio o un join SQL ya hacían el trabajo, mejor y por mil veces menos.

Cinco situaciones en las que veo proyectos de IA que no tenían razón de ser.

Clasificación cuando las categorías son estables

Su departamento de atención al cliente recibe correos electrónicos y tiene que dirigirlos a los departamentos adecuados. Un comercial le ofrece un LLM para clasificar los correos electrónicos.

La pregunta es: ¿son las categorías estables y están bien definidas? Si es así, un clasificador entrenado en 200-500 ejemplos etiquetados (o incluso un conjunto de reglas basadas en palabras clave) hace el trabajo con una precisión del 90-95%, prácticamente sin coste de inferencia y con una explicabilidad total (se sabe exactamente por qué un correo electrónico ha sido clasificado en una categoría determinada).

Un LLM cuesta entre 10 y 100 veces más por solicitud para un resultado similar. Y tienes menos control sobre el comportamiento de las fronteras.

La IA generativa es útil para la clasificación cuando las categorías son vagas, numerosas o cambian con frecuencia. Para categorías estables y bien definidas, son mejores las soluciones tradicionales.

Extraer datos estructurados de un formato conocido

Extraiga importes, fechas y nombres de documentos.

Un parser regex o estructurado lo hace perfectamente en formatos conocidos. Es predecible, comprobable y determinista. Un LLM también puede hacerlo, pero con el riesgo de alucinar valores numéricos precisos (fechas, cantidades), y a un coste mayor.

La excepción: documentos no estructurados en formatos muy variables (contratos escritos en lenguaje natural, correos electrónicos). Aquí es donde LLM añade valor. Para facturas o formularios con un formato conocido, un analizador sintáctico estructurado es superior.

Buscar en una base de datos ya bien estructurada

Su catálogo de productos tiene 10.000 referencias. Alguien te sugiere que añadas un LLM con fines de investigación.

Si tus referencias están en una base de datos relacional con atributos bien definidos (categoría, color, talla, precio), una búsqueda SQL o Elasticsearch es más rápida, precisa, transparente e infinitamente más barata.

LLM aporta valor para la búsqueda en lenguaje natural de contenidos no estructurados (documentación, artículos, correos electrónicos). Para las búsquedas sobre atributos estructurados, gana el motor de búsqueda clásico.

Generar contenidos de gran volumen sin corrección humana

Su equipo de marketing quiere “generar descripciones de productos con IA” para acelerar la producción.

Uso legítimo cuando un humano corrige antes de la publicación. Un caso de uso arriesgado cuando el resultado se publica directamente en línea. La diferencia entre ambos casos no está en la herramienta, sino en el proceso de corrección, que puede existir o no a posteriori. Sin este paso, estás publicando errores de hecho en tus propios productos, sin ni siquiera saberlo.

El escollo: medir la ganancia de productividad en la generación sin medir el coste de la revisión y las correcciones. A menudo, la ganancia neta es inferior a la demostración sugerida.

El chatbot de RAG sobre documentación ya mal mantenida

“Pongamos un chatbot en nuestra base de conocimientos para que los empleados puedan encontrar información más fácilmente”

Si su base de conocimientos está bien estructurada y mantenida, un motor de búsqueda eficiente (Elasticsearch, Typesense) suele ser más preciso, menos costoso y más predecible que un RAG. Los chatbots RAG son útiles cuando la documentación es voluminosa y variada, y las preguntas son abiertas. Son menos útiles cuando las preguntas son objetivas y las respuestas se encuentran en documentos claramente identificables.

Y si su base de conocimientos no está bien mantenida, el chatbot RAG reproducirá y amplificará las incoherencias. Es un problema de organización, no de tecnología.

La IA como solución de último recurso

La IA es la solución de último recurso. No por una cuestión de principios: por una cuestión de disciplina de auditoría. Antes de apuntarse a un proyecto, hay que haber eliminado dos alternativas. La regla de negocio determinista, que ha funcionado durante treinta años en el mismo tipo de problema. Y la reorganización de procesos, que a veces resuelve el problema sin una sola línea de código. Si se han examinado y descartado estas dos opciones, entonces merece la pena hablar de LLM. De lo contrario, estás haciendo AI por AI, y estás pagando dos veces: la factura de la API, más la deuda técnica de no haber buscado algo más simple.