Cuando no hace falta la IA
La IA ayuda cuando hay volumen recurrente, datos claros y una ganancia medible. Pero a menudo se añade "porque todo el mundo lo hace" - y obtienes coste extra, riesgo y ruido en lugar de resultado. Abajo - casos prácticos de cuándo no hace falta la IA, y qué hacer en lugar de un modelo.
- Sin volumen - la tarea es rara; el trabajo manual es más barato y rápido
- Sin datos - el caos en documentos y procesos solo empeora con un modelo
- Se necesita garantía - dinero, hechos legales, seguridad, vida y salud
- Reglas rígidas - if/else, validadores y scripts superan a un LLM
- Regla - primero proceso y métrica, después el modelo
La IA es una herramienta, no una capa obligatoria
Un modelo es bueno en borradores, clasificación, búsqueda semántica y sugerencias al operador. Sustituye mal un brief claro, datos limpios y la responsabilidad humana de la decisión.
Un error típico en 2026: comprar "IA para el producto" sin responder tres preguntas - qué volumen, qué métrica de éxito, quién responde del error. Sin respuestas, la IA se convierte en un adorno caro de la arquitectura.
Cuándo definitivamente no hace falta la IA
1. La tarea es rara y barata a mano
Si una acción ocurre una vez por semana y tarda 10-15 minutos, automatizar con LLM suele costar más en implantación y soporte. Compara: coste de integración + tokens + control de calidad frente a horas del empleado al año.
2. El proceso aún no está descrito
No hay protocolo, no hay fuente única de verdad, las respuestas en el chat contradicen el FAQ. La IA no "pondrá orden" - escalará la confusión. Primero el mapa del proceso, después la automatización.
3. Necesitas un resultado determinista
Comprobar un NIF/CIF, calcular impuestos, estado de pago, derechos de acceso, cumplimiento del esquema API - eso es reglas y tests. Un LLM es probabilístico: la misma entrada puede dar otra salida. Para garantías usa código, validadores y workflows - no un prompt.
4. El coste del error es demasiado alto
Promesas legales al cliente, conclusiones médicas, transacciones financieras sin confirmación, seguridad de la infraestructura. Un copilot con humano puede valer; el piloto automático sin escalado, no.
5. Hay pocos datos o están sucios
RAG sobre tres PDF anticuados y páginas dispersas de Notion da respuestas seguras pero incorrectas. Primero limpia la base de conocimiento: versiones de documentos y dueños del contenido.
6. Ya existe una solución simple
Búsqueda en catálogo, filtros, plantillas de correo, macros de soporte, un informe SQL, n8n sin LLM. Si una herramienta clásica cubre el 80% de los casos - no compliques el stack por una demo.
7. Nadie es dueño de las métricas
Sin baseline (tiempo de respuesta, tasa de error, coste por ticket) no sabes si la IA ayudó. "Se siente más inteligente" no es un KPI. Necesitas cifras antes y después.
Qué hacer en lugar de la IA
| Situación | Mejor empezar con |
|---|---|
| Caos en procesos | Protocolos, checklists, roles |
| Respuestas repetidas | FAQ, plantillas, macros |
| Integraciones y estados | API, colas, workflow (n8n y similares) |
| Búsqueda en catálogo | Búsqueda y filtros decentes |
| Analítica | SQL / BI, no "pregúntale al chat" |
| A veces hacen falta borradores | Un copilot acotado, sin envío automático |
A menudo el mejor camino es: simplificar el proceso → automatizar reglas → añadir IA solo en un punto estrecho donde el texto o la clasificación ahorran tiempo de verdad.
Cómo saber en un día si necesitas IA
- Lista 20 tareas reales del último mes.
- Marca cuántas se repiten y consumen >30 minutos por semana en total.
- Comprueba: ¿hay datos limpios y un criterio claro de "correcto / incorrecto"?
- Evalúa el riesgo de error: ¿se puede revertir o hace falta un humano?
- Si el volumen es bajo, los datos están sucios o el riesgo es alto - pospone el modelo.
Un piloto sin métrica es un experimento por el experimento. Un piloto con baseline y criterios de parada es una forma sensata de probar la hipótesis.
Conclusión
No hace falta la IA cuando no hay volumen, no hay datos, se necesita una garantía dura o una regla simple ya resuelve la tarea. Primero proceso, datos y métrica - después el modelo en un escenario acotado con control de calidad. Si no, pagas tokens y soporte mientras la ganancia se queda en la presentación.
Si necesitas una evaluación honesta de dónde la IA aportará en tu producto o soporte - y dónde basta un protocolo y automatización sin LLM - contacta conmigo.
Preguntas frecuentes
¿"No hace falta la IA" significa que la IA no sirve?
No. La IA ayuda a escala: borradores, FAQ, clasificación, RAG sobre una base limpia, copilots de operador. El punto es no poner un modelo donde las reglas, la rareza o el coste del error lo hacen innecesario.
¿Se puede empezar con IA y ordenar procesos después?
Normalmente no. Un modelo amplifica el estado actual. Si los procesos son caóticos, la automatización acelera el caos. Primero un orden mínimo y una fuente de verdad, después un piloto estrecho.
¿Qué sustituye a la IA en soporte al inicio?
FAQ, plantillas de respuesta, macros, estado vía API y escalado claro. Eso suele cubrir la primera línea. Añade IA cuando haya muchos tickets típicos y la base de conocimiento ya sea estable.
¿Cuándo la IA está justificada incluso con alto riesgo?
Como ayuda al humano, no como auto-respuesta final. Borradores, destacar riesgos, buscar en reglamentos - sí. Envío automático al cliente sin revisión - no, hasta tener controles estrictos y auditoría.
¿Cómo explicar al cliente que la IA aún es pronto?
Con cifras: volumen de tareas, coste de implantación, riesgo de error y qué aporta ya un workflow simple sin LLM. Propón etapas: orden → reglas → piloto de IA en un escenario con métrica. Eso parece maduro, no "anti-progreso".