La fiebre de IA en los CEOs

La conversación sobre IA en las empresas ya dejó de girar solo en torno al producto. Ahora también se metió en la cabeza de los CEOs, y no siempre para bien. El problema no es que hablen de IA; el problema es cuando la IA se vuelve una especie de respuesta automática para cualquier pregunta de negocio, aunque no exista un caso de uso claro, una métrica de impacto ni una base técnica sólida.

El artículo de TechCrunch sobre la supuesta “AI psychosis” en CEOs usa un tono provocador, pero el fondo es bastante serio: hay compañías que están confundiendo narrativa con estrategia. Dicho de otra forma, están vendiendo la idea de que “hacemos IA” antes de definir qué problema resuelven, para quién, con qué datos y a qué costo. Y cuando eso pasa, el daño no se queda en una presentación para inversionistas. Se filtra al roadmap, al diseño de producto, a la arquitectura y a las prioridades del equipo.

Cuando la IA se vuelve discurso y no estrategia

Hay una diferencia grande entre usar IA como herramienta y usar IA como relato corporativo. En el primer caso, la tecnología entra para resolver algo concreto: reducir tiempos de soporte, clasificar documentos, sugerir respuestas, detectar fraude o automatizar tareas repetitivas. En el segundo, la IA aparece como etiqueta para sonar moderno, atraer capital o competir en una junta donde nadie quiere parecer atrasado.

Ese salto de “tenemos un problema” a “necesitamos IA” es uno de los errores más comunes que vemos en empresas de todos los tamaños. En startups latinoamericanas pasa mucho cuando el mercado está caliente y el CEO quiere mostrar tracción frente a inversionistas. En empresas más grandes, el patrón suele ser otro: el equipo directivo siente presión por no quedarse atrás frente a Microsoft, Google, OpenAI o cualquier competidor que aparezca con un demo llamativo.

El resultado es una especie de atajo mental. Si una herramienta tiene un modelo de lenguaje, entonces sirve. Si una función menciona copilots, agentes o prompts, entonces parece más avanzada. Pero una estrategia real no se mide por cuántas veces aparece la palabra IA en una presentación. Se mide por impacto en ingresos, retención, costo operativo, tiempo de entrega o calidad del servicio.

Señales de que estás viendo narrativa y no estrategia

Hay varias pistas que puedes detectar rápido. No necesitas acceso al board para notar que algo está desalineado.

1. El pitch habla más de la tecnología que del usuario.
2. No hay una métrica de éxito definida para el caso de uso.
3. El equipo no explica qué datos usa el sistema ni cómo se actualizan.
4. El roadmap incluye IA en todo, incluso donde una regla simple resolvería el problema.
5. Nadie puede responder cuánto cuesta operar esa función por mes.

Si una empresa dice que su producto ahora es “AI-first” pero no puede explicar qué parte del flujo mejora, probablemente está maquillando una apuesta estratégica débil con marketing técnico. Y eso suele durar poco cuando llegan las métricas.

Qué riesgos trae para producto y arquitectura

Cuando la obsesión por la IA entra por la puerta principal, el producto suele pagar la factura. La primera víctima suele ser la claridad. Se agregan funciones que suenan bien en una demo, pero que confunden al usuario real. Luego aparece el clásico problema de confianza: el sistema responde con seguridad aunque no tenga suficiente contexto, y el usuario termina sin saber cuándo confiar o cuándo verificar.

En producto, eso se traduce en fricción. Un flujo que antes era simple ahora depende de una capa de interpretación, prompts, reintentos y validaciones. Si el valor no supera ese costo cognitivo, el usuario abandona. Y si el error es caro, como en salud, finanzas o legal, el margen para improvisar es mínimo.

En arquitectura, el riesgo es todavía más serio. Muchas empresas están montando sistemas alrededor de modelos externos sin pensar en dependencia, latencia, privacidad o presupuesto. Un producto que parece barato en una demo puede volverse carísimo cuando pasa a producción y empieza a procesar miles de solicitudes al día.

El costo oculto de meter IA por obligación

No todo problema necesita un modelo generativo. A veces basta con búsqueda, reglas, clasificación tradicional o una buena UX. Meter IA por presión ejecutiva puede generar cuatro costos claros:

• Costo de cómputo: cada llamada a un modelo puede sumar centavos o más, y eso escala rápido.
• Costo de soporte: si el sistema alucina o responde ambiguo, el equipo de soporte recibe más tickets.
• Costo de mantenimiento: prompts, evaluaciones y guardrails también se versionan y se rompen.
• Costo reputacional: una mala respuesta en un producto visible puede erosionar confianza en días.

Si quieres ver una referencia práctica sobre cómo pensar estas capas, la documentación oficial de OpenAI sobre function calling y estructuración de salidas es útil para entender límites y patrones de integración: https://platform.openai.com/docs/guides/function-calling

También vale revisar la guía de Google sobre evaluación de sistemas de IA, porque una cosa es hacer un demo y otra operar un producto con métricas estables: https://cloud.google.com/vertex-ai/docs/evaluation/overview

El patrón del CEO que quiere IA en todo

No siempre se trata de ignorancia técnica. Muchas veces es presión de mercado. El CEO ve que competidores anuncian features con IA, los inversionistas preguntan por la estrategia de IA y el equipo comercial siente que necesita una historia más fuerte para cerrar contratos. En ese contexto, la tentación es convertir la IA en una respuesta universal.

El problema es que ese impulso puede distorsionar prioridades internas. Un equipo de producto empieza a reescribir funcionalidades que ya funcionaban bien solo para agregar un asistente. Ingeniería deja de atender deuda técnica real para correr detrás de un prototipo. Y diseño termina adaptando flujos a una tecnología que todavía no tiene estabilidad suficiente.

Eso no significa que la IA sea humo. Significa que una mala gobernanza la convierte en humo. La diferencia está en la disciplina: elegir casos de uso pequeños, medibles y repetibles antes de prometer una transformación total.

Tres preguntas que deberían hacerse antes de aprobar una apuesta de IA

Antes de decir sí, la dirección debería responder esto con números y no con adjetivos:

1. ¿Qué proceso exacto mejora y en cuánto tiempo?
2. ¿Qué métrica cambia si la IA funciona y cuál si falla?
3. ¿Cuánto cuesta operar la solución a 1.000, 10.000 y 100.000 usos mensuales?

Si no hay respuesta, probablemente no hay estrategia, solo entusiasmo. Y el entusiasmo sin límites suele generar pilotos que nunca llegan a producción.

Qué hacer si tú trabajas en producto o ingeniería

Si estás dentro de un equipo que siente esa presión desde arriba, no hace falta pelearte con el CEO. Hace falta traducir la conversación a términos operativos. En vez de discutir si la empresa “necesita IA”, conviene discutir qué problema concreto existe, qué alternativa no-IA ya probaste y qué ganancia real esperas.

Una buena práctica es obligar a cada iniciativa a pasar por un filtro mínimo. No para bloquear innovación, sino para evitar que el roadmap se llene de features que solo existen porque suenan bien en una keynote. En equipos serios, la pregunta no es “¿podemos usar IA?” sino “¿qué cambia si la usamos y qué pasa si no?”.

Un proceso simple para filtrar ideas de IA

Puedes usar esta secuencia antes de comprometer recursos:

1. Define el problema en una sola frase.
2. Mide la línea base actual, por ejemplo tiempo de resolución, tasa de error o costo por ticket.
3. Prueba primero la solución más simple posible.
4. Si IA sigue teniendo sentido, diseña un experimento con muestra pequeña.
5. Evalúa precisión, costo, latencia y satisfacción del usuario.
6. Decide si escala, se ajusta o se descarta.

Ese orden importa. Muchas empresas empiezan por el paso 4 y se saltan los anteriores. Ahí es donde nacen los productos que parecen modernos pero no resuelven nada.

Casos donde sí tiene sentido y dónde no

No toda crítica a la fiebre de IA debe terminar en cinismo. Hay escenarios donde el uso de modelos sí aporta valor claro. Por ejemplo, clasificación de soporte, extracción de datos de documentos, resúmenes internos, búsqueda semántica en bases grandes de conocimiento o asistencia para tareas repetitivas de redacción técnica. En esos casos, la IA puede ahorrar tiempo y mejorar consistencia.

Pero también hay escenarios donde el hype empuja mal. Si tu producto depende de respuestas exactas, auditables y estables, una capa generativa puede introducir más riesgo del que resuelve. Si el proceso ya funciona con reglas simples, meter un modelo solo añade complejidad. Y si el usuario necesita control total, una interfaz conversacional puede ser un paso atrás.

La clave está en evaluar el contexto. Una fintech en México, una startup de logística en Colombia y una empresa de servicios en Ecuador no tienen la misma tolerancia al error. Tampoco tienen el mismo presupuesto para cómputo, revisión humana y cumplimiento. Pensar que una misma receta sirve para todos es justamente el tipo de simplificación que la fiebre de IA suele producir.

Tabla resumen

La fiebre de IA en los CEOs no se cura con escepticismo vacío. Se cura con mejores preguntas. Si la dirección quiere apostar por IA, perfecto, pero debe hacerlo con métricas, límites y una idea clara de qué problema se resuelve. De lo contrario, el producto se llena de promesas y la ingeniería de deuda.

En mercados como los de Latinoamérica, donde cada dólar cuenta más y los equipos suelen ser más pequeños, la disciplina importa todavía más. No necesitas una estrategia que suene impresionante. Necesitas una que funcione, que sea mantenible y que no convierta a tu equipo en rehén de una moda ejecutiva.