Según RAND Corporation, que entrevistó a 65 científicos e ingenieros de datos con experiencia para un informe de 2024 sobre por qué fracasan los proyectos de inteligencia artificial, más del 80% de esos proyectos no entrega lo esperado, el doble de la tasa de fracaso de los proyectos de tecnología comunes que no involucran IA.
La causa más citada por los entrevistados no fue la capacidad de cálculo del modelo ni el presupuesto. Fue elegir mal el problema: equipos que persiguen una tecnología que suena impresionante en lugar de resolver una tarea de negocio ya cuantificada, con dueño y con una métrica clara de éxito.
Esto importa porque la tentación de la empresa suele ser siempre la misma: tomar la tarea más visible —la que el director va a recordar en la reunión trimestral— e intentar automatizarla primero. Es justo esa tarea la que suele fracasar. La pregunta correcta no es "qué impresiona más", sino "qué tipo de trabajo ya resuelve bien la IA de hoy". Y hay investigación reciente que responde a eso con una precisión poco común.
Dónde la IA ya es buena
La Organización para la Cooperación y el Desarrollo Económicos publicó, en mayo de 2026, un índice que mide la distancia entre lo que exigen casi 900 ocupaciones —en nueve capacidades cognitivas, sociales y físicas— y lo que la IA actual realmente entrega. Cuanto menor la distancia, mayor la exposición: más cerca está ese tipo de trabajo de lo que la IA ya sabe hacer bien.
El resultado es claro. En dominios como creatividad, la distancia medida fue de apenas 0,1; en lenguaje, 0,4; en conocimiento y memoria, 0,5. En dominios como interacción social, resolución de problemas y metacognición —la capacidad de evaluar el propio razonamiento— la distancia sube a 1,1 en cada uno. La manipulación fina de objetos físicos queda en 0,7.
En el nivel de las ocupaciones el patrón se repite: funciones de facturación, mecanografía, contabilidad y captura de datos aparecen con una distancia cercana a cero, es decir, casi todo lo que hacen ya es del tipo que la IA de hoy resuelve bien. Las ocupaciones de servicio comunitario y social quedan en el otro extremo, con una distancia de 6,4; las ocupaciones jurídicas y de enseñanza, en 5,8.
La OCDE es explícita sobre lo que este índice no dice: no es una predicción de cuántos empleos van a desaparecer. Es un mapa de dónde la capacidad técnica de hoy ya alcanza al trabajo; el resto depende de la adopción, el costo, la regulación y la elección de cada empresa. Para quien decide qué automatizar primero, ese mapa vale más que cualquier caso de éxito: muestra dónde la probabilidad de acertar ya es alta antes incluso de empezar.
Por qué falla la tarea vistosa
Según el Foro Económico Mundial, en su informe de 2025 sobre el futuro del trabajo —encuesta a más de mil empresas en 22 sectores y 55 economías—, el 40% de los empleadores ya planea reducir equipo en funciones que la IA puede automatizar. Es un número que empuja la decisión hacia el lado equivocado: cuando la meta declarada es "reducir personal", la tarea elegida tiende a ser la más visible, no la más adecuada.
El problema es que la tarea visible —responder cualquier pregunta de un cliente, redactar toda la propuesta comercial desde cero, decidir sola si aprueba un crédito— casi siempre exige justamente las capacidades donde la distancia medida por la OCDE es mayor: juicio sobre el contexto, responsabilidad por la consecuencia, comprensión de una situación única. Un agente —un asistente que ejecuta una tarea en etapas, no solo responde una pregunta— puede ayudar bastante en esas situaciones, pero rara vez puede asumirlas solo de principio a fin.
El efecto colateral es el peor posible: el intento ambicioso fracasa de forma visible, el equipo pierde confianza en la IA en general, y la empresa deja de intentar incluso en las tareas repetitivas y bien definidas donde el resultado sería casi seguro. Una automatización fallida cobra dos veces: el tiempo perdido en el proyecto y el escepticismo que deja para el siguiente intento.
Lo que tiene que existir en la práctica
Una buena tarea para automatizar tiene cuatro marcas verificables, y valen tanto para un guion sencillo como para un agente más sofisticado.
Ocurre muchas veces. Si la tarea aparece una vez por trimestre, el tiempo de diseñar, probar y revisar el proceso cuesta más que la propia tarea. El volumen es lo que paga la inversión.
El criterio de acierto es claro. Existe una respuesta correcta, un formato esperado, un estándar objetivo con el cual comparar el resultado. Cuando lo "correcto" depende de la opinión personal o del humor del día, la IA se equivoca sin que nadie pueda señalar exactamente por qué.
La información necesaria ya existe en algún lugar. Documento, hoja de cálculo, sistema, historial de conversación: no depende de adivinar un contexto que solo está en la cabeza de una persona específica.
El error es barato de corregir. Cuando algo sale mal, alguien lo nota rápido y el costo de arreglarlo es pequeño. Una tarea cuyo error solo aparece meses después, o cuyo error es caro de deshacer, pide aprobación humana antes de cualquier acción, no automatización directa.
Cuando una tarea falla en cualquiera de estas cuatro marcas, el camino correcto no es forzar la automatización total: es darle a la IA un papel de apoyo, con aprobación humana en el punto de riesgo, costo visible por uso y un registro de auditoría de lo que se hizo. Así fue diseñada Skyller —aprobación según el riesgo y registro de cada acción como estándar, no como configuración adicional—, justo para las tareas que quedan a mitad de camino entre "automatizar directo" y "ni vale la pena intentarlo".
La ganancia de elegir bien
El efecto de elegir bien la primera tarea no es solo "que funcione". Es lo que viene después. Una automatización exitosa en la tarea correcta genera confianza medible: el equipo ve el tiempo ahorrado, el gerente ve el error que dejó de ocurrir, y la próxima tarea candidata llega con menos resistencia.
Esto también cambia el tipo de trabajo que le queda a las personas. Cuando el volumen repetitivo sale del escritorio de alguien —conciliar una hoja de cálculo, responder la misma duda por centésima vez, llenar el mismo formulario—, el tiempo liberado no se convierte en ocio: se convierte en espacio para el juicio que solo una persona puede ejercer, justo las tareas que la OCDE mide como más distantes de la capacidad actual de la IA. Una automatización bien elegida no compite con el equipo; libera al equipo para hacer la parte que la IA todavía no hace.
Para las empresas de Latinoamérica esto importa aún más: el equipo suele ser reducido, cada persona acumula funciones, y un intento de automatización que fracasa de forma visible cuesta caro en confianza justo donde menos tiempo sobra para reconstruirla.
Una guía para empezar
Antes de elegir la próxima automatización, vale la pena repasar esta lista con el equipo que hace el trabajo día a día.
- Enumeren las tareas que cualquier persona del equipo repite, sin excepción, todos los meses. Si nadie recuerda una tarea parecida la semana pasada, no tiene volumen suficiente para justificar la inversión.
- Pregunten si existe una forma correcta y una incorrecta de hacer eso. Si la respuesta es "depende de quién lo haga", el criterio de acierto todavía no está lo bastante claro.
- Confirmen dónde está la información necesaria. Si la respuesta es "solo en la cabeza de una persona", la tarea no está lista: primero documenten, después automaticen.
- Calculen cuánto cuesta un error y cuánto tarda alguien en notarlo. Un error caro o lento de detectar pide aprobación humana a mitad de camino, no automatización de principio a fin.
- Empiecen por la tarea más aburrida de la lista, no por la más vistosa. Es contraintuitivo, pero es justo donde la probabilidad de éxito es mayor, y donde el equipo notará la ganancia primero.
