Cuándo usar IA en un proyecto y cuándo no: criterios prácticos

Desde que los LLMs se hicieron accesibles vía API, me llegan variantes de la misma pregunta: "¿Podemos meterle IA a esto?". La respuesta honesta casi siempre es "depende". Y ese depende tiene criterios muy concretos que uso antes de recomendar (o descartar) una integración con IA.

Cuándo sí tiene sentido

1. Cuando el problema es de lenguaje natural

Si el flujo incluye interpretar texto libre — emails de soporte, comentarios de usuarios, documentos internos — un LLM puede aportar valor inmediato. Clasificación, extracción de datos, resúmenes, traducción contextual. Aquí la IA no es un capricho, es la herramienta correcta.

2. Cuando buscas en datos no estructurados

RAG (Retrieval-Augmented Generation) es probablemente el caso de uso con mejor ratio esfuerzo/resultado ahora mismo. Si tienes documentación dispersa, manuales técnicos o bases de conocimiento que la gente no consulta porque "es imposible encontrar nada", un sistema de búsqueda semántica con embeddings cambia las reglas.

3. Cuando la tarea es repetitiva pero requiere "juicio blando"

Hay tareas que no se pueden resolver con un if/else pero tampoco justifican un equipo dedicado. Evaluar si un ticket de soporte es urgente, categorizar productos con descripciones inconsistentes, generar borradores de respuestas. La IA brilla en esa zona gris entre lo determinista y lo humano.

Cuándo no tiene sentido

1. Cuando necesitas resultados deterministas

Si tu sistema debe devolver siempre el mismo resultado para la misma entrada, no metas un LLM. Cálculos financieros, validaciones legales, lógica de negocio crítica. Un LLM no es determinista por naturaleza y añadirle IA a algo que funciona con reglas claras es complicar lo simple.

2. Cuando el volumen no justifica el coste

Las APIs de LLM cuestan dinero. Si tu caso de uso procesa 50 registros al día y un script de Python con regex lo resuelve en 200ms, no necesitas un modelo de 70 mil millones de parámetros. El ROI tiene que tener sentido.

3. Cuando no tienes datos de calidad para evaluar

Integrar IA sin métricas de evaluación es como lanzar código sin tests. ¿Cómo sabes si el modelo funciona bien? Si no puedes definir qué es "una buena respuesta" y medirlo, no estás haciendo ingeniería — estás haciendo fe.

4. Cuando lo haces por marketing

"Nuestra plataforma con IA" vende bien en un pitch deck. Pero si la integración es forzada, los usuarios lo notan. Un chatbot que no entiende nada frustra más que un formulario bien diseñado.

Mi checklist antes de integrar

Antes de proponer IA en un proyecto, me hago estas preguntas:

1. ¿Qué problema concreto resuelve? Si no puedo explicarlo en una frase, mala señal.
2. ¿Existe una solución más simple? Regex, reglas, un dropdown bien pensado.
3. ¿Puedo medir si funciona? Necesito métricas antes de empezar.
4. ¿Qué pasa cuando falla? Porque va a fallar. ¿Hay fallback?
5. ¿El coste tiene sentido? Tokens, latencia, complejidad de mantenimiento.

Si las cinco respuestas son satisfactorias, adelante. Si no, probablemente hay una solución mejor sin IA.

---

La IA es una herramienta extraordinaria. Pero como cualquier herramienta, usarla donde no toca no te hace innovador — te hace imprudente. El criterio técnico para saber cuándo no usar algo es igual de valioso que saber cuándo usarlo.