Discovery primero. Operación cuando vale la pena.

La preparación para IA se mide en siete dimensiones: infraestructura de datos, capacidades técnicas, estrategia de negocio, equipo y cultura, automatización de procesos, gobernanza de IA y presupuesto. Una empresa lista no es la que tiene más tecnología, es la que tiene sus datos accesibles, sus procesos documentados y una decisión de negocio clara detrás de la inversión. La evaluación de preparación para IA de IQ Source mide esas siete dimensiones en 21 preguntas y unos cinco minutos, y devuelve un informe en PDF con el puntaje por dimensión.

Un discovery de IA es una fase de diagnóstico que mapea cómo trabaja una empresa de verdad, puntúa cada proceso por riesgo, impacto y complejidad, y produce una recomendación priorizada antes de escribir una línea de código. Se hace primero porque implementar sin diagnóstico es la forma más cara de aprender qué no había que construir: el flujo que se automatizó no era el cuello de botella, el agente no tenía acceso al conocimiento que hacía falta, o el caso de negocio no se sostenía. Un discovery de dos meses cuesta una fracción de un proyecto de implementación equivocado.

La automatización tradicional sigue reglas fijas: si pasa X, haz Y. Sirve cuando el proceso es predecible y las excepciones son pocas. Un agente de IA maneja ambigüedad: interpreta contexto, decide con información incompleta y escala a un humano cuando no está seguro. La diferencia práctica es el costo de operarlo. Un agente requiere definir límites de autonomía, umbrales de confianza y medición de la calidad de sus decisiones. Cuando el proceso es predecible, la automatización clásica es más barata, más rápida y más fácil de auditar.

Un AI Maestro es el perfil que se sienta entre el negocio y los agentes de IA. Hace tres cosas: arqueología de procesos, que mapea los flujos reales y el conocimiento tribal que ningún manual recoge; diseño de agentes, que define los límites de autonomía, las reglas de escalamiento y los umbrales de confianza; y calibración de riesgos, que traza la línea entre autonomía total y revisión humana. No requiere escribir código: requiere conocer el negocio a fondo y entender qué puede y qué no puede hacer un modelo hoy.

Los proyectos de IA suelen fracasar por razones que no son técnicas. Las tres más comunes: se automatizó un proceso que no era el cuello de botella, los datos que el sistema necesitaba estaban dispersos o sucios, y el equipo que iba a usarlo nunca participó en el diseño. Las tres se detectan antes de construir, mapeando el proceso real y midiendo la preparación de la organización. Por eso un diagnóstico previo cambia más el resultado que la elección del modelo.