La inteligencia artificial no fracasa en el piloto, lo hace después

La Argentina está ampliando su producción de petróleo y gas mientras proyecta una infraestructura energética de otra escala. Ese crecimiento obliga a discutir productividad, seguridad y competitividad. En ese contexto, la inteligencia artificial suele aparecer como una respuesta inmediata: nuevos asistentes, modelos más potentes, agentes capaces de ejecutar tareas y plataformas que prometen convertir los datos en decisiones. El problema es que incorporar una tecnología no equivale a transformar una operación.

Esa fue una de las conclusiones más consistentes del Digitalization in Oil & Gas Conference, realizado en Houston. Aunque las presentaciones abordaron modelos de IA, automatización, gemelos digitales, robótica y ciberseguridad, la conversación volvía una y otra vez al mismo lugar: muchas iniciativas funcionan durante el piloto y pierden impulso cuando tienen que convivir con la organización real.

Una frase proyectada durante la presentación de Brett Newton, de Chevron Phillips Chemical, resumió el problema: “La implementación no es la línea de llegada. Lo es la adopción sostenible”.

La distinción es decisiva. Un piloto se desarrolla en condiciones relativamente controladas. Tiene un equipo motivado, un alcance acotado, patrocinadores atentos y, muchas veces, datos que fueron preparados especialmente. Escalarlo expone todo lo que el experimento había dejado fuera: sistemas heredados, diferencias entre sitios, conectividad inestable, capacitación, soporte, resistencia al cambio y decisiones que nadie sabe con precisión quién debe tomar.

Por eso una demostración técnicamente exitosa puede terminar sin impacto económico. La tecnología responde, pero el proceso continúa igual. Los usuarios consultan la nueva herramienta y luego vuelven a la planilla. El sistema recomienda una acción, pero nadie tiene autoridad para ejecutarla. La automatización ahorra tiempo, aunque ese tiempo nunca se convierte en mayor producción, menor riesgo o una decisión mejor.

Existe además una tentación comprensible: comenzar por la herramienta más novedosa y luego buscar dónde aplicarla. En IA, esa lógica suele expresarse como una carrera por utilizar el modelo más reciente. Sin embargo, una tarea predecible puede resolverse mejor con reglas, analítica tradicional o un modelo pequeño. Una consulta compleja puede necesitar un modelo más avanzado.

La arquitectura correcta no es la que incorpora más IA, sino la que resuelve el problema con el nivel adecuado de costo, control y precisión. Lo que nos gusta llamar “Implementación ética de la Inteligencia Artificial”. Cuidar el consumo de tokens de modo que, cuando el costo de estos suba, su uso no se convierta en un problema en sí mismo.

La pregunta inicial debería ser más incómoda: ¿vale la pena conservar este proceso? Automatizar una secuencia innecesaria solo permite hacer más rápido algo que no debería hacerse. Antes de digitalizar hay que eliminar pasos, aclarar el resultado esperado y decidir qué parte del trabajo seguirá requiriendo criterio humano.

Después de 17 años desarrollando soluciones a medida aprendí que la adopción no puede delegarse al usuario al final del proyecto. Se diseña desde el comienzo. Depende de comprender cómo se trabaja realmente, no solo cómo está descripto el procedimiento; de integrar la solución con las fuentes de información existentes; y de definir quién será responsable cuando el equipo que la construyó ya no esté.

También exige cambiar la manera de medir el éxito. La salida a producción es un hito técnico, no un resultado de negocio. A los seis o doce meses habría que observar cuántas personas usan efectivamente la solución, qué pasos dejaron de hacerse, cuánto mejoró el tiempo del ciclo, cuántas excepciones requieren intervención manual, y si el beneficio sigue existiendo. Una adopción alta tampoco alcanza si el proceso no crea valor.

Esto tiene una consecuencia para quienes conducen las empresas. La transformación digital no puede quedar encerrada en tecnología. Operaciones debe ser dueña del resultado; finanzas debe ayudar a verificarlo; seguridad debe intervenir según el riesgo; y las personas que realizan el trabajo tienen que participar antes de que la solución esté definida. Cuando cada área aparece al final para aprobar lo que otra decidió, el piloto acumula fricción y la escala se vuelve improbable.

La industria energética argentina tiene una oportunidad singular. Puede incorporar capacidades que hace pocos años no existían y aplicarlas sobre una expansión concreta de activos, infraestructura y producción. Pero también corre el riesgo de construir un archipiélago de pilotos: herramientas interesantes, desconectadas entre sí y dependientes de las personas que las impulsaron.

La discusión relevante ya no es si las compañías utilizarán inteligencia artificial. Es qué decisiones cambiarán gracias a ella, quién responderá por esas decisiones y qué evidencia demostrará que la mejora sobrevivió al entusiasmo inicial.

La innovación empieza con una prueba. La transformación comienza cuando esa prueba modifica, de manera sostenible, la forma de trabajar.