Saltar al contenido
SwankyForge
SwankyForge
Todos los insights
Artículo10 min de lectura

Todavía no haga ML: cinco señales de que una regla, un informe o una hoja de cálculo superan a un modelo

Cinco condiciones en las que un proyecto de machine learning cuesta más de lo que devuelve, qué construir en su lugar y cómo saber cuándo un modelo empieza a compensar.

Muchos proyectos de machine learning que decepcionan no fallan por el modelo. Fallan antes de empezar el entrenamiento: nadie sabe decir lo bien que funciona el proceso actual, la decisión que tomaría el modelo vale unos cientos de dólares al mes, o la salida acaba en un dashboard que nadie abre. Las encuestas dicen lo mismo en agregado. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelen antes de finales de 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes. En la encuesta de McKinsey de 2025, el 39% de los encuestados declaró algún impacto de la IA en el EBIT a nivel de empresa, y la mayoría lo situó por debajo del 5%. El estudio de BCG de septiembre de 2025 encontró que el 5% de las empresas obtiene valor de la IA a escala y que el 60% declara mejoras mínimas de ingresos y costes pese a una inversión sustancial.

Nos ganamos la vida construyendo sistemas de ML, y aun así le diremos que no compre uno cuando una regla o un informe sea más barato. Esta nota enumera las cinco señales que comprobamos, qué significa cada una para el negocio y qué construir en su lugar.

La versión corta para quien firma el presupuesto

Qué. Cinco preguntas sobre su proceso, sus datos y su equipo. Si alguna respuesta es «no», probablemente un modelo no es el siguiente paso.

Cuándo. Hágalas antes de una fase de discovery, no después de una prueba de concepto. Responderlas lleva una tarde.

Coste de saltárselas. Una fase de discovery con un equipo externo suele costar 6k–14k € en 2–3 semanas, una prueba de concepto 14k–38k € en 4–7 semanas y un sistema de producción 45k–120k € en 10–20 semanas. Son nuestras franjas publicadas; otros proveedores tendrán otras, pero el orden de magnitud se mantiene. Una regla o un informe suele entregarse en días.

Riesgo. El resultado caro no es un modelo que falla. Es un modelo que funciona más o menos igual que una regla que podría haber escrito, y que ahora hay que reentrenar, monitorizar y pagar cada mes.

La propia guía de ingeniería de Google empieza con el mismo punto. La regla n.º 1 de sus Rules of Machine Learning es no tener miedo de lanzar un producto sin machine learning, porque las heurísticas básicas a menudo llevan la mayor parte del camino con mucha menos complejidad.

Señal 1: no sabe decir lo bien que funciona el proceso actual

Qué significa. Si nadie puede indicar la tasa actual de roturas de stock, la proporción actual de pedidos fraudulentos o el tiempo actual de respuesta a un ticket de soporte, nadie podrá decir si un modelo lo mejoró. El proyecto termina con una demo y una discusión.

Síntoma típico. El objetivo se formula como una dirección («reducir las roturas de stock», «personalizar la web») y no como un número con un método de medición y una ventana de tiempo.

Qué hacer en su lugar. Construya primero la medición. Un informe semanal del único número que movería el modelo, calculado igual cada semana, durante cuatro a ocho semanas. Ese informe es la línea base que cualquier modelo posterior tiene que superar, y es útil por sí solo: una vez visible el número, puede resultar que el problema que vale la pena resolver es otro. La regla n.º 2 de la guía de Google dice lo mismo con otras palabras: diseñe e implemente las métricas antes que cualquier otra cosa.

Señal 2: la decisión es rara, o el volumen es pequeño

Qué significa. Un modelo se gana su coste haciendo un poco mejor muchas decisiones pequeñas. Si la decisión ocurre cincuenta veces al mes, la mejora tiene muy poco por lo que multiplicarse.

Aritmética ilustrativa. Supongamos que un modelo mejora cada decisión en un 2% del valor en juego.

Decisiones al mes Valor en juego por decisión Ganancia mensual al 2% Meses para amortizar una prueba de concepto de 14k €
50 200 € 200 € 70
200.000 1 € 4.000 € 3,5

Los números son ilustrativos, no medidos. Lo importante es la forma: la primera fila nunca se amortiza, incluso antes de contar la monitorización y el reentrenamiento; la segunda se amortiza en un trimestre.

Qué hacer en su lugar. Para decisiones raras y de alto valor, dé a la persona que las toma una hoja de cálculo mejor: las cinco o seis entradas que realmente usa, una al lado de otra, con el resultado del año pasado junto a cada caso. Una checklist más una persona supera a un modelo entrenado con cincuenta ejemplos.

Señal 3: una regla simple ya captura la mayor parte del valor

Qué significa. Muchos problemas tienen una regla que resuelve el grueso de los casos. Retener los pedidos por encima de un umbral de importe que se envían a una dirección nueva con una tarjeta nueva. Mostrar los más vendidos de la categoría a visitantes sin historial. Reponer cuando el stock cubre menos de N días de las ventas del mes pasado. Un modelo tiene que superar a la regla lo suficiente como para cubrir su coste de desarrollo y operación, y a menudo no lo hace.

Síntoma típico. Nadie ha probado la regla, así que nadie sabe cuánto queda por ganar para un modelo.

Qué hacer en su lugar. Ponga en marcha la regla, mídala con el informe de la Señal 1 y mantenga una lista de los casos en los que se equivoca. Esa lista cumple dos funciones: le dice cuánto valor podría añadir todavía un modelo, y se convierte en los primeros datos etiquetados y en el conjunto de test si construye uno más adelante.

Cuándo deja de bastar la regla. La regla n.º 3 de Google es el contrapeso: elija machine learning frente a una heurística compleja. Cuando la regla ha crecido hasta tener docenas de excepciones que solo entiende una persona, y cada nueva excepción rompe una anterior, un modelo es más fácil de mantener que el reglamento. Ahí es cuando el ML empieza a tener sentido.

Señal 4: sus datos no registran el resultado que quiere predecir

Qué significa. Un modelo aprende de ejemplos en los que la respuesta es conocida. Si la respuesta nunca se anotó, no hay nada de lo que aprender.

Síntomas típicos.

  • Previsión de demanda sobre un historial de ventas que no registra las roturas de stock. Cuando el estante estaba vacío, las ventas eran cero pero la demanda no, y el modelo aprende que el producto es impopular justo los días en que más se buscaba.
  • Predicción de abandono donde nadie registró cuándo se fue un cliente, solo que dejó de aparecer.
  • Puntuación de fraude donde los contracargos viven en el portal de un proveedor de pagos y nunca se volvieron a cruzar con los pedidos.

Qué hacer en su lugar. Empiece a registrar el resultado ahora, en el mismo sistema que las entradas, con una marca de tiempo. La mayoría de los resultados necesitan de tres a seis meses de historial antes de que se pueda entrenar un modelo y luego probarlo en un periodo posterior que no haya visto. Mientras tanto, use un informe o una regla. Si el resultado llega con retraso (los contracargos pueden tardar semanas), prevea ese retraso en el diseño en lugar de descubrirlo en producción.

Señal 5: nadie es responsable de actuar sobre la salida

Qué significa. Una previsión no cambia nada hasta que alguien pide menos stock por ella. Una puntuación de fraude no cambia nada hasta que se retiene un pedido. Si no hay una persona con nombre, ni un sistema donde aparezca la salida, ni una acción acordada para cada valor, el modelo es un coste sin retorno.

Síntoma típico. La respuesta a «quién usará esto y qué hará de forma distinta el lunes» es el nombre de un departamento, no una persona y una decisión.

Qué hacer en su lugar. Tome la decisión a mano durante un mes con un informe. Ponga el informe donde se toma la decisión y observe si alguien lo usa. Si nadie actúa sobre un informe, nadie actuará sobre un modelo, y lo que hay que arreglar es el proceso, no la predicción.

Una autoevaluación rápida

Responda cada pregunta para el proceso que quiere mejorar.

Pregunta Si la respuesta es no Construya esto en su lugar Esfuerzo típico
¿Puede indicar el valor actual de la métrica y cómo se mide? Sin línea base, sin prueba de mejora Un informe semanal de esa única métrica Días
¿La decisión ocurre al menos miles de veces al mes, o cada una vale mucho? Volumen insuficiente para amortizar un modelo Una hoja de cálculo o checklist para la persona que decide Días
¿Ha probado la regla obvia y la ha medido? No sabe qué podría añadir un modelo La regla, más un registro de los casos en los que se equivoca De días a dos semanas
¿Está registrado, con fecha, el resultado que quiere predecir durante los últimos meses? No hay nada de lo que aprender Registro del resultado, luego un informe De tres a seis meses de registro
¿Hay un responsable con nombre y una acción definida para cada salida? La salida no cambiará nada Un proceso manual sobre un informe durante un mes Un mes

Cinco respuestas «sí» no garantizan que un modelo compense. Un «no» suele bastar para decir que todavía no compensará.

Cuándo el ML sí vale la pena

La misma checklist, leída al revés, describe un buen proyecto de ML:

  • La métrica se ha medido igual durante semanas, y hay una línea base que superar.
  • La decisión es frecuente, o cada una tiene suficiente valor como para que una pequeña mejora importe.
  • Existe una regla, se ha medido y se ha vuelto demasiado compleja de mantener.
  • El resultado se ha registrado el tiempo suficiente para entrenar con un periodo y probar con uno posterior.
  • Una persona con nombre actuará sobre la salida, en un sistema que ya usa.

Incluso entonces, el primer paso es pequeño: un modelo simple comparado con la regla sobre la misma métrica, primero con datos históricos y luego con una parte del tráfico real. Si el modelo no supera a la regla en más de lo que cuesta operarlo, quédese con la regla. Eso es un resultado, no un fracaso.

Cómo comprobar su propio caso

Ofrecemos un teardown gratuito de seis preguntas en /teardown. Pregunta por el proceso, los datos y el responsable, y una de sus respuestas posibles es «todavía no haga ML», con qué construir en su lugar. Si la respuesta es que un modelo tiene sentido, las franjas publicadas en /pricing le dicen cuánto cuesta el siguiente paso antes de que nadie se ponga en una llamada.

Fuentes

¿Tiene un proceso que cuesta demasiado?

Cuéntenoslo. La primera llamada es gratuita y, si la IA no es la respuesta, se lo decimos.

Hablar de su tarea