Una propuesta necesita IA cuando variabilidad, volumen o ambigüedad hacen insuficientes las reglas explícitas y el software convencional, y cuando datos representativos demuestran valor incremental después de incluir error, supervisión, seguridad y costo de ciclo de vida. El proveedor debe probar ese valor contra una alternativa más simple. Sin baseline, comparación y fallback, IA describe la venta, no la necesidad.
La pregunta correcta no es ‘¿dónde podemos agregar IA?’, sino ‘¿cuál es la solución menos compleja que alcanza el resultado dentro de nuestra tolerancia al riesgo?’. Exija que cada finalista compare software convencional, automatización determinística, machine learning e IA generativa o agentes con el mismo caso, datos y métricas.
Cuatro caminos que toda propuesta debe comparar
- Software convencional — flujos estables, lógica conocida, alta previsibilidad y poco beneficio de inferencia.
- Automatización determinística — tareas repetibles, reglas auditables, integraciones previsibles y excepciones acotadas.
- Machine learning — clasificación, predicción o recomendación donde patrones de datos superan reglas manuales.
- IA generativa o agentes — lenguaje, contenido o decisiones asistidas en ambientes variables, con evaluaciones, límites de acción y supervisión proporcional.
Los diseños híbridos suelen ganar: reglas controlan permisos y transacciones; ML prioriza; IA generativa interpreta contenido; personas aprueban decisiones de mayor impacto. El objetivo no es elegir una categoría pura, sino impedir que un componente probabilístico asuma funciones que requieren determinismo.
AI Necessity & Fit Proof-8: matriz de 32 puntos
Califique cada dimensión de cero a cuatro: cero es ausente; uno es afirmación; dos es evidencia parcial; tres es una prueba vigente con datos representativos; cuatro agrega comparación independiente, límites y gatillo de revisión. Como corte ilustrativo, avance con 24 de 32, ningún cero y al menos tres en baseline, ganancia incremental, riesgo y fallback.
- Forma del problema — variabilidad, volumen y tiempo de respuesta justifican inferencia.
- Adecuación de la salida — tolerancia a incertidumbre, explicabilidad y revisión coinciden con la técnica.
- Señal en los datos — datos legales, representativos y accesibles contienen información útil.
- Baseline simple — reglas, flujo manual o software existente se mide con las mismas métricas.
- Ganancia incremental — calidad, velocidad o escala adicional es material y atribuible a IA.
- Controles operativos — evaluaciones, monitoreo, supervisión, límites e incidentes están definidos.
- Economía de ciclo de vida — integración, uso, revisión humana, operación, error y cambio entran en costo.
- Reversibilidad — fallback, apagado, portabilidad y alternativa sin IA funcionan cuando se necesitan.
Aplique seis filtros eliminatorios
- El proveedor no mide el proceso actual ni define baseline.
- No diseña y prueba una alternativa determinística.
- La demo usa datos elegidos por el proveedor, no una muestra representativa del comprador.
- El business case atribuye toda mejora a IA sin separar rediseño, integración y automatización.
- No existe umbral de falla, revisión humana, fallback o modo degradado.
- El valor desaparece al incluir consumo, operación, evaluación, error y cambio de proveedor.
Realice una prueba contrafactual de 90 minutos
Entregue a los finalistas un proceso real, veinte ejemplos típicos y cinco casos adversos. Solicite cuatro diseños: sin cambio, software o reglas, ML e IA generativa o agente. Cada opción debe mostrar métrica, costo, tiempo, riesgo, dependencias y condición de abandono. Luego retire la mitad de los datos o exija revisión humana: observe si la recomendación cambia con disciplina.
Exija cinco artefactos antes del contrato
- Mapa del problema y usuario, con excepciones e impacto del error.
- Baseline reproducible del proceso actual y de la alternativa más simple.
- Comparación de cuatro opciones con supuestos y evidencias.
- Plan de piloto con muestra, métricas, umbrales y criterios de interrupción.
- Arquitectura de fallback con ownership, costos y gatillos de revisión.
Lleve la prueba al RFP, piloto y pagos
No prescriba modelo o plataforma antes de comprender el problema. Pida opción recomendada y opción mínima suficiente, costos separados y evidencia que llevaría al equipo a elegir menos IA. Pague el piloto por evidencia comparable. Condicione la implementación a ganancia incremental y aprobación de riesgo, no a una demo aislada.
Contexto de América Latina
Evalúe país por país moneda, impuestos, conectividad, revisión humana, sistemas legados, regiones disponibles, privacidad y reglas sectoriales. Para decisiones de impacto relevante, legal, seguridad, privacidad y dueños del proceso deben validar finalidad, datos, autoridad humana, transparencia, contestación y monitoreo.
Conecte esta decisión con otras diligencias
Use https://makinai.co/insights/es/comprar-configurar-o-desarrollar-solucion-ia para definir caminos, https://makinai.co/insights/es/framework-practico-priorizar-casos-uso-ia para priorizar el caso, https://makinai.co/insights/es/evaluar-roi-business-case-consultora-ia-antes-contratar para probar valor, https://makinai.co/insights/es/como-estructurar-piloto-pago-contratar-empresa-ia para producir evidencia y https://makinai.co/insights/es/evaluar-propuesta-arquitectura-ia-antes-contratar para validar el diseño.
Cuándo involucrar a MAKINAI
MAKINAI puede estructurar el baseline, comparar soluciones con y sin IA, realizar la prueba contrafactual y convertir la recomendación en gates verificables de inversión e implementación. Conozca https://makinai.co/services/es/consultoria-estrategia-ia-transformacion.