L’aplaudiment va ressonar a la sala de juntes. La demo del teu assistent intel·ligent va funcionar a la perfecció: va respondre preguntes, va classificar documents i fins i tot va suggerir accions comercials. Els stakeholders et van felicitar, el pressupost per a la fase pilot es va aprovar sense objeccions i vas sortir d’allà convençut que el projecte d’intel·ligència artificial estava llest per canviar la companyia. Sis mesos després, el repositori acumula pols virtual, ningú l’obre i el pilot dorm en un límit del qual pocs projectes aconsegueixen escapar. No és una història aïllada. Segons múltiples estudis del sector, més del 80% dels pilots d’IA no arriben mai a producció, una taxa de fracàs que duplica la de projectes de programari convencionals. La pregunta incòmoda no és per què fallen, sinó per què ho fan sempre de la mateixa manera, a la mateixa etapa, independentment de l’equip, la tecnologia o el model emprat. La resposta no està en l’algorisme, sinó en tot allò que envolta el model i que ningú dimensiona fins que es converteix en el motiu de l’abandonament.
Un pilot d’IA és una prova de concepte, una audició. I en una audició tot està preparat perquè l’actor lluïsca: dades curades, usuaris pacients, abast acotat i conseqüències mínimes si alguna cosa falla. La producció és el teatre en funcions: dades reals que arriben brutes, duplicades i escampades entre sistemes que no es parlen; usuaris reals que escriuen amb errades, que fan preguntes que el model mai va veure; un abast que cobreix tots els casos límit alhora, sense possibilitat de repetir la presa. Les mètriques que valen en la demo —precisió, latència— són condicions necessàries però no suficients. El que realment exigeix producció és una cosa molt més difusa: confiança, governança, mantenibilitat i, sobretot, gent que estigui disposada a canviar la seva forma de treballar per integrar la IA en el seu dia a dia.
Els patrons de fracàs es repeteixen amb una monotonia esgarrifosa. El primer i més evitable: ningú va definir l’èxit en termes de negoci abans d’escriure la primera línia de codi. 'El model funciona bé' no és un objectiu empresarial. La precisió i la latència són mètriques d’enginyeria. No diuen si el departament financer confiarà en el resultat com per deixar de revisar-lo manualment. Tampoc no diuen si l’equip comercial adoptarà l’eina o buscarà maneres de saltar-se-la tan bon punt generi fricció. La definició d’èxit ha de ser numèrica, mesurable i acceptable per a un director financer, no només per a un científic de dades.
El segon patró és la trampa de les dades. El pilot es va entrenar amb un conjunt net i etiquetat amb cura. En producció, les dades arriben des d’ERPs, CRMs, fulls de càlcul i APIs externes que no sempre responen. Les dades no estan governades: ningú n’és propietari de la qualitat, ningú ha definit qui les pot tocar ni com s’actualitzen. Gartner ve advertint que una gran part dels projectes d’IA s’abandonaran per manca de dades governades adequadament. La qualitat contínua no és un luxe; és el pilar sobre el qual es sosté qualsevol sistema d’intel·ligència artificial en producció. Automatitzar les canalitzacions, establir controls de qualitat en temps real i assignar responsables de cada font de dades hauria de ser el primer pas, no l’últim.
El tercer patró, potser el més infravalorat, és la integració. El model sol ser la part fàcil. El difícil és connectar-lo amb el CRM, amb el sistema de ticketing, amb l’autenticació corporativa, amb els límits de taxa, amb les fallades parcials que exigeixen reintents. En un entorn aïllat cap integrador ha de resoldre això. En producció no hi ha alternativa. Tractar la integració com una nota al peu, com un detall que es resoldrà després, és la recepta perfecta perquè el pilot s’aturi en sec en xocar amb la realitat dels sistemes legacy i la manca d’APIs estandarditzades.
El quart factor és la desaparició del patrocini executiu. La demo genera aplaudiments. El treball d’infraestructura, monitorització i manteniment posterior no en genera cap. Quan arriba el moment de demanar pressupost per a un equip dedicat o per a les eines d’observabilitat, el sponsor que va impulsar el pilot sol haver canviat de prioritats o de càrrec. Sense un suport sostingut en el temps, qualsevol projecte d’IA es converteix en un experiment abandonat.
I després hi ha l’adopció. Assumir que els usuaris adoptaran l’eina perquè és tècnicament superior és un error clàssic. Les persones tenen fluxos de treball establerts i resistències naturals al canvi. Si la IA no encaixa en el seu procés, o si genera passos addicionals, trobaran la manera de rodejar-la. Dissenyar l’adopció des del principi, involucrant els usuaris finals en el disseny de la interfície i l’experiència, és tan important com la precisió del model.
Finalment, el pilot mai va contemplar que el model s’equivocaria. I ho farà, perquè cap model encerta sempre. A la demo, un error es corregeix amb una broma. En producció, una resposta incorrecta i segura de si mateixa, sense un camí d’escalat a un humà, sense un missatge de 'no estic segur', trenca la confiança de l’usuari de forma irreparable. Això no és un bug; és una decisió de disseny que ningú va prendre perquè el pilot mai la va exigir.
Els equips que aconsegueixen portar els seus models a producció —aquell petit percentatge que la literatura anomena el 5% o el 12%— no ho fan per sort ni perquè tinguin un model millor. Ho fan perquè segueixen una seqüència de decisions diferent, fins i tot abans d’escriure la primera línia de codi. Comencen amb un problema acotat: classificació de documents, extracció de dades estructurades, enrutament de tickets. Concedeixen autonomia limitada al principi i l’amplien per etapes, mantenint sempre un punt de control humà. I, sobretot, executen en mode ombra abans de sortir en viu. El sistema processa trànsit real de producció, però ningú veu els seus resultats. Seu al costat del procés actual, humà o automatitzat, i es comparen costat a costat durant dies o setmanes. El mode ombra prova el sistema amb entrades reals sense risc que una resposta incorrecta arribi al client. A més, proporciona una mètrica de precisió honesta sobre dades de producció abans de demanar a ningú que confiï en el sistema. La majoria dels pilots salten aquest pas perquè la pressió per desplegar és alta, però els equips que el consideren innegociable són els que realment creuen la meta.
Pensar en producció des del dia u implica també dimensionar els costos reals. Els sistemes de recuperació d’informació semblen barats al pilot, no en producció. Els sobrecostos superen el 380% respecte a les projeccions inicials, segons dades del MIT Sloan, no perquè el model empitjori, sinó perquè ningú va pressupostar la computació, la monitorització ni la revisió humana que el pilot mai va necessitar. El temps també juga en contra: la mediana entre l’aprovació del pilot i el seu abandonament és de només 14 mesos. No és un fracàs lent i visible; és un projecte que es queda sense paciència abans de quedar-se sense codi. La solució no és un pressupost més gran, sinó una seqüència diferent: valorar la pila de producció completa abans d’aprovar el pilot, establir un punt de revisió als 90 dies i assignar un responsable únic de la salut contínua del sistema.
Un altre aspecte que sol aparèixer just abans del llançament és la seguretat i el compliment normatiu. El pilot s’executa amb dades anonimitzades i uns pocs usuaris interns que ja tenen accés a tot. En producció, el mateix sistema pot llegir dades personals de clients, consultar bases de dades que no hauria de veure o generar informes que necessiten revisió legal. Quan seguretat s’incorpora al final, l’arquitectura ja està construïda i afegir controls d’accés, registres d’auditoria i polítiques de retenció després del fet sol requerir una reconstrucció. Portar seguretat des de la fase de disseny és un pas senzill que estalvia mesos de revisió.
A Q2BSTUDIO treballem cada dia amb empreses que han viscut exactament aquest cicle. Per això ajudem els nostres clients a dissenyar solucions d’intel·ligència artificial que no només funcionen a la demo, sinó que estan preparades per suportar la càrrega, la complexitat i els requisits de governança de la producció real. Des de la creació d’aplicacions a mida que integren models d’IA en els fluxos de treball corporatius, fins al desplegament en infraestructures cloud com AWS o Azure, passant pel disseny de panells de BI amb Power BI que permeten monitoritzar el rendiment del model en temps real. També abordem la ciberseguretat des del principi, realitzant pentesting i establint controls d’accés des de la fase de disseny. I, per descomptat, dissenyem agents d’IA autònoms que poden operar de forma segura i escalable en entorns productius. Si el teu pilot està encallat, potser el problema no és el model, sinó tot allò que vas construir al seu voltant. Nosaltres podem ajudar-te a repensar-lo.
