Ia

Los proyectos de IA en empresa mueren casi siempre por las mismas cinco razones, y ninguna es el modelo: sin dueño de negocio, sin métrica de éxito, datos que no existían como creías, el POC tomado como final, y nadie pensó quién lo mantiene.

Tres proyectos reales de IA en banca, contados con honestidad: cuándo la IA paga (pricing dinámico), cuándo es una regla de negocio disfrazada (3 if vs un modelo opaco) y cuándo el proyecto real era ingeniería de datos, no un modelo. La madurez en IA es saber cuándo no usar ninguno.

Cinco modelos, cinco definiciones de "ingreso promedio", ninguna mal a propósito —y un bug en producción. El training-serving skew, qué resuelve realmente un feature store (una definición, dos consumos) y, sobre todo, cuándo NO usarlo.

Un modelo no avisa cuando se rompe: sigue prediciendo con confianza, números cada vez peores. Los tres tipos de drift, por qué esperar la etiqueta real llega tarde, y qué hacer cuando salta la alarma sin reentrenar en pánico.

Del notebook a un endpoint real en cuatro pasos: empaquetar con dependencias fijadas, subir al Model Registry, desplegar y validar el contrato de entrada. Lo mínimo que de verdad funciona en producción, en 2026, sin montar el serving a mano.