Dilemas de ingeniería de la infraestructura digital: lecciones globales de los fracasos de los proyectos de IA a la luz del informe de RAND

El dilema de ingeniería de la infraestructura digital: ¿por qué fracasan a gran escala los proyectos de IA?

Una aventura global de capital

Cuando el capital global se vierte con fuerza en el campo de la inteligencia artificial, un estudio sereno hace sonar la alarma en el ambiente de euforia. El informe publicado por RAND en agosto de 2024 señala que más del 80% de los proyectos de IA no cumplen las expectativas: una tasa de fracaso que duplica la de los proyectos tradicionales de TI que no involucran IA. Esto implica que la construcción de IA no es una actualización tecnológica común, sino una ingeniería de infraestructura de mayor complejidad.

El informe se basa en entrevistas en profundidad a 65 científicos de datos e ingenieros de aprendizaje automático con amplia experiencia. Los entrevistados provienen de empresas e instituciones de diversos tamaños, con un promedio de más de cinco años de experiencia. Su consenso es que el fracaso de los proyectos de IA no se origina en que los algoritmos no sean lo suficientemente avanzados, sino en que todo el proceso de construcción contradice los principios básicos de la ingeniería de infraestructura.

Datos, algoritmos e implementación: los tres pilares de la infraestructura digital

Cualquier infraestructura, ya sea una red de transporte, una red de energía o un centro de datos, exige que las tres fases de planificación, construcción y operación estén estrechamente conectadas. El sistema de IA es igual: los datos son la materia prima, los algoritmos son el equipo central y el entorno de implementación es el sitio de operación. La desconexión de cualquiera de estos eslabones puede provocar un colapso sistémico.

La investigación de RAND identifica cinco "anti-patrones" recurrentes, que corresponden exactamente a cinco tipos de defectos estructurales en los proyectos de ingeniería. Al situarlos en el marco de análisis de infraestructura, podemos ver que su poder destructivo supera con creces el de las fallas técnicas comunes.

Primero: Desviación en la definición del problema: error en la selección del sitio y malentendido de la demanda

En la ingeniería física, un error en la selección del sitio o un malentendido de la demanda a menudo hace que el proyecto no pueda funcionar una vez construido. Los equipos de IA reciben con frecuencia instrucciones comerciales vagas, como "necesitamos predecir ventas" o "hacer que el proceso sea inteligente". Pero sin una definición estricta del escenario objetivo, el modelo optimiza las métricas equivocadas y los resultados entregados no se adaptan al flujo de trabajo real. El informe muestra que esta es la causa de fracaso más común según los entrevistados. En el ámbito de la infraestructura, esto equivale a construir un aeropuerto de carga en una zona residencial: por muy alta que sea la calidad de la obra, no se puede utilizar.

Segundo: Insuficiencia de activos de datos: ruptura de la cadena de suministro

La infraestructura necesita un suministro confiable de materiales; la IA necesita datos de entrenamiento de alta calidad. Muchas organizaciones creen que basta con acumular más datos, pero ignoran la calidad de los datos, la precisión del etiquetado, la actualidad y la legalidad. Los datos son el "concreto" de la IA; las materias primas no calificadas inevitablemente generan modelos frágiles. El informe señala que tener una gran cantidad de datos no equivale a poseer activos de datos utilizables; una canalización de datos incompleta es más letal que un algoritmo rezagado.

Tercero: Tecnocentrismo: el culto al equipamientoEn el campo de la ingeniería es común el fenómeno del "culto a la tecnología", por ejemplo, se adoptan ciegamente nuevos materiales de construcción y sistemas inteligentes sin preguntarse si se adaptan a la geología y el clima locales. Los equipos de IA enfrentan la misma tentación: buscar los modelos más avanzados y los marcos de aprendizaje profundo, descuidando soluciones específicas para problemas reales. Los entrevistados de RAND observaron que algunos proyectos eligen las tecnologías "más llamativas" solo para mostrar a sus superiores que "están progresando", y finalmente no logran pasar a producción. Esta tendencia desvía los proyectos de la resolución de problemas hacia una actuación tecnológica.

Cuarto: Ausencia de sistemas de soporte: infraestructura operativa insuficiente

Si a los proyectos de infraestructura tradicional les faltan redes eléctricas, carreteras y equipos de mantenimiento, no pueden operar. Los proyectos de IA dependen igualmente de una infraestructura completa de gestión de datos, despliegue de modelos, monitoreo y actualización. Muchas organizaciones invierten enormemente en la fase de desarrollo, pero carecen de la capacidad de ingeniería para integrar los modelos en los sistemas de negocio. El informe señala que, sin herramientas MLOps y procesos de gestión adecuados, los modelos de alta precisión en el laboratorio sufren una rápida degradación de rendimiento en entornos reales, e incluso se vuelven inutilizables.

Quinto: Mala evaluación de la complejidad del problema: construir en terrenos donde es imposible

La IA no es omnipotente; algunas tareas son inherentemente difíciles de automatizar. El informe de RAND advierte que cuando la tecnología se utiliza para resolver problemas que exceden las capacidades actuales de la IA, el fracaso es inevitable. Es similar a construir a la fuerza grandes proyectos en acantilados escarpados o fallas geológicas, ignorando los límites físicos y tecnológicos. Los entrevistados enfatizaron que la "inteligencia" de la IA tiene límites, y los gerentes deben reconocerlo, en lugar de divinizar la IA como una herramienta mágica.

Riesgos de la IA y asignación de capital desde la perspectiva de la financiación de proyectos

Si evaluamos los proyectos de IA como una clase de activos de infraestructura, su tasa de fracaso de financiación alcanza el 80%, suficiente para disuadir a cualquier inversor en infraestructura. Los datos de RAND muestran que, aunque el 97% de los líderes empresariales sienten urgencia por implementar IA, solo el 14% de las organizaciones están realmente preparadas. Esta enorme brecha entre "voluntad y capacidad" refleja un desajuste estructural en la asignación de capital: grandes cantidades de fondos se destinan a proyectos piloto sin la debida justificación, mientras que la inversión básica para sostener el funcionamiento a largo plazo de estos proyectos es gravemente insuficiente.

En la financiación de infraestructura existen conceptos consolidados como "estudio de viabilidad" y "costo del ciclo de vida completo". Los proyectos de IA no solo deben prestar atención al costo inicial de entrenar modelos, sino también considerar los costos de gobernanza de datos, gobernanza de modelos, aprendizaje continuo y auditoría de cumplimiento. Los entrevistados del informe de RAND provienen en su mayoría del nivel de ejecución de ingeniería; lo que ven es que gran parte del presupuesto se consume en el ajuste de parámetros de los modelos, mientras que las tuberías de datos más básicas y la integración de sistemas no reciben financiación. Este desajuste impide que los proyectos atraviesen el "valle de la muerte", pasando del prototipo de modelo al despliegue a escala.

Infraestructura digital en la competencia estratégicaEl informe menciona específicamente que el Departamento de Defensa de Estados Unidos invierte 1.800 millones de dólares al año en aplicaciones militares de IA y considera la IA como una tecnología clave para la guerra futura. Esto indica que la IA no es solo competitividad comercial, sino también parte de la infraestructura estratégica nacional. En el contexto en que las principales economías del mundo compiten por construir centros de computación, plataformas de datos y sistemas de decisión inteligentes, el éxito o el fracaso de los proyectos de IA está directamente relacionado con la competitividad industrial a largo plazo y la seguridad nacional. La alta tasa de fracaso no solo consume capital, sino también ventanas de oportunidad y bases de confianza. Si no se mejora la tasa de éxito desde una perspectiva de ingeniería, la estrategia nacional enfrentará el riesgo de un “sistema sobre el papel”.

De los antipatrones al plano del éxito: construir una infraestructura de IA resiliente

El informe de RAND, basado en entrevistas, ofrece principios de éxito. Para la industria, los líderes deben primero delimitar claramente los límites del problema y evitar licitaciones “de caja negra”; en segundo lugar, cultivar la conciencia de datos dentro de la organización y establecer verdaderos activos de datos; en tercer lugar, optar por rutas tecnológicas maduras, estables y mantenibles, en lugar de perseguir tendencias; en cuarto lugar, invertir en infraestructura de MLOps para que los modelos puedan desplegarse y supervisarse de forma continua; por último, mantener expectativas realistas sobre los límites de las capacidades de la IA.

Para el ámbito académico, el informe recomienda que los proyectos de investigación se centren más en soluciones implementables bajo restricciones reales y fortalezcan la integración de la ciencia de datos con el conocimiento del dominio. Esto es esencial para la construcción de infraestructura de IA, porque los avances teóricos deben transformarse en resultados de ingeniería entregables.

Estos principios no son nuevos. Igual que el éxito de toda gran infraestructura, enfatizan el orden, la disciplina y una perspectiva a largo plazo. La IA no es magia, sino una infraestructura emergente que requiere una gestión de ingeniería precisa. Cuando los gobiernos y el sector privado compiten en el ámbito digital, hay que entender: la verdadera infraestructura no solo debe construirse, sino también utilizarse y mantenerse.

Conclusión: de la alta tasa de fracaso a la alta madurez

La alta tasa de fracaso actual de los proyectos de IA no significa que la IA carezca de valor, sino que este campo está atravesando un doloroso período de transición de la “experimentación técnica” a la “ingeniería fiable”. Históricamente, los ferrocarriles, las redes eléctricas y las redes de telecomunicaciones han pasado por etapas similares. Los primeros ferrocarriles sufrieron numerosos errores de planificación y pérdidas de capital; finalmente, mediante la estandarización, las normas de ingeniería y la regulación gubernamental, se convirtieron en arterias de la civilización moderna.

Lo mismo ocurre con el desarrollo actual de la IA. La investigación de RAND ofrece una valiosa lista de reflexión. Para los inversores en infraestructura y los responsables de políticas a nivel mundial, lo importante no es evitar la IA, sino tratar cada proyecto de IA con el rigor con que se construye la infraestructura. Solo si se consideran los datos, los algoritmos, la capacidad de cómputo y los procesos organizativos como un sistema integral, y se sigue el ciclo completo desde la definición hasta la operación, se podrá transformar el potencial de la IA en productividad duradera. La próxima era de la competencia global será definida por los países e instituciones que logren construir con éxito la infraestructura digital.