El valor predeterminado en 2026 es recurrir a la IA primero. ¿Nuevo proyecto? Agrega un chatbot. ¿Problema de datos? Usa un LLM. ¿Backlog de soporte? Autómatalo. Este reflejo es comprensible — las herramientas son capaces, las demos son impresionantes, y la presión para lanzar funciones de IA es real.
Pero los equipos que lanzan software confiable son los que también saben cuándo no usar IA. Aquí hay una lista de verificación práctica.
Si el output correcto siempre puede derivarse de la entrada a través de un algoritmo definido, no uses IA. Usa el algoritmo.
Cálculos de impuestos, conversiones de unidades, aritmética de fechas, ordenamiento, filtrado — estos problemas tienen respuestas exactas. La IA introduce varianza donde la varianza no es necesaria. Un cálculo de impuestos que es correcto el 97% del tiempo no es una calculadora de impuestos; es una responsabilidad legal.
La señal: si puedes escribir una prueba que especifica completamente el output correcto para cualquier entrada, probablemente no necesitas IA.
Los sistemas de IA requieren infraestructura de evaluación para mantenerse de forma segura. Si no puedes construir un conjunto de evaluación — una colección de entradas representativas con outputs esperados que puedas ejecutar contra el sistema regularmente — no tienes forma de saber si el sistema está funcionando correctamente o degenerándose con el tiempo.
Si el dominio es demasiado especializado para crear ejemplos etiquetados, demasiado ambiguo para definir criterios de éxito, o demasiado crítico para tolerar tasas de error desconocidas, no estás listo para desplegar IA. Construye primero la infraestructura de evaluación, o no construyas el sistema de IA.
La inferencia de LLM es lenta en comparación con la mayoría de las operaciones de software. Una generación típica toma 1-5 segundos en longitudes de contexto comunes. Si tu caso de uso requiere tiempos de respuesta de menos de 100ms — puja en tiempo real, procesamiento de audio en vivo, manejo de eventos de alta frecuencia — la IA basada en LLM es la herramienta incorrecta.
Los modelos más pequeños y especializados o los enfoques de ML tradicionales te darán la latencia que necesitas sin los compromisos de arquitectura requeridos para hacer un LLM suficientemente rápido.
El fine-tuning y muchas implementaciones de RAG requieren un corpus sustancial de datos de alta calidad y representativos. Si tienes menos de unos pocos cientos de ejemplos del comportamiento que intentas enseñar, o menos de unos pocos miles de documentos para tu base de conocimiento, el sistema no funcionará de manera confiable.
Los conjuntos de datos pequeños producen modelos que se sobreajustan a los ejemplos de entrenamiento y fallan en cualquier cosa ligeramente fuera de la distribución. Esto es peor que un sistema basado en reglas porque falla silenciosamente con alta confianza.
En industrias reguladas — salud, finanzas, legal — las decisiones a menudo necesitan ser explicadas a auditores, reguladores, o las personas afectadas por ellas. "El modelo lo dijo" no es una explicación que satisfaga un requisito de cumplimiento.
Si necesitas mostrar tu trabajo de una manera que un revisor humano pueda seguir paso a paso, la IA es una mala opción a menos que se use como una herramienta de borrador con revisión humana, no como el tomador de decisiones.
Los sistemas de IA tienen modos de fallo diferentes al software determinísta. Se degradan con el tiempo, son sensibles a los cambios en la distribución de entradas, y depurarlos requiere habilidades diferentes a depurar un bucle for.
Si el equipo que mantendrá el sistema no tiene las habilidades para monitorear el rendimiento del modelo, actualizar los conjuntos de evaluación, y diagnosticar problemas de calidad de salida — y si no hay un plan para desarrollar esas habilidades — estás construyendo deuda técnica que será costosa de pagar.
La parte más difícil de esta lista de verificación no son los criterios técnicos. Es usarla cuando hay presión organizacional para lanzar algo con IA. "Impulsado por IA" sigue siendo una frase que abre conversaciones de presupuesto e impresiona a las partes interesadas.
Los ingenieros que más respetamos no son los que agregan IA a todo. Son los que pueden articular con precisión por qué un problema dado necesita IA y por qué una solución más simple no llegará ahí — y que tienen la posición para rechazar cuando no es necesario.
%20(1)-2.svg)
