Los números primero: el problema no es la inteligencia artificial, sino la manera en que las organizaciones la incorporan a sus sistemas de planificación empresarial (ERP). Así lo sostiene Rajesh Gangula, líder de transformación de ERP y modernización de cadena de suministro con experiencia en programas de Oracle en manufactura, retail y sector público.
Según Gangula, muchas compañías arrancan con la pregunta equivocada: qué modelo de IA usar o qué plataforma tiene mejores capacidades. El punto de partida correcto, dice, es identificar un problema de negocio concreto —mejorar la precisión de pronósticos, reducir demoras de compras, optimizar inventario— antes de elegir tecnología.
Un segundo error es lanzar proyectos de IA sin alineación ejecutiva. Cuando compras, finanzas, operaciones y liderazgo no definen juntos qué significa el éxito, la iniciativa queda aislada como proyecto de TI. En una transformación de ERP de Oracle que describe el autor, el objetivo inicial era desplegar pronósticos con IA porque se veía como algo estratégico; una vez que los líderes de negocio se involucraron, el foco cambió a reducir faltantes de inventario y mejorar la planificación de compras, lo que convirtió el proyecto en una mejora medible.
El tercer error es subestimar la gobernanza de datos. La IA aprende de la información que recibe: si los registros de proveedores son inconsistentes o los datos maestros están mal gestionados, el sistema simplemente automatiza decisiones erróneas más rápido. En un caso de migración de ERP, el equipo encontró registros duplicados y tiempos de entrega inconsistentes; estandarizar esos datos, aunque retrasó el lanzamiento, mejoró la confiabilidad de las recomendaciones.
El cuarto fallo es la falta de transparencia. Los usuarios de negocio —planificadores, gerentes de compras, líderes financieros— no confían en recomendaciones que no pueden entender. La adopción mejora, apunta Gangula, cuando la IA explica el razonamiento detrás de cada sugerencia, en lugar de automatizar todo desde el primer día.
Por último, está la idea de que la IA elimina la necesidad de profesionales experimentados. Para el autor, las organizaciones más exitosas usan la IA para apoyar la decisión, no para sustituirla: el capital humano sigue evaluando contexto, relaciones con proveedores y decisiones estratégicas en momentos de incertidumbre. Muchos proyectos, agrega, celebran la precisión del modelo sin revisar el impacto operativo real en costos de inventario o ciclos de compra.
El mercado ya votó sobre qué tipo de inversión en tecnología rinde: la que se mide en productividad y margen, no en sofisticación algorítmica. El caso de Gangula confirma algo que el capital privado ya sabe desde hace décadas: la tecnología no sustituye la disciplina de gobierno corporativo ni la calidad del dato; solo la amplifica, para bien o para mal.
En un mundo donde los directorios presionan por adoptar IA a cualquier costo, la lección de fondo es de libre mercado clásico: el retorno se construye con gobernanza, datos limpios y objetivos claros antes que con el modelo más avanzado. Las empresas que ignoren esa jerarquía pagarán la factura en productividad perdida, no en innovación ganada.
