5 errors típics que veiem als projectes d'IA en pimes
El context
El 77% dels projectes d'IA a empreses espanyoles no arriben a producció amb ROI mesurable, segons l'estudi 2024 de RAND Corporation. La majoria de fracassos no són per falta de tecnologia — la tecnologia avui és accessible i barata — sinó per errors d'enquadrament, expectatives i seguiment.
Aquesta llista recull els cinc patrons que veiem més sovint quan ajudem pimes a posar IA al seu negoci. No és exhaustiva, però cobreix la gran majoria de casos on un projecte que sobre el paper sembla obvi acaba abandonat al cap de tres mesos.
1. Començar pel model en lloc del problema
"Volem aplicar IA a l'empresa." És una frase comuna en reunions inicials. La pregunta correcta és "quin problema concret intentem resoldre?". Sense una resposta a aquesta pregunta — un problema mesurable, amb un dolor real, amb un cost actual quantificable — qualsevol projecte d'IA va a la deriva.
El model genèric d'IA mai ha resolt cap problema. El model aplicat a un problema concret en pot resoldre alguns. La diferència és tot.
2. Subestimar el cost real de la implantació
El preu d'una API d'IA és visible: tants cèntims per cada 1.000 tokens d'entrada, tants de sortida. El que no és visible — i sovint multiplica el cost final per 3 — és l'esforç d'integrar-la al flow operatiu existent: connectar amb el CRM, amb el software de facturació, amb la base de dades de productes; entrenar al personal; ajustar el to durant les primeres setmanes; gestionar excepcions.
Una pyme que pressuposta el projecte basant-se només en el cost de l'API descobreix al cap de dos mesos que necessita un equip d'integració que no havia previst. Del 100% del pressupost, l'API és el 20%. La resta és integració, dades i seguiment.
3. No mesurar el ROI des del primer dia
"Ja veurem si funciona." No, no ho veurem si no ho mesurem. Cada projecte d'IA hauria de tenir, abans del primer commit, una mètrica concreta i un valor numèric esperat. Sense això, al cap de 3 mesos hi haurà una conversa difícil per justificar la inversió.
Exemples de mètriques bones: cites recuperades per setmana, no-show reduït en punts percentuals, hores de personal alliberades per mes, leads qualificats per setmana. Exemples dolents: "millora de la satisfacció del client", "automatitzar tasques", "optimitzar processos". La diferència és que les bones són números amb què pots mesurar progrés; les dolentes són paraules.
4. Confondre IA amb autoservei
Una pyme que implementa un agent IA pensa sovint que això eliminarà la necessitat d'atenció humana. Aquesta expectativa és gairebé sempre incorrecta. L'IA gestiona bé el 70-80% de les consultes — les rutinàries — i deriva la resta als humans. Si la pyme no té el flow per rebre aquestes derivacions amb context, l'experiència del client final és pitjor que abans (perd 10 minuts amb un bot abans d'arribar a un humà que no té el context de la conversa).
El bon disseny és pensar l'IA com a triatge, no com a substitut. Filtra el rutinari, escalfa la consulta, i quan deriva ho fa amb context complet.
5. Tractar el projecte com un producte i no com una operació
Un projecte d'IA no és un lliurament que s'acaba. És una operació contínua: el model deriva amb el temps, els clients pregunten coses noves, el to canvia, els competidors apliquen tècniques noves. Una pyme que signa un projecte d'IA "claus en mà" i no preveu pressupost de manteniment està sembrant el seu propi abandonament.
El model raonable és: 60% setup inicial, 40% operació mensual durant els primers 12 mesos. Després pots reduir el manteniment, però no eliminar-lo.
Què aprenem d'aquí
Els errors no són d'IA. Són d'enfocament, d'expectatives i de seguiment. La tecnologia és accessible; la disciplina d'aplicar-la bé, no tant. Si estàs valorant un projecte d'IA al teu negoci, val la pena dedicar dues setmanes a definir el problema, mètrica i pressupost de seguiment abans de tocar res tècnic.
Si vols comentar el teu cas amb un equip que ha vist els cinc errors a la pràctica, escriu-nos.