Cuándo no usar AI

Saber cuándo no recurrir a AI es tan valioso como saber construirla. Los modelos agregan costo, latencia, imprevisibilidad y carga de mantenimiento. Si una solución determinística funciona, casi siempre es mejor: más barata, más rápida, testeable y explicable.

Preferí algo más simple cuando…

• Una regla o fórmula alcanza. Si la lógica es conocida y estable ("marcar órdenes de más de $10k"), escribí la regla. ML para reaprender una regla conocida es complejidad desperdiciada.
• No podés tolerar equivocarte. ML es probabilístico; para tareas que necesitan corrección garantizada (contabilidad, interlocks de seguridad), usá código determinístico, con AI como mucho asistiendo a un humano.
• No hay datos (ML supervisado) o no hay forma de verificar outputs (generativo). Sin señal de entrada, no sale nada confiable.
• El riesgo es alto y no está monitoreado. Alto blast radius + sin supervisión humana es donde las fallas de AI se vuelven incidentes.
• La explainability es obligatoria (algunos contextos legales/médicos/crediticios) y el modelo no puede proveerla (transparencia).
• Una heurística te da 90% al 1% del costo y esfuerzo: desplegá eso primero.

Preguntas antes de agregar un modelo

1. ¿Qué decisión impulsa el output, y cuánto cuesta una respuesta equivocada?
2. ¿Una regla, lookup o software existente podría hacerlo aceptablemente?
3. ¿Hay datos / una forma de evaluar calidad? (Si no podés evaluarlo, no podés confiar en él.)
4. ¿Podemos tolerar variabilidad y algún error confiado ocasional?
5. ¿Quién es responsable cuando se equivoca, y puede atraparlo un humano?

El matiz para LLMs

Los LLMs bajaron la barrera: podés "resolver" una tarea con un prompt y sin datos de entrenamiento. Eso vuelve tentador usarlos en todas partes, incluso donde una regex, una consulta a base de datos o un formulario serían más confiables y mucho más baratos. Usá el LLM para la parte genuinamente difusa y con forma de lenguaje; usá software común para el resto.

Trampa

"AI" como mandato en vez de herramienta: agregar un modelo porque se espera, y después heredar alucinaciones, costo y latencia para resolver un problema que el código determinístico ya resolvía. Empezá por el problema, no por la tecnología.

Conecta con: modelos mentales para sistemas de AI · encuadrar el problema · el stack más chico que funciona