¿Cómo decides si un problema pide realmente una funcionalidad de IA o algo más sencillo?

Pregúntate si la tarea tolera equivocarse. Si un error es barato de detectar y barato de deshacer, una funcionalidad probabilística funciona bien; si el error es silencioso o caro, ganan mejores reglas y mejores valores por defecto. Después comprueba que los datos existen y que los usuarios no están ya evitando ese flujo, porque meter un modelo en un flujo que nadie abre solo hace más lento un flujo sin usar.

La pregunta que hago primero es qué pasa cuando se equivoca, porque eso lo determina todo. Si el usuario ve el error de inmediato y puede deshacerlo barato, un modelo encaja muy bien, y por eso funcionan tan bien redactar y resumir. Si el error es silencioso o caro, como algo que cambia una cifra que se le factura a un cliente, prefiero reglas y un valor por defecto mucho mejor. La segunda pregunta es si la tarea de base se quiere siquiera. He visto mucho esfuerzo puesto en añadir inteligencia a un flujo que la gente ya estaba evitando, lo que solo produce una versión más lista de algo que nadie abre. Y tercero, los datos tienen que existir. Si el modelo necesita contexto que vive en tres sistemas a los que no tenemos acceso, la respuesta honesta es que esto es primero un proyecto de integraciones. Después acoto la versión más pequeña que prueba si la gente se fía de la salida en absoluto.