El libro parte de una situación muy común: una empresa que ya tiene tableros y quiere que le anticipen algo en lugar de contarle lo que pasó. Recorre cómo llevar predicciones a esos tableros sin equipo de ciencia de datos, apoyándose en servicios que entrenan modelos automáticamente, y dedica buena parte a evaluar si el caso de uso vale la pena antes de tocar nada.
Qué me llevé
La criba de casos de uso. Antes de hablar de técnica hay que responder si existe una decisión que cambiaría con la predicción, quién la toma y con cuánta anticipación la necesita. Si nadie va a hacer nada distinto, el modelo es un adorno caro en una pantalla. Esa pregunta la hago ahora al principio, y tumba más proyectos de los que arranca, lo cual está bien.
La segunda: el valor no está en el modelo sino en tener el dato ordenado. Casi todas las empresas medianas que veo quieren predecir demanda y todavía no tienen bien resuelto qué es un cliente, qué es un producto y qué fecha manda. Ahí hay meses de trabajo que no son de inteligencia artificial y que nadie quiere pagar porque no suenan modernos.
Y la tercera, práctica: una predicción dentro del tablero que la gente ya abre se usa; una predicción en una herramienta nueva, no. Es una obviedad de adopción que se olvida en cada propuesta.
Qué dejé fuera
Buena parte del libro, sinceramente. Está muy pegado a herramientas de un proveedor y a un momento anterior a los modelos de lenguaje, así que las pantallas y los servicios que muestra ya no son los mismos. Tampoco trata bien el costo recurrente de mantener un modelo funcionando, que es donde estos proyectos mueren. Lo leo como un libro de criterio de negocio, no como manual.