Gestión de proyectos de IA: planificar, ejecutar y terminar

Cómo gestionar proyectos de IA: por qué es distinto

El software común sigue reglas fijas: usted oprime un botón y se envía una factura. La IA redacta, ordena, resume o recomienda, y su respuesta puede cambiar según la redacción, los datos y el día. Dos ejecuciones de la misma solicitud pueden no coincidir.

Eso no vuelve misteriosa la gestión de proyectos de IA. Significa un alcance más acotado, medidas de éxito acordadas de antemano, más pruebas con ejemplos reales y un plan de quién revisa los resultados. La meta de un primer proyecto no es "IA en todas partes", sino un trabajo útil hecho con la seguridad suficiente para poder confiar en él.

Paso 1: Elija un caso de uso de IA

Los primeros proyectos suelen estancarse porque empiezan demasiado grandes: "automatizar las operaciones" o "un chatbot para todo". Elija algo acotado, con un antes y un después claros, como clasificar por tema los correos de soporte que llegan, redactar primeras respuestas para que el personal las apruebe o extraer campos clave de las facturas de proveedores.

Un buen primer caso de uso:

ocurre cada día o cada semana, no una vez por trimestre;
produce resultados que un empleado común puede evaluar;
se puede revisar antes de que algo llegue a un cliente o a un registro;
tiene ejemplos, documentos o casos anteriores de los que aprender;
puede empezar con usuarios internos antes de ampliarse.

Si un error causaría daño legal, financiero o de seguridad y solo un especialista podría detectarlo, deje esa idea para un proyecto posterior.

Paso 2: Acuerde las medidas de éxito antes de elegir herramientas

Los proyectos que empiezan con la demostración de una herramienta tienden a perder el rumbo. Los que empiezan con medidas pueden tomar decisiones. Anote cómo se hace la tarea hoy y qué mejora justificaría el esfuerzo:

Tiempo: minutos por tarea antes y después.
Calidad: con qué frecuencia el resultado se acepta, se edita o se rechaza.
Adopción: si el personal lo sigue usando un mes después de la capacitación.
Impacto: respuestas más rápidas, menos seguimientos olvidados, documentos más consistentes.
Riesgo: si los resultados delicados se revisaron antes de usarse.

Estas medidas son las que reporta el gestor de proyectos de IA, y evitan que un proyecto se dé por exitoso solo porque la demostración se veía bien. Nuestra guía sobre el ROI de la IA muestra cómo convertirlas en un cálculo del retorno de la inversión.

Paso 3: Revise los datos desde el principio

La IA depende de lo que recibe: registros, correos, políticas, notas de productos, casos anteriores. Si ese material está desactualizado, disperso o es contradictorio, los resultados también lo estarán. Para una pequeña empresa, esto suele ser cuestión de orden, no un gran proyecto de datos: retirar versiones viejas de las políticas, ordenar las descripciones de productos y reunir ejemplos de respuestas buenas y malas.

Acceso: ¿dónde está la información y quién puede usarla?
Confianza: ¿está actualizada, completa y es consistente?
Protección: ¿qué datos personales, financieros o confidenciales hay que excluir u ocultar?

Si los datos son débiles, elija una tarea más sencilla, limite la IA a trabajo de menor riesgo o incluya en el plan un paso de limpieza.

Paso 4: Asigne los roles

Los proyectos de IA abarcan el negocio, las operaciones y la tecnología, así que pierden el rumbo cuando todos suponen que otra persona está revisando. No necesita un equipo grande, pero sí un nombre junto a cada responsabilidad:

Responsable del negocio: es dueño del problema, del presupuesto y de la decisión de lanzar.
Gestor de proyectos de IA: controla el alcance, los riesgos, las pruebas, los plazos y la comunicación; en una empresa pequeña suele ser el dueño o un encargado de operaciones.
Experto en el proceso: explica cómo se hace hoy el trabajo y cómo se ve un buen resultado.
Líder técnico o proveedor: construye, configura o integra la herramienta.
Responsable de los datos: confirma qué información se puede usar.
Revisores: prueban los resultados y dan comentarios ordenados.

Una persona puede tener varios roles. Lo importante es que el resultado pertenezca al negocio, no solo al desarrollador o al proveedor. El AI RMF Playbook (en inglés) del Instituto Nacional de Estándares y Tecnología (NIST) describe la misma idea dentro de la gobernanza: una responsabilidad clara sobre cómo se usa y se supervisa un sistema de IA.

Paso 5: Lance una primera versión pequeña

Planee la primera versión como una versión controlada para trabajo real, no como una transformación terminada. Limítela a un equipo, un tipo de documento o una línea de productos. Por ejemplo, dé al personal un asistente interno que encuentre respuestas aprobadas antes de poner algo en el sitio web, o extraiga campos de las facturas de un proveedor antes de abordar todas.

Anote quién la usará, qué entra y qué queda fuera del alcance, con qué datos se conecta, qué revisión se hace antes de usar los resultados y la fecha en que decidirá ampliarla, cambiarla o detenerla.

Paso 6: Pruebe los resultados de la IA con ejemplos reales

Probar la IA es más que comprobar que los botones funcionan. Arme un conjunto de pruebas con trabajo real, que incluya casos fáciles, comunes, desordenados y raros. Califique cada resultado:

Aceptar: se puede usar con pocos cambios o ninguno.
Editar: es útil pero necesita corrección.
Rechazar: está mal, incompleto o no es seguro.
Escalar: implica un riesgo y necesita a un experto.

Busque patrones. Las fallas predecibles a menudo se corrigen con mejores instrucciones, datos o reglas del flujo de trabajo. Las fallas aleatorias en tareas importantes indican que la IA debe mantenerse lejos de esa decisión. Incluya casos en los que la respuesta correcta sea "no lo sé" y compruebe que el sistema lo diga en lugar de adivinar.

Paso 7: Mantenga a las personas al mando

Ajuste la revisión al riesgo. Los resúmenes internos pueden necesitar revisiones al azar; los mensajes a clientes necesitan aprobación antes de enviarse; todo lo que toque pagos, contratos, contrataciones, salud o cumplimiento normativo necesita a una persona capacitada. Controles útiles:

un paso de aprobación antes de que algo salga del negocio;
reglas sobre cuándo el personal debe ignorar o corregir a la IA;
límites sobre qué datos se pueden ingresar;
un registro de las decisiones importantes tomadas con ayuda de la IA;
un proceso alternativo para cuando la herramienta no funcione o se equivoque.

El Marco de Gestión de Riesgos de IA del NIST (en inglés) organiza este trabajo en cuatro funciones, gobernar, mapear, medir y gestionar, que sirven como lista de verificación incluso para un proyecto muy pequeño.

Paso 8: Implemente, capacite y dé seguimiento

La implementación de IA convierte el proyecto en un cambio que funciona. Muestre al personal el flujo de trabajo anterior, el nuevo y los puntos en los que todavía deciden ellos. Comparta ejemplos de resultados buenos y malos, diga qué nunca se debe pegar en la herramienta y explique cómo reportar problemas.

Después, siga midiendo. Los resultados cambian cuando cambian los datos, los clientes o el software del proveedor. Revise las mismas medidas cada semana durante el primer mes y luego cada mes, y mantenga una lista breve de mejoras. El día del lanzamiento es el inicio del uso gestionado, no el final del proyecto.

Reserve tiempo para esto. Elegir el caso de uso, limpiar los datos, probar, corregir y capacitar suele llevar más tiempo que la construcción técnica.

Por qué se estancan los proyectos de IA, y la IA en la gestión de proyectos comunes

La mayoría de los estancamientos tienen causas comunes: un alcance que no deja de crecer, datos que faltan o están desordenados, nadie responsable del negocio, medidas sin acordar o preguntas de riesgo que llegan demasiado tarde. Si un proyecto se estanca, vuelva a un caso de uso, un responsable, un grupo de prueba, un conjunto de medidas y una versión pequeña.

La expresión "gestión de proyectos de IA" también se usa para algo distinto: usar la IA para ayudar a llevar proyectos comunes, como una mudanza de oficina o una campaña, redactando agendas, resumiendo reuniones, convirtiendo conversaciones en listas de tareas y detectando riesgos. Es útil, pero el gestor del proyecto sigue siendo responsable de las prioridades, las decisiones y la exactitud. Nuestra guía de ChatGPT para empresas explica cómo obtener buenos resultados de un asistente.

Lista de verificación del plan de implementación de IA

Elija un caso de uso específico.
Nombre al responsable del negocio y al gestor de proyectos de IA.
Defina los usuarios, el flujo de trabajo y el resultado esperado.
Fije medidas de tiempo, calidad, adopción y riesgo, y registre los valores actuales como punto de partida.
Revise el acceso, la calidad y la sensibilidad de los datos.
Decida qué incluye y qué excluye la primera versión.
Arme un conjunto de pruebas con ejemplos reales, incluidos casos que la IA debería rechazar.
Califique los resultados como aceptar, editar, rechazar o escalar.
Agregue revisión humana para los resultados riesgosos o dirigidos a clientes.
Capacite al personal en el flujo de trabajo, los límites y cómo reportar problemas.
Dé seguimiento después del lanzamiento y mejore con un calendario fijo.

Dónde encaja ASL

Auto Secure Login lleva así los proyectos de IA de sus clientes: un flujo de trabajo a la vez, con los pasos de revisión, las fuentes y los registros acordados antes de construir. Nuestro servicio de desarrollo de software a medida puede actuar como su líder técnico, o ayudarle a planear, probar y gestionar un proyecto que construye otro proveedor. Descríbanos su proyecto y le diremos con honestidad si es un buen primer proyecto de IA.

Nuestro propio ASL Help Engine muestra en la práctica este enfoque de pruebas: responde solo con fuentes revisadas, cita cada afirmación y, antes de cada lanzamiento, se comprueba contra un conjunto de preguntas revisadas con las citas esperadas y los rechazos esperados.

Preguntas frecuentes

¿Qué es la gestión de proyectos de IA?

Es planear y llevar un proyecto que construye o adopta IA: elegir un caso de uso, acordar medidas de éxito, preparar los datos, probar los resultados con ejemplos reales, mantener a las personas al mando y dar seguimiento a los resultados después del lanzamiento.

¿Qué hace un gestor de proyectos de IA?

Mantiene acotado el alcance, controla riesgos y plazos, organiza las pruebas y los comentarios de los revisores, reporta sobre las medidas acordadas y se asegura de que el resultado pertenezca al negocio, no solo al proveedor.

¿Cómo se escribe un plan de implementación de IA?

Indique el caso de uso, el responsable, los usuarios y los datos; fije medidas con un punto de partida; defina una primera versión pequeña y su conjunto de pruebas; agregue pasos de revisión; planee la capacitación, y fije una fecha para decidir si ampliar, cambiar o detener el proyecto.

¿Cuánto tarda un primer proyecto de IA?

Depende de los datos y de las integraciones, pero cuente con que el caso de uso, la limpieza de datos, las pruebas y la capacitación lleven más tiempo que la construcción técnica. Una primera versión pequeña e interna es el camino más rápido hacia una respuesta real.

¿Por qué fracasan los proyectos de IA?

Casi siempre por razones de gestión: un alcance que no deja de crecer, datos de mala calidad, nadie claramente responsable, medidas sin acordar, falta de un proceso de revisión o un personal que no confía en la herramienta porque no participó.

Guías relacionadas

Conozca el producto completo

Consulte funciones, acceso actual y límites

Gestión de proyectos de IA: cómo planificar, ejecutar y terminar un proyecto de IA