Gestión de proyectos mediante inteligencia artificial frente a software tradicional

Imagínese este escenario: su empresa decide implementar un sistema de Inteligencia Artificial (IA) para optimizar un proceso crítico. El director del proyecto, acostumbrado a implementaciones a gran escala de software tradicional, abre el cronograma, define un alcance cerrado, vincula los entregables en un tablero Kanban lineal y promete la máxima precisión en tiempo récord.

Si gestionas tus proyectos de datos e inteligencia artificial de la misma manera que gestionas tus proyectos de ERP o software heredado, te digo una verdad: tu cronograma te está engañando.

En el mundo de la tecnología tradicional, el éxito suele ser binario: el código funciona o no, la pantalla se enciende o no. Pero al cruzar la frontera hacia el mundo de la IA, la lógica cambia drásticamente. Dejamos atrás el determinismo y entramos en el terreno de la probabilidad, donde uno más uno no siempre es igual a dos.

Para comprender por qué tantos proyectos de IA fracasan incluso antes de salir de la fase de diseño, y cómo los líderes tecnológicos pueden superar este desafío, hemos recopilado las principales lecciones prácticas que se comentan en el podcast Builders por expertos que están experimentando esta transición de primera mano.

Un análisis de la realidad: ¿por qué fallan los métodos tradicionales en la IA?

Los datos del mercado son implacables. Investigaciones de consultoras como McKinsey indican que entre el 70 % y el 85 % de los proyectos de IA fracasan o no superan la primera fase de pruebas (la famosa prueba de concepto o PoC).

La razón de este alarmante ritmo no reside en la falta de tecnología de vanguardia, sino en una profunda discrepancia entre expectativas y metodologías. El desarrollo de la IA se asemeja más a un proceso científico y experimental que a la ingeniería de software tradicional.

El cambio en la "definición de hecho"

En los proyectos de software tradicionales o en los módulos ERP, la definición de "terminado" es clara: el flujo de trabajo pasa del desarrollo a la validación y culmina con la implementación del código estructurado.

En inteligencia artificial, el término "listo" se define como la validación de una hipótesis. El proceso es inherentemente cíclico e iterativo: implementación, pruebas, análisis de recuperación ( una métrica que evalúa la frecuencia de errores del modelo o la necesidad de realizar más pruebas) y, finalmente, volver al punto de partida. A menudo, al inicio del proceso, tanto el desarrollador como el cliente desconocen cuál será el resultado final.

Los 3 perfiles de clientes (y los riesgos para el proyecto)

Gestionar la IA requiere manejar con precisión las expectativas humanas. En el ecosistema empresarial, destacan tres perfiles típicos de partes interesadas que los líderes de proyecto deben aprender a gestionar:

1. El creyente en milagros: Este es el perfil entusiasta de alguien que ha oído hablar del potencial de la tecnología en el mercado y cree que implementar la IA será rápido, fácil y mágico. No tiene ni idea de la cantidad de trabajo y la estructura interna que requiere por su parte para que el modelo dé resultados.
2. El escéptico del retorno de la inversión inmediato cree en el potencial, pero exige un retorno de la inversión extremadamente rápido, sin comprender la cronología evolutiva de la IA. Los modelos de aprendizaje automático requieren un proceso gradual: primero se alcanza una eficiencia del 30 %, luego del 60 %, hasta llegar a la madurez y la excelencia.
3. El surfista político: quiere implementar la tecnología a cualquier precio solo para vender internamente o al mercado que la empresa "tiene IA". Este es considerado el perfil más peligroso, ya que no sabe exactamente qué quiere la solución, ignora las limitaciones técnicas y genera altos niveles de frustración futura.

La materia prima oculta: ¿están listos sus datos?

La principal diferencia entre el éxito y el fracaso de un agente o modelo de IA radica en la calidad de los datos. La tecnología leerá y aprenderá basándose exclusivamente en la información que se le proporcione.

Lo más habitual en las empresas es que el cliente solicite una solución compleja y, al preguntarle sobre la base de datos, descubra que no existe, está incompleta o carece por completo de estructura. Por ejemplo: si se crea un modelo diseñado para resolver problemas de Recursos Humanos y se le alimenta con una base de datos inconsistente, o se intenta extraer información financiera para la que no fue entrenado, la entrega fracasará.

Antes de diseñar robots o flujos de trabajo complejos, ponga la pelota en el suelo y audite su materia prima: los datos empresariales.

Cómo adaptar la gestión: CAPEX, OPEX y Agile de doble vía

Para evitar que la gestión del tiempo y los recursos se vea obstaculizada por el modelo determinista tradicional, las grandes empresas utilizan marcos de adaptación en tiempo real:

• Separación contable (CAPEX vs. OPEX): Los mercados más maduros establecen una clara distinción. La fase de estructuración de datos, investigación, experimentación y entrenamiento inicial del modelo se considera CAPEX (inversión). A partir del momento en que el modelo se establece, se monitoriza y genera beneficios escalables, el proyecto entra en la OPEX (gastos operativos).
• Marco de trabajo de doble vía: uso del modelo ágil dividido simultáneamente en dos vías: Descubrimiento (experimentación) y Entrega (entrega de valor centrada en el software).
• Mapeo del flujo de valor: centrarse en la mejora continua y el perfeccionamiento constante de los procesos, en lugar de considerar los errores como fallos definitivos. En la era de la IA, aprender del comportamiento anómalo de los modelos forma parte del ciclo evolutivo.

Conclusión: La IA no reemplaza a las personas, reemplaza actividades

Los proyectos exitosos de inteligencia artificial no se crean para reemplazar el factor humano, sino para eliminar los cuellos de botella operativos y las actividades 100% manuales o burocráticas. Al liberar a los profesionales de tareas repetitivas, como dedicar horas a formatear manualmente informes o presentaciones, los líderes disponen de tiempo valioso para centrarse en la estrategia, las relaciones interpersonales y las nuevas oportunidades de negocio.

Gestionar la IA requiere abandonar el enfoque estático y adoptar un ritmo probabilístico. Tus cronogramas solo serán precisos cuando reflejen hipótesis, datos estructurados y experimentación en el mundo real.

¿Deseas dominar a fondo las metodologías de gestión para la nueva era tecnológica?

Escucha el debate completo y descubre todos los trucos, ejemplos de bases de datos de RRHH/Finanzas y lecciones prácticas compartidas por Bruno Marcos (Coordinador de Ingeniería de Datos en Skyone) y Sidney Rocha (Director de Servicios en Skyone) en este episodio imperdible.

🎧 ¡Haz clic aquí para escuchar el episodio completo del podcast Builders en Spotify!

Escrito por Skyone