Definir proyectos de IA en la organización: por dónde empezar (de verdad)

La mayoría de las organizaciones saben que tienen la necesidad de trabajar con la inteligencia artificial para encontrarse en la vanguardia. Lo que no tienen tan claro es qué, cómo ni por dónde empezar. Y ese es, precisamente, el mayor freno para que muchos proyectos de IA lleguen siquiera a plantearse.

Europa apuesta firmemente por esta tecnología disruptiva. El mercado europeo de la IA crecerá de forma exponencial en los próximos años y ninguna empresa quiere quedarse fuera de esta nueva revolución industrial. Sin embargo, la realidad es menos épica: abundan las iniciativas, las soluciones tecnológicas y los discursos, pero escasean los proyectos bien definidos y alineados con el negocio.

En mi experiencia trabajando con empresas tecnológicas y organizaciones que quieren incorporar la IA a sus procesos, el punto de partida suele ser siempre el mismo: una consultoría externa que ayude a definir los proyectos adecuados. No es una mala decisión, pero antes de contratar, conviene que la organización haya hecho un ejercicio previo de reflexión interna para identificar qué problemas merece la pena abordar y cuáles no.

La pregunta sigue siendo la misma: ¿por dónde empezamos? A continuación, propongo una guía práctica y realista, para iniciar este camino con mayores garantías de éxito.

En primer lugar, crear un equipo interdisciplinar de negocio y tecnología. Los proyectos de inteligencia artificial no son únicamente tecnológicos. Son, sobre todo, proyectos de negocio. Por eso, el primer paso debe ser crear un equipo de trabajo donde ambas visiones convivan desde el inicio.

Lo ideal es formar un grupo reducido, entre cinco y 10 personas, en el que estén representadas las áreas de negocio implicadas y el equipo técnico. Cada parte debe aportar su conocimiento específico: negocio, identificando puntos de dolor, ineficiencias y oportunidades reales; y tecnología, evaluando qué problemas son abordables con IA y con qué nivel de esfuerzo.

La intersección entre lo que aporta valor y lo que es técnicamente viable debe convertirse en el foco del análisis.

Mi primer proyecto con inteligencia artificial nació desde el departamento de Informática, contando con la decisión de la Dirección de la empresa, pero sin la implicación del servicio de gestión de ingresos. ¿Podéis adivinar el resultado? Una buena arquitectura técnica, una buena documentación sobre el modelo a implementar, pero un resultado sin validar y sin explotación posterior. Únicamente con el departamento de tecnología no es suficiente para desarrollar este tipo de proyectos.

En segundo lugar, identificar los proyectos que realmente importan. No todos los problemas merecen un proyecto de IA. En esta fase conviene priorizar con criterio y hacerse tres preguntas clave.

Primero, ¿qué tareas repetitivas y de bajo valor podrían automatizarse? Suelen ser procesos burocráticos, costosos en tiempo y poco atractivos para los empleados. Segundo, ¿cuáles son los elementos diferenciales de la organización? Aquellos aspectos que definen su identidad, su cultura y su propuesta de valor, y que podrían reforzarse con tecnología.

Y tercero, ¿dónde están los puntos débiles? Aquellas actividades que generan fricción, errores o pérdida de eficiencia y que afectan directamente al rendimiento del negocio.

Estos tres focos suelen ser el origen de los mejores casos de uso de inteligencia artificial.
Los correos repetitivos que solemos contestar pueden ser un buen ejemplo para comenzar con la automatización.

En tercer lugar, generar ideas sin miedo. Una vez identificadas las áreas de interés, es momento de abrir el abanico de posibilidades. Dinámicas como brainstorming o design thinking ayudan a generar múltiples ideas de casos de uso sin entrar aún en si son posibles o no.

En esta fase, la cantidad importa más que la calidad. No se trata de acertar, sino de explorar. Posteriormente, el equipo analizará las ideas y descartará únicamente aquellas que claramente no aportan valor o no son viables.

Las ideas dudosas no deben eliminarse demasiado pronto. Muchas veces esconden oportunidades interesantes que solo aparecen al analizarlas con más profundidad. Me he encontrado con ideas que en un primer momento parecen descabelladas pero que posteriormente y tras un análisis más detallado, pueden implementarse con pequeñas variaciones.

En cuarto lugar, priorizar con una matriz impacto/esfuerzo. Con una lista depurada de casos de uso, llega el momento de priorizar. Una forma sencilla y eficaz es utilizar una matriz impacto/esfuerzo.

En el eje horizontal se valora el esfuerzo necesario para desarrollar el proyecto. En el eje vertical, el impacto o beneficio para la organización. Al posicionar cada caso de uso en la matriz, aparecen cuatro escenarios claros.

Los proyectos de alto esfuerzo y bajo impacto son los menos atractivos y deberían descartarse. Los de bajo esfuerzo y bajo impacto pueden servir como primeros experimentos para aprender. Los de alto impacto y esfuerzo requieren experiencia y madurez. Y, por último, los casos de alto impacto y bajo esfuerzo son los auténticos quick wins: los proyectos que conviene abordar en primer lugar.

Los quick wins son los denominados proyectos tractores. Un proyecto exitoso con poco esfuerzo es el mejor ejercicio para motivar a la organización a emprender un nuevo rumbo. Mi experiencia exitosa fue con un recomendador para alumnos. Muchas veces los alumnos no tienen claro qué cursos o asignaturas se les va a dar mejor en el futuro. Analizando sus gustos personales, sus semejanzas con otros alumnos anteriores y el grado de empleabilidad, obtuvimos recomendaciones valiosas para los tutores de estos alumnos indecisos.

En quinto lugar, aplicar una diligencia funcional, técnica y ética. Antes de avanzar, es fundamental validar los casos de uso seleccionados desde tres perspectivas.

La diligencia funcional consiste en cuestionar si el proyecto es realmente útil para la organización. Para ello, conviene contrastarlo con personas de otras áreas que conozcan bien la cultura empresarial y puedan aportar una visión crítica.

La diligencia técnica implica preguntarse si la IA puede resolver ese problema hoy, con los datos y recursos disponibles. Aquí también es recomendable contrastar con otros perfiles técnicos para evitar el exceso de optimismo.

Y, por último, la diligencia ética. El responsable del proyecto debe evaluar si contribuye al beneficio empresarial y social, respeta la legalidad y evita sesgos. No todas las buenas ideas son aceptables ni responsables.

En sexto lugar, definir objetivos de calidad realistas. Todo proyecto de inteligencia artificial produce un resultado acompañado de incertidumbre. Pretender un 100% de acierto es irreal, pero aceptar tasas de error elevadas tampoco es razonable.

En muchos casos, un nivel de eficacia superior al 95% puede considerarse aceptable, siendo deseables valores cercanos al 98 o 99%. Definir estos objetivos desde el inicio evita frustraciones posteriores.

En cuanto a los datos, una distribución equilibrada entre entrenamiento, validación y test permite evaluar correctamente el rendimiento de los modelos y su robustez antes de su puesta en producción.

Cuantos más datos mejor, pero datos de calidad por favor. La mayor parte de un proyecto de inteligencia artificial se lleva en trabajar en la limpieza y adecuación de los datos (data wrangling).

En séptimo lugar y como último paso recomendado, no corras delante de un tren. Antes de desarrollar una solución desde cero, conviene hacerse una última pregunta: ¿ya existe algo similar en el mercado?

La industria tecnológica ofrece hoy soluciones maduras que resuelven muchos problemas comunes. Adoptarlas puede ahorrar tiempo, costes y riesgos, además de garantizar su evolución futura. Desarrollar internamente solo tiene sentido cuando el caso de uso es realmente diferencial o estratégico. Correr delante de un tren, intentar reinventar lo que ya existe, suele ser una fuente innecesaria de frustración.

La definición de proyectos de inteligencia artificial no es un ejercicio puntual, sino un proceso continuo. El primer paso siempre es el más complejo, pero también el más decisivo. Cada decisión bien tomada acelera la curva de aprendizaje y aumenta las probabilidades de éxito futuro.
Porque, como dice el proverbio, el primer paso no te lleva a donde quieres ir, pero te saca de donde estás. Y, en IA, empezar bien es casi tan importante como empezar.

***Ambrosio Rodríguez es vicesecretario del CCII y decano del COIICLM (Colegio Oficial de Ingeniería Informática de Castilla-La Mancha).