Preparación para IA: cinco dimensiones que revisar antes de financiar
Revise en conjunto datos, tecnología, estrategia, personas y cultura, y gobernanza. Resultado: un panorama de brechas, riesgos y aceleradores, no una puntuación.
Por el equipo de Snowfox AI
En esta página
- ¿Qué es la preparación para IA y por qué revisarla antes de financiar?
- ¿Cuáles son las cinco dimensiones?
- ¿Qué debe revisar en los datos?
- ¿Qué debe comprobar en la tecnología?
- ¿Cómo se pone a prueba la estrategia?
- ¿Qué significa la preparación en personas y cultura?
- ¿Qué corresponde a gobernanza y procesos?
- ¿Por qué el resultado debe ser un panorama y no una puntuación?
- ¿Cómo ordena la revisión los casos de uso?
- Por dónde empezar
Antes de financiar un proyecto de IA, revise cinco dimensiones en conjunto: datos, tecnología, estrategia, personas y cultura, y gobernanza y procesos. El resultado útil no es una puntuación de madurez. Es un panorama de las brechas que bloquearán el trabajo, de los riesgos que necesitan un responsable y de los aceleradores con los que usted ya cuenta, y ese panorama le indica qué casos de uso abordar primero.
¿Qué es la preparación para IA y por qué revisarla antes de financiar?
La preparación para IA es la capacidad práctica de una organización para llevar un caso de uso desde la idea hasta un sistema que funciona en producción y cambia un resultado de negocio. Un caso de uso es una aplicación concreta, como prever la demanda de una línea de productos o extraer las partes de un contrato.
Los proyectos que se estancan rara vez lo hacen solo por el modelo. Los datos no se pudieron cruzar, la salida no tenía dónde integrarse en los sistemas existentes, nadie en el área de negocio era responsable del resultado o nunca se definió la aprobación para pasar a producción. Todo esto se puede detectar antes de comprometer el dinero, cuando corregirlo cuesta menos.
Además, IA no significa solo IA generativa. La respuesta puede ser un modelo de machine learning, la automatización de flujos de trabajo, una integración de sistemas, analítica o un agente de IA, y a menudo varias de estas cosas a la vez. Empiece por el problema, no por la tecnología.
¿Cuáles son las cinco dimensiones?
| Dimensión | Qué revisa | Una brecha típica |
|---|---|---|
| Datos | Qué existe, dónde está y si se puede confiar en ello | Los campos clave están en hojas de cálculo o en un sistema del que nadie puede exportar |
| Tecnología | Los sistemas en uso, cómo se conectan y qué no pueden hacer | La salida del modelo no tiene una vía de regreso al sistema donde trabajan las personas |
| Estrategia | En qué resultados de negocio debe incidir el trabajo | El proyecto se define por una tecnología, no por un indicador |
| Personas y cultura | Competencias, responsables y disposición a cambiar la forma de trabajar | No hay un responsable designado en el área de negocio |
| Gobernanza y procesos | Quién decide, los riesgos y cómo se aprueban los cambios | Nadie sabe quién puede aprobar la puesta en producción de un modelo |
¿Qué debe revisar en los datos?
Tres cosas: qué existe, dónde está y si se puede confiar en ello.
Para cada caso de uso candidato, enumere las fuentes que necesita. Compruebe cuánto historial hay y con qué nivel de detalle. Si el caso de uso requiere aprendizaje supervisado, es decir, un modelo que aprende de ejemplos pasados con respuestas conocidas, compruebe que esas respuestas quedaron registradas. Después, verifique si dos sistemas dan la misma cifra ante la misma pregunta.
Brechas típicas: identificadores de cliente o de producto que no coinciden entre sistemas, historial que se sobrescribe en lugar de conservarse y definiciones que difieren entre departamentos.
Qué no hacer: auditar todos los datos de la empresa. Revise los datos de los que dependen los casos de uso candidatos.
¿Qué debe comprobar en la tecnología?
Revise los sistemas en uso, cómo se conectan y qué no pueden hacer.
Identifique adónde tiene que llegar la salida: el ERP, el CRM, una herramienta de precios, una pantalla del servicio de atención al cliente. Compruebe si esos sistemas ofrecen una API (interfaz de programación de aplicaciones, la forma en que un sistema lee o escribe datos en otro) o si solo permiten exportaciones manuales. Compruebe dónde se ejecutaría un modelo y quién lo operaría. MLOps es el conjunto de prácticas para poner modelos de machine learning en producción, supervisarlos y mejorarlos con el tiempo, y necesita un responsable antes de que se lance el primer modelo.
Qué no hacer: comprar una plataforma antes de saber qué necesitan de ella los dos primeros casos de uso.
¿Cómo se pone a prueba la estrategia?
Pregunte en qué resultado de negocio debe incidir el trabajo. Cada caso de uso candidato necesita un indicador concreto, una línea de base y una persona que responda por ese indicador.
Una prueba sencilla: si esto funciona a la perfección, ¿qué decisión cambia y quién la toma de otra manera? Si nadie sabe responder, es una demostración, no un proyecto.
Decida cómo se medirá el resultado antes de construir. En el trabajo de Snowfox de optimización de precios para el comercio minorista, el caso publicado indica un aumento del 6% en el margen frente a tiendas comparables. El grupo de comparación es lo que da sentido a la cifra.
¿Qué significa la preparación en personas y cultura?
Abarca las competencias, los responsables y la disposición a cambiar la forma de trabajar.
Identifique quién construirá el sistema, quién lo operará y quién lo usará. Un modelo que recomienda precios no tiene efecto si los responsables de categoría no confían en él o si se les evalúa por algo que el modelo no mejora.
Una brecha de competencias no es un impedimento en sí misma. Determina cómo se organiza el equipo: construir internamente, operar los modelos con un socio bajo un esquema de MLOps o usar modelos ya construidos como servicio (MLaaS).
¿Qué corresponde a gobernanza y procesos?
Quién decide, los riesgos y cómo se aprueban los cambios.
Averigüe quién aprueba la puesta en producción de un modelo, qué ocurre cuando se equivoca, quién puede desactivarlo y cómo se prueba una nueva versión. Compruebe qué normas se aplican a los datos implicados: seguridad, retención y privacidad.
Hay dos brechas típicas. O no existe ningún proceso, y el lanzamiento lo detienen a última hora el área jurídica o la de seguridad. O el proceso se diseñó para lanzamientos de software convencional y no sirve para un modelo que se vuelve a entrenar con datos nuevos.
Qué no hacer: redactar una política de IA en abstracto. Defina las reglas para el primer caso de uso y generalice a partir de ahí.
¿Por qué el resultado debe ser un panorama y no una puntuación?
Una puntuación promedia cosas que no se pueden promediar. Un resultado sólido en tecnología y uno débil en datos no significan que usted esté preparado a medias. Significan que está bloqueado por los datos.
El resultado debe enumerar tres cosas por caso de uso:
- Brechas: qué falta para que este caso de uso funcione en producción.
- Riesgos: qué podría salir mal y quién responde por ello.
- Aceleradores: lo que usted ya tiene y acorta el camino, como un historial de transacciones limpio, un equipo que ya decide a partir de paneles de control o un data warehouse que ya está en funcionamiento.
Las dimensiones también interactúan. Que dos departamentos discrepen sobre una cifra parece un problema de datos, pero la causa a menudo es de gobernanza: nadie es responsable de la definición. Por eso las cinco se revisan en conjunto.
¿Cómo ordena la revisión los casos de uso?
- Enumere los casos de uso candidatos con el resultado de negocio en el que cada uno debe incidir.
- Para cada uno, marque qué brechas lo bloquean y cuáles solo lo retrasan.
- Empiece por el caso de uso que tenga un resultado claro y el menor número de brechas que bloquean, aunque no sea el de mayor beneficio.
- Programe el trabajo de base que desbloquea los siguientes, como un pipeline, una integración o una regla de aprobación, y vincule cada elemento a un caso de uso concreto.
- Aparte los casos de uso sin responsable o sin resultado medible hasta que tengan ambos.
A veces el resultado es que el primer proyecto es un proyecto de datos, no de IA. Es un resultado válido. Los datos y la IA son dos mitades del mismo trabajo.
Por dónde empezar
- El Diagnóstico de Preparación para IA revisa las cinco dimensiones en conjunto y entrega un panorama de brechas, riesgos y aceleradores.
- La Consultoría en IA abarca estrategia, priorización de casos de uso e implementación.
- Si las principales brechas están en los datos, consulte estrategia de datos.
- O cuéntenos el problema y determinaremos si el enfoque adecuado son los datos o la IA.