Hay un patrón que vemos en organizaciones que inician su recorrido de IA: un equipo directivo se entusiasma con la IA, da luz verde a un proyecto y seis meses después la iniciativa está estancada—no porque la tecnología no funcionó, sino porque nunca se hicieron las preguntas fundamentales.
Estas doce preguntas no son una formalidad. Son la diferencia entre un proyecto que se implementa y uno que se convierte en una historia de advertencia en la revisión estratégica del próximo año.
Las preguntas del caso de negocio
1. ¿Qué problema de negocio específico estás resolviendo?
“Queremos usar IA” no es un planteamiento de problema. “Nuestro equipo de soporte dedica el 60% de su tiempo a responder las mismas 50 preguntas” sí lo es. Mientras más específico sea el problema, más fácil será construir, medir y declarar el éxito. Si no puedes describir el problema sin mencionar IA, estás empezando por el extremo equivocado.
2. ¿Cómo resuelves este problema hoy?
Entender el proceso actual—sus costos, sus modos de fallo, sus soluciones alternativas—es esencial. Necesitas una línea base para medir resultados, y necesitas comprender los requisitos implícitos que el proceso actual maneja. El proceso manual puede ser lento, pero también puede manejar casos excepcionales de maneras que necesitarás replicar.
3. ¿Cómo se ve el éxito en números?
Define tus métricas antes de construir. ¿Es el éxito una reducción del 50% en el tiempo de procesamiento? ¿Una disminución del 30% en la tasa de error? ¿Una mejora medible en la satisfacción del cliente? Objetivos vagos como “mejorar la eficiencia” hacen imposible saber si has tenido éxito y facilitan que el alcance se expanda indefinidamente.
4. ¿Quién es dueño de esta iniciativa y tiene autoridad para implementarla?
Los proyectos de IA que carecen de propiedad clara se estancan en los puntos de decisión. Alguien necesita tener la autoridad para hacer concesiones, aprobar lanzamientos y resolver desacuerdos entre stakeholders. Si la respuesta es “un comité”, prepárate para un progreso lento.
Las preguntas sobre datos
5. ¿Dónde están los datos que necesitas y puedes acceder a ellos?
La IA funciona con datos. ¿Dónde viven los tuyos? ¿Están en una base de datos, un repositorio de documentos, hojas de cálculo o en la cabeza de las personas? ¿Puede tu equipo técnico acceder a ellos programáticamente, o requiere exportaciones manuales y aprobaciones? Los problemas de acceso a datos son el bloqueo más común que vemos—no porque los datos no existan, sino porque acceder a ellos es más difícil de lo esperado.
6. ¿Qué tan limpios están esos datos?
Sé honesto. Si tus registros de clientes tienen entradas duplicadas, tu documentación de producto está tres versiones atrasada, o tu base de conocimiento tiene vacíos que todos sortean, esos problemas se transferirán directamente a tu IA. El modelo aprenderá de lo que le alimentes—incluyendo los errores. No necesitas datos perfectos, pero necesitas saber dónde están los problemas.
7. ¿Hay restricciones de privacidad o cumplimiento sobre estos datos?
La información personal, registros de salud, datos financieros e información comercial propietaria tienen restricciones. Conoce con qué estás trabajando antes de empezar a construir. Adaptar controles de privacidad en un sistema ya implementado es significativamente más costoso y riesgoso que construirlos desde el inicio.
Las preguntas organizacionales
8. ¿Tu equipo tiene las habilidades para construir y mantener esto?
Sé realista sobre las capacidades actuales de tu equipo. Construir un sistema de IA requiere diferentes habilidades que mantener uno. Podrías traer ayuda externa para la construcción, pero alguien interno necesita entender, monitorear y ajustar el sistema después del lanzamiento. Si nadie en tu equipo puede resolver problemas cuando la IA se comporta mal, tienes un problema de sostenibilidad.
9. ¿Quién se verá afectado por este cambio y están de acuerdo?
La IA cambia cómo trabajan las personas. El equipo de soporte cuyos tickets están siendo automatizados, los analistas cuyos informes están siendo generados, los gerentes cuyos flujos de aprobación están siendo optimizados—estas personas necesitan involucrarse temprano. La resistencia de los equipos afectados es una causa principal de fracaso de proyectos de IA, y casi siempre es prevenible con compromiso temprano.
10. ¿Cuál es tu plan de gobernanza?
¿Quién aprueba los despliegues de modelos? ¿Quién monitorea problemas de calidad? ¿Qué sucede cuando la IA comete un error? ¿Cómo manejas las preocupaciones de sesgo o equidad? La gobernanza no tiene que ser burocrática, pero sí necesita estar definida. Las organizaciones que resuelven esto después de un incidente público gastan mucho más que aquellas que planifican con anticipación.
Las preguntas técnicas
11. ¿Cuál es tu cronograma y presupuesto, de forma realista?
Un proyecto de IA enfocado típicamente toma 4-12 semanas para un despliegue inicial, dependiendo de la complejidad. Si alguien promete resultados en dos semanas o está planeando una hoja de ruta de 18 meses antes de cualquier despliegue, recalibra. El presupuesto debe considerar costos continuos—uso de API, monitoreo, mantenimiento—no solo la construcción inicial.
12. ¿Cómo manejarás que la IA esté equivocada?
Porque estará equivocada a veces. Cada sistema de IA produce errores, alucinaciones o salidas inesperadas. La pregunta no es si esto sucederá sino cómo lo detectarás y qué pasará cuando lo hagas. Construye manejo de errores, rutas de escalación humana y monitoreo de calidad en tu plan desde el principio.
Usando este checklist
No necesitas respuestas perfectas a las doce preguntas antes de empezar. Pero necesitas respuestas honestas. Un “aún no lo sabemos” es mucho mejor que una suposición que resulta ser incorrecta tres meses después del inicio del desarrollo.
Las preguntas que no puedes responder son a menudo las más valiosas de identificar. Señalan trabajo que debe suceder antes de que comience la construcción técnica—alineación de stakeholders, preparación de datos, planificación de gobernanza—que determinará si el proyecto tiene éxito más que cualquier decisión técnica.
Si encuentras que la mayoría de estas preguntas tienen respuestas claras y el problema es específico y bien entendido, probablemente estás listo para construir. Si varias de estas no tienen respuesta o las respuestas revelan brechas significativas, una evaluación de preparación de IA puede ayudarte a cerrar esas brechas eficientemente antes de comprometerte con la implementación.
El objetivo no es crear barreras para empezar. Es asegurar que cuando empieces, estés construyendo algo que realmente se implementará, funcionará y entregará valor.
