Cómo encontrar y priorizar los primeros casos de uso de AI en una empresa

El problema: actividad visible, continuidad invisible

Imagina esta situación: la dirección solicita iniciativas de AI y cada área propone un chatbot, pero nadie ha cuantificado la frecuencia del trabajo, la calidad de los datos, el daño potencial de un error ni quién cambiará el proceso. Cada equipo puede demostrar que cumplió su parte y, aun así, el resultado de extremo a extremo es frágil. El problema aparece en las transiciones: una decisión cambia de dueño, un dato pierde contexto o una excepción queda sin responsable. Cuando eso ocurre, más actividad produce más ruido, no más control.

Las primeras señales suelen parecer pequeñas. Una reunión se dedica a reconstruir qué ocurrió; dos reportes muestran cifras diferentes; un responsable espera información que el anterior considera entregada; una fecha cambia sin registrar la condición que la movió. Estas señales importan porque revelan que la operación depende de memoria individual y coordinación informal. Cómo encontrar y priorizar los primeros casos de uso de AI en una empresa empieza por convertir esas dependencias en un modelo observable.

La pregunta de diagnóstico no es “¿tenemos una herramienta para esto?”, sino “¿podemos explicar el estado actual, la evidencia que lo sostiene, quién decide el siguiente cambio y qué sucede si la condición no se cumple?”. Si la respuesta requiere preguntar a varias personas o revisar mensajes dispersos, todavía no existe un sistema operativo confiable.

Por qué el enfoque habitual falla

El primer error es empezar por configuración. Se crean campos, automatizaciones o tableros antes de acordar qué decisión representa cada cambio de estado. La interfaz queda terminada, pero los equipos continúan usando interpretaciones diferentes. Una automatización aplicada sobre una definición ambigua solo mueve la ambigüedad más rápido.

El segundo error es modelar el camino ideal e ignorar las excepciones. En este caso deben contemplarse, como mínimo, casos con poco volumen y alto valor, datos todavía no accesibles, procesos sujetos a regulación y iniciativas cuyo valor depende de integración profunda. Si el diseño no define cómo detectar, asignar y cerrar esas situaciones, los usuarios crearán canales paralelos. La excepción no desaparece: deja de ser visible para el sistema.

El tercer error es medir resultados finales sin observar los mecanismos que los producen. tiempo de ciclo evitado, calidad frente al baseline y porcentaje de excepciones no pueden interpretarse correctamente si no se conservan estados, timestamps, owners y razones de cambio. Un indicador sin trazabilidad permite describir el pasado, pero rara vez ayuda a decidir la siguiente acción.

El cuarto error es confundir documentación con operación. Un diagrama aprobado en un workshop pierde valor cuando no se traduce a reglas, campos mínimos, permisos, alertas y cadencias. El diseño debe vivir donde ocurre el trabajo y debe producir evidencia por defecto; depender de que alguien recuerde documentar después es una forma silenciosa de deuda operativa.

• Comprar o configurar antes de acordar decisiones y definiciones.
• Automatizar el happy path sin una cola explícita de excepciones.
• Duplicar el mismo dato en varios sistemas sin source of truth.
• Usar porcentajes agregados sin cohorte, ventana ni denominador.
• Asignar responsabilidad a “el equipo” en lugar de a un rol concreto.

La tesis: Portafolio de oportunidades AI

Los primeros casos de AI deben elegirse por la combinación de valor operativo, preparación de datos, viabilidad, riesgo y capacidad de aprendizaje, no por espectacularidad de la demo.

Este modelo separa cuatro capas que suelen mezclarse. La capa de negocio define estados, decisiones y límites. La capa de información conserva identidad, contexto, versiones y evidencia. La capa de ejecución asigna owners, SLAs, automatizaciones y excepciones. La capa de aprendizaje compara lo esperado con lo ocurrido y modifica reglas. Saltarse una capa genera soluciones que funcionan en una demo, pero se degradan cuando aumenta el volumen o cambia el contexto.

La unidad de diseño no es la pantalla ni la integración: es la decisión verificable. Cada decisión necesita una entrada válida, una salida observable y una persona o política responsable. Esta perspectiva permite cambiar herramientas sin perder el modelo y evita que la arquitectura quede atada a nombres de campos o funciones particulares de un proveedor.

Framework paso a paso

1. Descubrir fricciones a nivel de tarea y decisión

El objetivo de esta etapa es convertir “descubrir fricciones a nivel de tarea y decisión” en una condición que dos personas puedan evaluar de la misma manera. Empieza con casos reales, no con categorías ideales. Identifica qué información estaba disponible, qué decisión se tomó, quién la tomó y qué evidencia habría permitido repetirla. El entregable no es una lista exhaustiva, sino una regla suficientemente precisa para operar y aprender.

La decisión clave consiste en elegir el nivel correcto de detalle. Un modelo demasiado amplio oculta diferencias importantes; uno demasiado granular aumenta captura manual y mantenimiento. Usa Scorecard de oportunidad AI para probar el límite: cada elemento debe cambiar una acción, una autorización, un cálculo o una conversación. Si no cambia nada, probablemente sea decorativo.

Implementa primero el camino de mayor frecuencia y añade un mecanismo visible para casos con poco volumen y alto valor. La excepción debe tener condición de entrada, owner, fecha objetivo y forma de cierre. No la resuelvas con un comentario libre sin estructura. Cuando una excepción se repite, deja de ser extraordinaria y debe alimentar el siguiente cambio del modelo.

Instrumenta tiempo de ciclo evitado desde el inicio. Define evento, numerador, denominador, ventana, segmentación y fuente. Registrar una métrica después del despliegue suele revelar que faltan timestamps o estados históricos. Diseñarla ahora obliga a conservar la evidencia que luego permitirá evaluar el resultado.

• Criterio de entrada: existe evidencia suficiente para iniciar “Descubrir fricciones a nivel de tarea y decisión”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: casos con poco volumen y alto valor entra a una cola con prioridad y fecha.
• Evidencia: Scorecard de oportunidad AI conserva decisión, versión y responsable.

2. Calificar impacto, volumen y readiness

El objetivo de esta etapa es convertir “calificar impacto, volumen y readiness” en una condición que dos personas puedan evaluar de la misma manera. Empieza con casos reales, no con categorías ideales. Identifica qué información estaba disponible, qué decisión se tomó, quién la tomó y qué evidencia habría permitido repetirla. El entregable no es una lista exhaustiva, sino una regla suficientemente precisa para operar y aprender.

La decisión clave consiste en elegir el nivel correcto de detalle. Un modelo demasiado amplio oculta diferencias importantes; uno demasiado granular aumenta captura manual y mantenimiento. Usa Mapa impacto versus viabilidad para probar el límite: cada elemento debe cambiar una acción, una autorización, un cálculo o una conversación. Si no cambia nada, probablemente sea decorativo.

Implementa primero el camino de mayor frecuencia y añade un mecanismo visible para datos todavía no accesibles. La excepción debe tener condición de entrada, owner, fecha objetivo y forma de cierre. No la resuelvas con un comentario libre sin estructura. Cuando una excepción se repite, deja de ser extraordinaria y debe alimentar el siguiente cambio del modelo.

Instrumenta calidad frente al baseline desde el inicio. Define evento, numerador, denominador, ventana, segmentación y fuente. Registrar una métrica después del despliegue suele revelar que faltan timestamps o estados históricos. Diseñarla ahora obliga a conservar la evidencia que luego permitirá evaluar el resultado.

• Criterio de entrada: existe evidencia suficiente para iniciar “Calificar impacto, volumen y readiness”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: datos todavía no accesibles entra a una cola con prioridad y fecha.
• Evidencia: Mapa impacto versus viabilidad conserva decisión, versión y responsable.

3. Separar asistencia, automatización y autonomía

El objetivo de esta etapa es convertir “separar asistencia, automatización y autonomía” en una condición que dos personas puedan evaluar de la misma manera. Empieza con casos reales, no con categorías ideales. Identifica qué información estaba disponible, qué decisión se tomó, quién la tomó y qué evidencia habría permitido repetirla. El entregable no es una lista exhaustiva, sino una regla suficientemente precisa para operar y aprender.

La decisión clave consiste en elegir el nivel correcto de detalle. Un modelo demasiado amplio oculta diferencias importantes; uno demasiado granular aumenta captura manual y mantenimiento. Usa Ficha de experimento para probar el límite: cada elemento debe cambiar una acción, una autorización, un cálculo o una conversación. Si no cambia nada, probablemente sea decorativo.

Implementa primero el camino de mayor frecuencia y añade un mecanismo visible para procesos sujetos a regulación. La excepción debe tener condición de entrada, owner, fecha objetivo y forma de cierre. No la resuelvas con un comentario libre sin estructura. Cuando una excepción se repite, deja de ser extraordinaria y debe alimentar el siguiente cambio del modelo.

Instrumenta porcentaje de excepciones desde el inicio. Define evento, numerador, denominador, ventana, segmentación y fuente. Registrar una métrica después del despliegue suele revelar que faltan timestamps o estados históricos. Diseñarla ahora obliga a conservar la evidencia que luego permitirá evaluar el resultado.

• Criterio de entrada: existe evidencia suficiente para iniciar “Separar asistencia, automatización y autonomía”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: procesos sujetos a regulación entra a una cola con prioridad y fecha.
• Evidencia: Ficha de experimento conserva decisión, versión y responsable.

4. Diseñar experimentos con baseline y guardrails

El objetivo de esta etapa es convertir “diseñar experimentos con baseline y guardrails” en una condición que dos personas puedan evaluar de la misma manera. Empieza con casos reales, no con categorías ideales. Identifica qué información estaba disponible, qué decisión se tomó, quién la tomó y qué evidencia habría permitido repetirla. El entregable no es una lista exhaustiva, sino una regla suficientemente precisa para operar y aprender.

La decisión clave consiste en elegir el nivel correcto de detalle. Un modelo demasiado amplio oculta diferencias importantes; uno demasiado granular aumenta captura manual y mantenimiento. Usa Matriz de riesgo y autonomía para probar el límite: cada elemento debe cambiar una acción, una autorización, un cálculo o una conversación. Si no cambia nada, probablemente sea decorativo.

Implementa primero el camino de mayor frecuencia y añade un mecanismo visible para iniciativas cuyo valor depende de integración profunda. La excepción debe tener condición de entrada, owner, fecha objetivo y forma de cierre. No la resuelvas con un comentario libre sin estructura. Cuando una excepción se repite, deja de ser extraordinaria y debe alimentar el siguiente cambio del modelo.

Instrumenta adopción en el flujo real desde el inicio. Define evento, numerador, denominador, ventana, segmentación y fuente. Registrar una métrica después del despliegue suele revelar que faltan timestamps o estados históricos. Diseñarla ahora obliga a conservar la evidencia que luego permitirá evaluar el resultado.

• Criterio de entrada: existe evidencia suficiente para iniciar “Diseñar experimentos con baseline y guardrails”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: iniciativas cuyo valor depende de integración profunda entra a una cola con prioridad y fecha.
• Evidencia: Matriz de riesgo y autonomía conserva decisión, versión y responsable.

5. Priorizar portafolio, owners y siguiente inversión

El objetivo de esta etapa es convertir “priorizar portafolio, owners y siguiente inversión” en una condición que dos personas puedan evaluar de la misma manera. Empieza con casos reales, no con categorías ideales. Identifica qué información estaba disponible, qué decisión se tomó, quién la tomó y qué evidencia habría permitido repetirla. El entregable no es una lista exhaustiva, sino una regla suficientemente precisa para operar y aprender.

La decisión clave consiste en elegir el nivel correcto de detalle. Un modelo demasiado amplio oculta diferencias importantes; uno demasiado granular aumenta captura manual y mantenimiento. Usa Roadmap de portafolio para probar el límite: cada elemento debe cambiar una acción, una autorización, un cálculo o una conversación. Si no cambia nada, probablemente sea decorativo.

Implementa primero el camino de mayor frecuencia y añade un mecanismo visible para casos con poco volumen y alto valor. La excepción debe tener condición de entrada, owner, fecha objetivo y forma de cierre. No la resuelvas con un comentario libre sin estructura. Cuando una excepción se repite, deja de ser extraordinaria y debe alimentar el siguiente cambio del modelo.

Instrumenta costo unitario y tiempo hasta aprendizaje desde el inicio. Define evento, numerador, denominador, ventana, segmentación y fuente. Registrar una métrica después del despliegue suele revelar que faltan timestamps o estados históricos. Diseñarla ahora obliga a conservar la evidencia que luego permitirá evaluar el resultado.

• Criterio de entrada: existe evidencia suficiente para iniciar “Priorizar portafolio, owners y siguiente inversión”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: casos con poco volumen y alto valor entra a una cola con prioridad y fecha.
• Evidencia: Roadmap de portafolio conserva decisión, versión y responsable.

Ejemplo trabajado de principio a fin

Supongamos una organización ficticia llamada Andina Norte que enfrenta este escenario: la dirección solicita iniciativas de AI y cada área propone un chatbot, pero nadie ha cuantificado la frecuencia del trabajo, la calidad de los datos, el daño potencial de un error ni quién cambiará el proceso. El equipo selecciona veinte casos recientes, incluyendo cuatro excepciones, y reconstruye el recorrido con timestamps y decisiones. Descubre que el problema no está distribuido uniformemente: se concentra en dos transiciones donde cambia el owner y la evidencia llega en formatos distintos.

En lugar de rediseñar todo, Andina Norte define una primera versión de Portafolio de oportunidades AI. Conserva un identificador estable, exige la evidencia mínima y crea una cola común para excepciones. El caso solo avanza cuando el owner receptor acepta el paquete; si falta información, vuelve al estado anterior con una razón estructurada. Esta regla evita que “transferido” signifique cosas diferentes para quien entrega y quien recibe.

Durante el piloto, el equipo no declara éxito por haber configurado el flujo. Compara una cohorte posterior con el baseline, revisa cada excepción y pregunta si el sistema produjo una mejor decisión. Si tiempo de ciclo evitado mejora pero calidad frente al baseline empeora, el diseño puede estar desplazando trabajo en lugar de eliminarlo. La revisión combina resultado, calidad y costo operativo.

El aprendizaje más útil no es una cifra aislada, sino la relación causal que puede defenderse. Por ejemplo: una definición más estricta reduce casos aceptados, pero aumenta la calidad de la transición; o una automatización ahorra tiempo en casos estándar, pero necesita un umbral diferente para casos con poco volumen y alto valor. Esa evidencia permite ajustar una regla concreta sin rehacer toda la solución.

Artefactos que convierten el modelo en operación

Scorecard de oportunidad AI

Scorecard de oportunidad AI debe responder una pregunta concreta: ¿podemos ejecutar y revisar descubrir fricciones a nivel de tarea y decisión sin depender de memoria privada? Incluye solo campos que sostengan una decisión, una regla o una métrica. Añade owner, versión y fecha de vigencia para que el artefacto no se convierta en una fotografía sin mantenimiento.

Prueba el artefacto con un caso normal, uno incompleto y uno correspondiente a casos con poco volumen y alto valor. Si los tres terminan en la misma salida sin explicar diferencias, faltan criterios. Si cada caso requiere una ruta especial, el modelo es demasiado rígido. El objetivo es una estructura común con excepciones explícitas, no uniformidad artificial.

Mapa impacto versus viabilidad

Mapa impacto versus viabilidad debe responder una pregunta concreta: ¿podemos ejecutar y revisar calificar impacto, volumen y readiness sin depender de memoria privada? Incluye solo campos que sostengan una decisión, una regla o una métrica. Añade owner, versión y fecha de vigencia para que el artefacto no se convierta en una fotografía sin mantenimiento.

Prueba el artefacto con un caso normal, uno incompleto y uno correspondiente a datos todavía no accesibles. Si los tres terminan en la misma salida sin explicar diferencias, faltan criterios. Si cada caso requiere una ruta especial, el modelo es demasiado rígido. El objetivo es una estructura común con excepciones explícitas, no uniformidad artificial.

Ficha de experimento

Ficha de experimento debe responder una pregunta concreta: ¿podemos ejecutar y revisar separar asistencia, automatización y autonomía sin depender de memoria privada? Incluye solo campos que sostengan una decisión, una regla o una métrica. Añade owner, versión y fecha de vigencia para que el artefacto no se convierta en una fotografía sin mantenimiento.

Prueba el artefacto con un caso normal, uno incompleto y uno correspondiente a procesos sujetos a regulación. Si los tres terminan en la misma salida sin explicar diferencias, faltan criterios. Si cada caso requiere una ruta especial, el modelo es demasiado rígido. El objetivo es una estructura común con excepciones explícitas, no uniformidad artificial.

Matriz de riesgo y autonomía

Matriz de riesgo y autonomía debe responder una pregunta concreta: ¿podemos ejecutar y revisar diseñar experimentos con baseline y guardrails sin depender de memoria privada? Incluye solo campos que sostengan una decisión, una regla o una métrica. Añade owner, versión y fecha de vigencia para que el artefacto no se convierta en una fotografía sin mantenimiento.

Prueba el artefacto con un caso normal, uno incompleto y uno correspondiente a iniciativas cuyo valor depende de integración profunda. Si los tres terminan en la misma salida sin explicar diferencias, faltan criterios. Si cada caso requiere una ruta especial, el modelo es demasiado rígido. El objetivo es una estructura común con excepciones explícitas, no uniformidad artificial.

Roadmap de portafolio

Roadmap de portafolio debe responder una pregunta concreta: ¿podemos ejecutar y revisar priorizar portafolio, owners y siguiente inversión sin depender de memoria privada? Incluye solo campos que sostengan una decisión, una regla o una métrica. Añade owner, versión y fecha de vigencia para que el artefacto no se convierta en una fotografía sin mantenimiento.

Prueba el artefacto con un caso normal, uno incompleto y uno correspondiente a casos con poco volumen y alto valor. Si los tres terminan en la misma salida sin explicar diferencias, faltan criterios. Si cada caso requiere una ruta especial, el modelo es demasiado rígido. El objetivo es una estructura común con excepciones explícitas, no uniformidad artificial.

Arquitectura y patrón técnico

El siguiente diagrama expresa el flujo lógico. No obliga a usar cinco servicios ni cinco pantallas: varias etapas pueden vivir en una misma aplicación. Lo importante es conservar las fronteras de decisión y la evidencia que cruza cada una. Una implementación monolítica con contratos claros suele ser preferible a una arquitectura distribuida sin ownership.

flowchart LR
  S1[Descubrir fricciones a nivel de tarea y decisión]
  S2[Calificar impacto, volumen y readiness]
  S3[Separar asistencia, automatización y autonomía]
  S4[Diseñar experimentos con baseline y guardrails]
  S5[Priorizar portafolio, owners y siguiente inversión]
  S1 --> S2
  S2 --> S3
  S3 --> S4
  S4 --> S5

El contrato técnico mínimo debe ser pequeño, versionable e idempotente cuando produce efectos. Registra identificadores de correlación y evita usar texto libre como única señal para una decisión material. El ejemplo siguiente muestra una estructura de referencia; debe adaptarse al dominio, controles de acceso y lifecycle real.

{
  "model": "Portafolio de oportunidades AI",
  "owner": "owner-del-proceso",
  "version": 1,
  "entryCriteria": [
    "Descubrir fricciones a nivel de tarea y decisión",
    "Calificar impacto, volumen y readiness"
  ],
  "evidence": [
    "Scorecard de oportunidad AI",
    "Mapa impacto versus viabilidad",
    "Ficha de experimento"
  ],
  "reviewCadence": "weekly"
}

Trade-offs, excepciones y límites

No existe una configuración universal para Portafolio de oportunidades AI. Aumentar control puede reducir velocidad; reducir captura puede quitar evidencia; centralizar definiciones puede ralentizar cambios locales; distribuir ownership puede generar divergencia. La decisión correcta explicita qué riesgo acepta y durante cuánto tiempo, en vez de presentar toda simplificación como mejora gratuita.

Usa excepciones con fecha de expiración. Una regla temporal sin revisión suele convertirse en arquitectura permanente. Registra motivo, aprobador, alcance, evidencia y fecha de reevaluación. Cuando el volumen de una excepción supera el umbral acordado, crea un cambio de modelo; no aumentes indefinidamente la capacidad de la cola manual.

• Anti-pattern: usar una métrica objetivo como sustituto de calidad o resultado.
• Anti-pattern: permitir cambios de estado sin evidencia o razón estructurada.
• Anti-pattern: crear una automatización sin owner ni procedimiento de corrección.
• Anti-pattern: duplicar reglas en varios sistemas sin versionado coordinado.
• Anti-pattern: declarar adopción por número de usuarios conectados.
• Anti-pattern: ocultar excepciones para que el dashboard parezca saludable.

Métricas y criterios de éxito

Un scorecard equilibrado combina resultado, flujo, calidad y riesgo. El resultado indica si el problema importa; el flujo muestra dónde se acumula trabajo; la calidad evita optimizar velocidad a costa de errores; el riesgo confirma que la automatización no excede sus límites. Cada métrica debe tener owner y una acción asociada cuando cruza un umbral.

Antes del piloto captura baseline con la misma definición que usarás después. Evita comparar una muestra limpia posterior con un histórico que incluía casos incompletos. Segmenta por las condiciones que cambian el proceso y conserva intervalos, no solo promedios. Una mejora agregada puede esconder deterioro en un grupo pequeño pero material.

Plan de implementación en 30 días

Durante los primeros cinco días evita diseñar desde opiniones agregadas. Selecciona casos concretos, reconstruye timestamps y entrevista a quienes entregan y reciben trabajo. La discrepancia entre sus versiones contiene información útil: muestra dónde el sistema necesita una definición, una transferencia o una evidencia adicional.

En la segunda semana trabaja con el menor grupo capaz de decidir. Valida vocabulario, estados y límites, y registra preguntas no resueltas. La aprobación del diseño no significa unanimidad; significa que existe un owner con autoridad para elegir y que los desacuerdos relevantes quedan visibles como riesgos o experimentos.

En la tercera semana ejecuta el flujo con volumen controlado. Observa trabajo manual, tiempos de espera y correcciones. No amplíes el piloto solo porque no aparecieron errores: incluye intencionalmente casos de casos con poco volumen y alto valor y datos todavía no accesibles para probar que el sistema se detiene o escala de manera segura.

En la última semana compara el resultado con el baseline y toma una decisión explícita: ampliar, corregir, mantener limitado o detener. Cada opción es válida si la evidencia la sostiene. El cierre del piloto debe dejar un owner, una cadencia, un backlog priorizado y una ruta de rollback.

Preguntas para un workshop de diseño

Preguntas sobre descubrir fricciones a nivel de tarea y decisión

¿Qué hecho observable inicia esta etapa? ¿Qué información puede faltar sin impedir la decisión? ¿Qué dato debe bloquearla? ¿Quién acepta el resultado y en cuánto tiempo? ¿Cómo se representa casos con poco volumen y alto valor? Responder con un caso reciente es más valioso que acordar una frase general.

¿Qué parte puede automatizarse hoy sin perder control? ¿Qué evidencia debe conservarse antes y después? ¿Cómo se revierte una acción incorrecta? ¿Qué métrica —en particular tiempo de ciclo evitado— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre calificar impacto, volumen y readiness

¿Qué hecho observable inicia esta etapa? ¿Qué información puede faltar sin impedir la decisión? ¿Qué dato debe bloquearla? ¿Quién acepta el resultado y en cuánto tiempo? ¿Cómo se representa datos todavía no accesibles? Responder con un caso reciente es más valioso que acordar una frase general.

¿Qué parte puede automatizarse hoy sin perder control? ¿Qué evidencia debe conservarse antes y después? ¿Cómo se revierte una acción incorrecta? ¿Qué métrica —en particular calidad frente al baseline— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre separar asistencia, automatización y autonomía

¿Qué hecho observable inicia esta etapa? ¿Qué información puede faltar sin impedir la decisión? ¿Qué dato debe bloquearla? ¿Quién acepta el resultado y en cuánto tiempo? ¿Cómo se representa procesos sujetos a regulación? Responder con un caso reciente es más valioso que acordar una frase general.

¿Qué parte puede automatizarse hoy sin perder control? ¿Qué evidencia debe conservarse antes y después? ¿Cómo se revierte una acción incorrecta? ¿Qué métrica —en particular porcentaje de excepciones— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre diseñar experimentos con baseline y guardrails

¿Qué hecho observable inicia esta etapa? ¿Qué información puede faltar sin impedir la decisión? ¿Qué dato debe bloquearla? ¿Quién acepta el resultado y en cuánto tiempo? ¿Cómo se representa iniciativas cuyo valor depende de integración profunda? Responder con un caso reciente es más valioso que acordar una frase general.

¿Qué parte puede automatizarse hoy sin perder control? ¿Qué evidencia debe conservarse antes y después? ¿Cómo se revierte una acción incorrecta? ¿Qué métrica —en particular adopción en el flujo real— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre priorizar portafolio, owners y siguiente inversión

¿Qué hecho observable inicia esta etapa? ¿Qué información puede faltar sin impedir la decisión? ¿Qué dato debe bloquearla? ¿Quién acepta el resultado y en cuánto tiempo? ¿Cómo se representa casos con poco volumen y alto valor? Responder con un caso reciente es más valioso que acordar una frase general.

¿Qué parte puede automatizarse hoy sin perder control? ¿Qué evidencia debe conservarse antes y después? ¿Cómo se revierte una acción incorrecta? ¿Qué métrica —en particular costo unitario y tiempo hasta aprendizaje— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Checklist: qué hacer mañana

• Seleccionar diez casos reales relacionados con Portafolio de oportunidades AI.
• Nombrar un owner para descubrir fricciones a nivel de tarea y decisión.
• Documentar una primera versión de scorecard de oportunidad ai.
• Definir evento, denominador y fuente para tiempo de ciclo evitado.
• Crear una cola explícita para casos con poco volumen y alto valor.
• Elegir un piloto pequeño con fecha de revisión y criterio de salida.
• Registrar baseline antes de cambiar reglas o automatizaciones.
• Acordar cómo detener y revertir el piloto si aparece un riesgo material.

Siguiente lectura: AI Strategy & Governance

Este artículo forma parte del cluster AI Strategy & Governance. Para continuar, conecta este modelo con las siguientes decisiones:

• Cómo crear una política de uso de AI que el equipo realmente pueda aplicar

• AI en operaciones: qué delegar a un copiloto, qué automatizar y qué mantener bajo decisión humana

• Qué puede hacer un agente de AI sin aprobación humana: un framework de 5 niveles