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

El problema: actividad visible, continuidad invisible

Imagina esta situación: un equipo ya usa asistentes públicos, funciones de AI integradas en SaaS y automatizaciones internas, pero nadie puede explicar qué información está permitida, qué revisión exige cada salida ni quién acepta una excepción. 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 crear una política de uso de AI que el equipo realmente pueda aplicar 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, prototipos sin datos reales, proveedores con residencia de datos distinta, uso creativo de bajo impacto y decisiones reguladas o de alto impacto. 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. casos cubiertos por una regla explícita, excepciones abiertas y antigüedad y incidentes por categoría 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: Política ejecutable de AI

Una política útil convierte principios abstractos en decisiones repetibles sobre datos, herramientas, casos de uso, autonomía, evidencia, responsables y excepciones.

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. Clasificar datos y contextos de uso

El objetivo de esta etapa es convertir “clasificar datos y contextos de uso” 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 clasificación de datos 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 prototipos sin datos reales. 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 casos cubiertos por una regla explícita 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 “Clasificar datos y contextos de uso”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: prototipos sin datos reales entra a una cola con prioridad y fecha.
• Evidencia: Matriz de clasificación de datos conserva decisión, versión y responsable.

2. Aprobar herramientas y capacidades por riesgo

El objetivo de esta etapa es convertir “aprobar herramientas y capacidades por riesgo” 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 Árbol de decisión de uso 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 proveedores con residencia de datos distinta. 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 excepciones abiertas y antigüedad 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 “Aprobar herramientas y capacidades por riesgo”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: proveedores con residencia de datos distinta entra a una cola con prioridad y fecha.
• Evidencia: Árbol de decisión de uso conserva decisión, versión y responsable.

3. Definir casos permitidos, restringidos y prohibidos

El objetivo de esta etapa es convertir “definir casos permitidos, restringidos y prohibidos” 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 RACI de gobierno de 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 uso creativo de bajo impacto. 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 incidentes por categoría 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 “Definir casos permitidos, restringidos y prohibidos”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: uso creativo de bajo impacto entra a una cola con prioridad y fecha.
• Evidencia: RACI de gobierno de AI conserva decisión, versión y responsable.

4. Asignar niveles de autonomía, evidencia y revisión

El objetivo de esta etapa es convertir “asignar niveles de autonomía, evidencia y revisión” 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 Policy starter kit 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 decisiones reguladas o de alto impacto. 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 equipos formados con evidencia 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 “Asignar niveles de autonomía, evidencia y revisión”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: decisiones reguladas o de alto impacto entra a una cola con prioridad y fecha.
• Evidencia: Policy starter kit conserva decisión, versión y responsable.

5. Operar excepciones, incidentes y actualización de la política

El objetivo de esta etapa es convertir “operar excepciones, incidentes y actualización de la política” 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 Registro de excepciones e incidentes 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 prototipos sin datos reales. 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 aprobación de herramientas 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 “Operar excepciones, incidentes y actualización de la política”.
• Owner: un rol puede aceptar, rechazar o devolver el caso.
• Criterio de salida: el siguiente estado es verificable sin interpretación privada.
• Excepción: prototipos sin datos reales entra a una cola con prioridad y fecha.
• Evidencia: Registro de excepciones e incidentes conserva decisión, versión y responsable.

Ejemplo trabajado de principio a fin

Supongamos una organización ficticia llamada Andina Norte que enfrenta este escenario: un equipo ya usa asistentes públicos, funciones de AI integradas en SaaS y automatizaciones internas, pero nadie puede explicar qué información está permitida, qué revisión exige cada salida ni quién acepta una excepción. 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 Política ejecutable de 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 casos cubiertos por una regla explícita mejora pero excepciones abiertas y antigüedad 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 prototipos sin datos reales. Esa evidencia permite ajustar una regla concreta sin rehacer toda la solución.

Artefactos que convierten el modelo en operación

Matriz de clasificación de datos

Matriz de clasificación de datos debe responder una pregunta concreta: ¿podemos ejecutar y revisar clasificar datos y contextos de uso 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 prototipos sin datos reales. 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.

Árbol de decisión de uso

Árbol de decisión de uso debe responder una pregunta concreta: ¿podemos ejecutar y revisar aprobar herramientas y capacidades por riesgo 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 proveedores con residencia de datos distinta. 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.

RACI de gobierno de AI

RACI de gobierno de AI debe responder una pregunta concreta: ¿podemos ejecutar y revisar definir casos permitidos, restringidos y prohibidos 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 uso creativo de bajo impacto. 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.

Policy starter kit

Policy starter kit debe responder una pregunta concreta: ¿podemos ejecutar y revisar asignar niveles de autonomía, evidencia y revisión 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 decisiones reguladas o de alto impacto. 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.

Registro de excepciones e incidentes

Registro de excepciones e incidentes debe responder una pregunta concreta: ¿podemos ejecutar y revisar operar excepciones, incidentes y actualización de la política 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 prototipos sin datos reales. 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[Clasificar datos y contextos de uso]
  S2[Aprobar herramientas y capacidades por riesgo]
  S3[Definir casos permitidos, restringidos y prohibidos]
  S4[Asignar niveles de autonomía, evidencia y revisión]
  S5[Operar excepciones, incidentes y actualización de la política]
  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": "Política ejecutable de AI",
  "owner": "owner-del-proceso",
  "version": 1,
  "entryCriteria": [
    "Clasificar datos y contextos de uso",
    "Aprobar herramientas y capacidades por riesgo"
  ],
  "evidence": [
    "Matriz de clasificación de datos",
    "Árbol de decisión de uso",
    "RACI de gobierno de AI"
  ],
  "reviewCadence": "weekly"
}

Trade-offs, excepciones y límites

No existe una configuración universal para Política ejecutable de 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 prototipos sin datos reales y proveedores con residencia de datos distinta 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 clasificar datos y contextos de uso

¿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 prototipos sin datos reales? 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 casos cubiertos por una regla explícita— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre aprobar herramientas y capacidades por riesgo

¿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 proveedores con residencia de datos distinta? 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 excepciones abiertas y antigüedad— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre definir casos permitidos, restringidos y prohibidos

¿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 uso creativo de bajo impacto? 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 incidentes por categoría— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre asignar niveles de autonomía, evidencia y revisión

¿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 decisiones reguladas o de alto impacto? 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 equipos formados con evidencia— revelaría que el diseño está creando un efecto no deseado? Estas preguntas conectan la conversación de negocio con el contrato técnico.

Preguntas sobre operar excepciones, incidentes y actualización de la política

¿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 prototipos sin datos reales? 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 aprobación de herramientas— 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 Política ejecutable de AI.
• Nombrar un owner para clasificar datos y contextos de uso.
• Documentar una primera versión de matriz de clasificación de datos.
• Definir evento, denominador y fuente para casos cubiertos por una regla explícita.
• Crear una cola explícita para prototipos sin datos reales.
• 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 encontrar y priorizar los primeros casos de uso de AI en una empresa

• 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