Por qué importa

Las organizaciones rara vez adoptan la IA de manera planificada. Un equipo compra una herramienta, otro construye un prototipo, un proveedor activa una función. Cada decisión tiene sentido localmente. Juntas forman un parque que nadie diseñó: herramientas duplicadas, controles incoherentes, responsabilidades poco claras y costos que afloran en las facturas. Cuando algo sale mal, nadie sabe quién es responsable. Cuando algo sale bien, nadie puede repetirlo.

Un modelo operativo es la respuesta a «¿cómo trabajamos con la IA como organización?». Describe los roles y las responsabilidades, cómo se toman las decisiones, cómo se financia el trabajo, cómo se construyen o compran los sistemas y se mantienen en marcha y cómo aprende la gente. No tiene por qué ser grande. El modelo de una organización pequeña puede caber en una página. Lo que importa es que las preguntas tengan respuestas.

La necesidad es más aguda para la IA que para buena parte de la demás tecnología porque los sistemas de IA cambian: los proveedores actualizan los modelos, los datos se desplazan y el comportamiento se desvía. Necesitan cuidados continuos, que es lo que ofrece un equipo de producto, no un proyecto que termina en el lanzamiento. Este tema describe los principales elementos de un modelo operativo de IA y las habilidades que lo acompañan. Se apoya en la propiedad de productos (Tema 2.8 — Propiedad de Productos y Servicios), la gobernanza de la IA (Tema 5.6 — Gobernanza, riesgo y cumplimiento de la IA) y la gestión financiera (Tema 4.5 — Gestión financiera y FinOps), y se vincula con el cambio organizacional (Tema 8.3 — Cambio Organizacional y Adopción).

Conceptos clave

Modelo operativo. Una descripción de cómo una organización entrega valor: su estructura, procesos, personas, tecnología y gobierno. Wikipedia describe los modelos operativos. Un modelo operativo de IA es la parte que cubre cómo se elige, se financia, se construye o se compra, se opera, se gobierna y se mejora la IA.

La IA como producto. Un sistema de IA tiene usuarios, un propósito, un backlog, un costo y un ciclo de vida. Trátelo como un producto con un responsable, como se describe en el Tema 2.8 — Propiedad de Productos y Servicios. El responsable responde de los resultados, los datos, la calidad y el riesgo, y de decidir cuándo mejorarlo o retirarlo.

Ciclo de vida. Las etapas incluyen identificar una oportunidad, evaluar el valor y el riesgo, construir o comprar, probar, desplegar, operar y monitorizar, mejorar y retirar. Las operaciones de aprendizaje automático (MLOps), descritas en Wikipedia, aplican disciplina de ingeniería al ciclo de vida de los modelos: versionado, despliegue, monitorización y reentrenamiento. Para los modelos de proveedores se aplican las mismas etapas con menos partes técnicas y más contrato y monitorización.

Roles. Los roles típicos incluyen un patrocinador ejecutivo, un propietario de producto de IA para cada sistema, ingenieros que lo construyen y operan, responsables de los datos que usa, un socio de seguridad y privacidad, un asesor jurídico y las personas que lo usan y a quienes afecta. Los equipos pequeños combinan roles. Nómbrelos y deje claro quién decide.

Equipo facilitador o centro de excelencia. Un grupo pequeño que ayuda a otros equipos a usar bien la IA: ofrece orientación, plantillas, herramientas aprobadas, formación y revisión de los usos de mayor riesgo. Wikipedia describe los centros de excelencia. El riesgo es que se convierta en un cuello de botella o en una barrera. Uno bueno hace que el camino seguro sea el fácil y trabaja con los equipos, no para ellos.

Modelos central, federado e integrado. En un modelo central, un solo equipo construye y opera IA para todos. En un modelo integrado, cada equipo de producto hace la suya. Un modelo federado combina plataformas y estándares compartidos con responsabilidad local. La mayoría de las organizaciones acaban con una mezcla federada. Elija según la escala de uso, las habilidades disponibles y el riesgo.

Construir, comprar o configurar. Cada uso de IA puede construirse internamente, comprarse como producto o ensamblarse a partir de un modelo y sus propios datos. Wikipedia describe las decisiones de construir o comprar como una forma de análisis de costo-beneficio. Considere el costo total, el riesgo de depender de un proveedor, el control de los datos, la rapidez y las habilidades que necesitaría. Véase el Tema 3.14 — Gestión de Proveedores.

Financiación. Financie los sistemas de IA como productos con equipos persistentes cuando sean importantes, no como proyectos puntuales. Incluya los costos de operación, como cuotas de uso, alojamiento, monitorización y soporte. Siga el costo por caso de uso y por resultado. Véase el Tema 4.5 — Gestión financiera y FinOps.

Plataformas y servicios compartidos. Los componentes compartidos, como una pasarela de modelos aprobada, una biblioteca de prompts y habilidades, un banco de evaluación, un catálogo de datos y el registro, reducen el esfuerzo duplicado y facilitan el control. Véase el Tema 5.7 — Habilidades y Prompts de IA.

Bases de datos. La IA depende de datos exactos, accesibles y gobernados. Muchas iniciativas de IA se atascan en los datos, no en los modelos. Véase el Tema 7.2 — Fundamentos y gobernanza de datos.

Habilidades y capacidad. Las personas necesitan un abanico de habilidades: entender lo que la IA puede y no puede hacer (a menudo llamado alfabetización en IA, una forma de alfabetización digital que Wikipedia describe), escribir prompts claros y comprobar resultados, evaluar el riesgo, construir y probar sistemas y gestionar datos. Roles distintos necesitan una profundidad distinta. Wikipedia describe la mejora de competencias y la reconversión profesional como enfoques para desarrollar habilidades.

Aprender haciendo. Las habilidades crecen sobre todo con la práctica en trabajo real con retroalimentación, apoyada por formación breve y ejemplos. Las comunidades de práctica, descritas en Wikipedia, ayudan a la gente a compartir lo que funciona. Empareje a usuarios con experiencia y nuevos. Véase el Tema 8.5 — Rutas de Aprendizaje y Certificación.

Impacto en las personas y los roles. La IA cambia las tareas y, en algunos roles, el número de personas necesarias. Wikipedia describe el desempleo tecnológico como una preocupación largamente debatida. Sea honesto con el personal sobre sus intenciones, involúcrelo en el diseño y planifique la reubicación y la recualificación. Véase el Tema 8.3 — Cambio Organizacional y Adopción.

Valor y resultados. Defina el resultado que debe mejorar cada sistema de IA, como el tiempo de resolución, la calidad o la satisfacción de los usuarios, con una línea base y una forma de medir. Wikipedia describe el retorno de la inversión y sus límites. Desconfíe de las estimaciones de ahorro que cuentan tiempo «ahorrado» que nunca se reasigna.

Estándares y aseguramiento. Marcos como ISO/IEC 42001 y el NIST AI Risk Management Framework describen elementos de sistemas de gestión que un modelo operativo debe cubrir. Véase el Tema 5.6 — Gobernanza, riesgo y cumplimiento de la IA.

Pilotos y escalado. Las pruebas de concepto son baratas y a menudo impresionantes. El escalado es donde aparecen los problemas: calidad de los datos, integración, seguridad, costo y soporte. Wikipedia describe las pruebas de concepto. Planifique desde el principio el paso del piloto a la producción, incluido quién lo operará.

Cómo encajan las lentes. El modelo operativo organiza la lente de IA. La práctica ágil sugiere equipos de producto persistentes y ensayos cortos. La automatización y la analítica son vecinas: la automatización actúa sobre las salidas de la IA y la analítica aporta los datos y las medidas.

Buenas prácticas

  1. Trate cada sistema de IA importante como un producto. Nombre un responsable, un equipo, un backlog, un presupuesto y un ciclo de vida, incluido el retiro. Revise con regularidad el valor y el riesgo de cada sistema.
  2. Escriba los roles y los derechos de decisión. Diga quién patrocina, quién es responsable de cada sistema, quién aprueba los usos de mayor riesgo y quién puede detener uno. Manténgalo en una página.
  3. Cree un pequeño equipo facilitador. Dele el mandato de proporcionar orientación, herramientas, formación y revisión, y mídalo por cuánto ayuda a los equipos, no por cuántas barreras ejecuta.
  4. Elija construir, comprar o configurar con evidencia. Compare el costo total, el riesgo, el control de los datos, la rapidez y las habilidades en cada caso. Registre la decisión y revísela cuando cambien las circunstancias.
  5. Financie los costos de operación desde el principio. Presupueste las cuotas de uso, la monitorización, el soporte y la mejora, no solo la construcción. Siga el costo por caso de uso y por resultado.
  6. Proporcione plataformas compartidas. Ofrezca herramientas aprobadas y servicios comunes para acceso, registro, evaluación y prompts y habilidades. Haga que la vía aprobada sea más rápida que el rodeo.
  7. Invierta en datos. Nombre responsables de los datos, corrija los problemas de calidad que bloquean casos de uso y documente las fuentes. Empiece por los datos que necesitan los primeros casos de uso.
  8. Construya habilidades por rol. Ofrezca formación breve y práctica para todos, formación más profunda para constructores y responsables y tiempo para practicar con tareas reales. Cree lugares para compartir lo que funciona.
  9. Sea honesto con las personas. Diga qué se propone para los roles y la plantilla, involucre al personal en el diseño de las nuevas formas de trabajo y apoye a quienes ven cambiar su trabajo.
  10. Planifique el camino del piloto a la producción. Antes de un piloto, decida qué es el éxito, quién lo operaría, qué controles necesita y cuánto costaría a escala. Detenga los pilotos que no puedan superar esas pruebas.

Preguntas para conversar con su equipo

¿Quién es responsable de cada sistema de IA que usamos y quién decide cuándo cambiarlo o detenerlo? Usen el inventario. Esperen brechas. Después asignen responsables y registren los derechos de decisión de los tres sistemas más importantes.

¿Qué queremos que haga por nosotros un grupo central de IA y qué debe quedarse con cada equipo? Discutan la ayuda frente al control. Esperen opiniones distintas entre quienes quieren estándares y quienes quieren rapidez. Después enumeren tres servicios que debería proporcionar el grupo.

En nuestra última compra o construcción de IA, ¿comparamos opciones y qué decidiríamos hoy? Miren el registro de la decisión. Esperen poco. Después acuerden una plantilla breve para las decisiones de construir, comprar o configurar.

¿Cuáles son los costos continuos de nuestros usos de IA y quién los paga? Pidan cifras. Esperen incógnitas, sobre todo en las cuotas de uso. Después elijan un caso de uso y construyan una estimación de costos.

¿Qué habilidades necesita la gente para usar bien la IA en su trabajo y cómo las obtendrá? Pregunten por rol. Esperen brechas en la comprobación y en la comprensión de los límites. Después planifiquen una sesión de práctica con tareas reales.

¿Qué hemos dicho al personal sobre cómo cambiará la IA su trabajo y lo creen? Pregunten directamente al personal. Esperen ansiedad. Después acuerden lo que los líderes pueden decir con honestidad y lo que harán para apoyar a las personas.

En la práctica: un ejemplo de gestión de servicios

Una agencia nacional de protección ambiental tiene 30 usos de IA repartidos entre sus departamentos: asistentes de chat, un modelo que señala lecturas inusuales de sensores, una herramienta que resume las respuestas a consultas y varios pilotos de grupos de investigación. La nueva directora digital descubre que tres departamentos pagan servicios de transcripción similares, que dos pilotos llevan más de un año funcionando sin decisión y que nadie sabe decir cuánto gasta la agencia en IA.

Forma un pequeño equipo facilitador de cuatro personas, procedentes de TI, datos, seguridad y asuntos jurídicos. Su primera tarea es el inventario, completado en un mes. La segunda es un modelo operativo de una página: cada uso de IA tiene un responsable designado en el negocio; el equipo facilitador proporciona una pasarela de modelos aprobada con registro, una biblioteca de prompts y habilidades revisados y una revisión de riesgos para los usos de riesgo medio y alto en diez días hábiles; y una reunión trimestral de portafolio decide qué pilotos escalar, cambiar o detener.

La reunión de portafolio detiene cinco pilotos que carecen de responsable o de medida y consolida los tres contratos de transcripción en uno. Para el modelo de anomalías de sensores, que respalda decisiones sobre alertas de contaminación, el responsable encarga una revisión de la calidad de los datos y establece una monitorización de la deriva. La financiación de los dos sistemas más valiosos pasa de presupuestos de proyecto a un presupuesto anual de equipo, incluidas las cuotas de uso.

En cuanto a las habilidades, el equipo ofrece una sesión práctica de dos horas para todo el personal sobre el uso seguro de la IA y un curso más largo para las 40 personas que construyen o son responsables de sistemas. Una comunidad de práctica se reúne cada mes. El sindicato que representa al personal pregunta qué significa la IA para los empleos; la directora digital se compromete por escrito a que el programa no se usará para recortar puestos en dos años y a que el tiempo ahorrado irá a un backlog de trabajo de inspección.

Qué cambia: la agencia tiene un inventario, responsables claros y un único lugar donde pedir ayuda. Qué sigue siendo difícil: algunos grupos de investigación ven la vía de revisión como un freno y siguen usando herramientas informales; los costos de uso son mayores de lo estimado en dos sistemas y el presupuesto no se ajustó; y el compromiso sobre los empleos limita opciones que finanzas quiere mantener abiertas. La directora digital revisa cada trimestre la rapidez de la vía y el presupuesto.

Cuatro perspectivas

Equipos de producto y de entrega

Sean dueños de sus sistemas de IA como productos: backlog, monitorización, costos y retiro. Usen las plataformas compartidas y la biblioteca aprobada. Pidan ayuda pronto al equipo facilitador.

Equipos de servicio y de operaciones

Participen en la operación de los sistemas de IA e informen de lo que ven. Aprendan a comprobar las salidas y avisen a los responsables de la deriva y los errores. Usen las herramientas compartidas.

Liderazgo y gobernanza

Patrocine el modelo, asigne responsables y financie equipos persistentes y costos de operación. Pida la vista de portafolio, con valor y riesgo. Sea honesto con el personal sobre el efecto en los roles.

Clientes y usuarios

Debería saber quién es responsable de un sistema de IA que le afecta y cómo plantear una preocupación. Pregunte cómo llega su retroalimentación al responsable.

Ágil, IA, automatización y analítica

Ágil

Opere los productos de IA con equipos persistentes, ciclos cortos y revisión regular con usuarios y partes interesadas. Trate el propio modelo operativo como algo que mejorar en pasos pequeños. Precaución: evite lanzar un gran programa de IA con un plan fijo; empiece con unos pocos casos de uso y aprenda.

IA

Este tema trata de gestionar la propia IA: responsables, ciclo de vida, financiación y habilidades. La IA puede ayudar en el análisis del portafolio y la documentación, bajo revisión. Precaución: un equipo facilitador que aprueba todo o nada pierde credibilidad; adapte la revisión al riesgo. Véase el Tema 5.6 — Gobernanza, riesgo y cumplimiento de la IA.

Automatización

Automatice las fuentes del inventario, los informes de costos, el registro y las comprobaciones de políticas en la plataforma compartida, para que el camino seguro sea también el fácil. Precaución: la automatización que bloquea el uso sin una alternativa aprobada empuja a la gente hacia herramientas en la sombra. Véase el Tema 6.1 — Estrategia de automatización.

Analítica

Siga el portafolio: número de usos, responsables, costo por caso de uso, medidas de valor, incidentes, tiempos de revisión y cobertura de habilidades. Precaución: los recuentos de proyectos de IA o de personal formado premian la actividad y no los resultados; empárelos con medidas de valor y de calidad. Véanse el Tema 7.3 — Medición e informes y el libro Service Management Metrics.

Modos de fallo habituales

  • Una proliferación de herramientas. Cada equipo compra la suya. Mantenga un inventario y consolide.
  • Sistemas sin responsable. Nadie los mantiene ni los detiene. Nombre responsables y revise el portafolio.
  • Proyectos, no productos. Los equipos se disuelven tras el lanzamiento. Financie equipos persistentes para los sistemas importantes.
  • Un centro guardián. El equipo facilitador bloquea el trabajo. Haga de él un servicio con metas de respuesta.
  • Costos de operación ignorados. Las cuotas de uso sorprenden al presupuesto. Inclúyalas desde el principio.
  • Formación sin práctica. Se asiste a cursos y los hábitos no cambian. Practique con tareas reales.
  • Silencio sobre los empleos. El miedo se extiende. Diga lo que se propone e involucre al personal.

Modelo de madurez

Dimensión Iniciar Desarrollar Estandarizar Gestionar Orquestar
Responsabilidad y roles Poco clara Promotores Responsables y derechos de decisión designados para cada sistema Roles revisados con los resultados Roles coordinados entre la empresa y los socios
Financiación y ciclo de vida Dinero de proyecto Algo de financiación de operación Financiación persistente para los sistemas clave, ciclo de vida definido Costo y valor revisados con regularidad Portafolio financiado y reequilibrado según el valor y el riesgo
Plataforma y facilitación Herramientas individuales Orientación compartida Plataforma aprobada, biblioteca y servicio de revisión Uso y satisfacción medidos Plataforma integrada con la gobernanza y la automatización
Habilidades Ad hoc Formación de concienciación Aprendizaje por roles con práctica Habilidades seguidas frente a las necesidades Habilidades planificadas en toda la plantilla con apoyo al cambio

Lista de verificación

  • Cada sistema de IA importante tiene un propietario de producto designado.
  • Los roles y los derechos de decisión están escritos en una página.
  • Un pequeño equipo facilitador proporciona herramientas, orientación y revisión.
  • Las decisiones de construir, comprar o configurar están registradas.
  • Los costos de operación están presupuestados y se siguen por caso de uso.
  • Los servicios de plataforma compartidos hacen fácil la vía aprobada.
  • La formación es por roles e incluye práctica con tareas reales.
  • Hemos dicho al personal con honestidad cómo afectará la IA a su trabajo.

Prompts de IA

Compare construir, comprar y configurar.

Our use case: [describe]. Our constraints: [data sensitivity, skills, budget, timeline]. Options: [list].
Draft a comparison table with criteria (total cost over three years, data control, speed, risk of dependency, skills needed, ability to change) and for each option what we know and what we do not know from my description. Do not choose an option or invent costs.
List what you are unsure of.

Redacte para discusión un modelo operativo de una página.

Our organization: [type, size]. Our AI uses today: [list]. Our governance bodies: [list].
Draft a one-page operating model with roles, decision rights, funding approach, how AI is built or bought, how risk review works, and how skills are built. Mark every assumption and leave [blank] where my description gives no basis.
List what you are unsure of.

Planifique las habilidades por rol.

Roles in our team: [list with what each does]. AI uses planned: [list].
For each role, list the skills needed (use of AI, checking outputs, risk, building, data), one practice activity on real work, and one way to see that the skill has grown. Do not name courses or vendors.
List what you are unsure of.

Habilidades de IA

  • portfolio-management: úsela para revisar el portafolio de IA en cuanto a valor y riesgo.
  • mlops: úsela para gestionar los modelos a lo largo de su ciclo de vida.
  • training-needs-analysis: úsela para definir las habilidades que necesita cada rol.
  • raci-matrix: úsela para aclarar los roles y los derechos de decisión.
  • roi-analysis: úsela para sopesar los costos y beneficios de los usos de IA.

Fuentes principales

  • NIST, AI Risk Management Framework: una estructura que incluye la gobernanza y los roles organizacionales.
  • ISO/IEC 42001 (el propio estándar): requisitos de sistema de gestión para la IA; lea la edición vigente del editor.
  • Marty Cagan, Empowered (2020): sobre los equipos de producto y cómo los apoyan las organizaciones.
  • Wikipedia, "MLOps" y "Operating model": visiones generales del ciclo de vida y del concepto.

Referencias

  1. Operating model — Wikipedia — https://en.wikipedia.org/wiki/Operating_model
  2. MLOps — Wikipedia — https://en.wikipedia.org/wiki/MLOps
  3. Center of excellence — Wikipedia — https://en.wikipedia.org/wiki/Center_of_excellence
  4. Product management — Wikipedia — https://en.wikipedia.org/wiki/Product_management
  5. Cost–benefit analysis — Wikipedia — https://en.wikipedia.org/wiki/Cost%E2%80%93benefit_analysis
  6. Digital literacy — Wikipedia — https://en.wikipedia.org/wiki/Digital_literacy
  7. Community of practice — Wikipedia — https://en.wikipedia.org/wiki/Community_of_practice
  8. Technological unemployment — Wikipedia — https://en.wikipedia.org/wiki/Technological_unemployment
  9. Return on investment — Wikipedia — https://en.wikipedia.org/wiki/Return_on_investment
  10. Proof of concept — Wikipedia — https://en.wikipedia.org/wiki/Proof_of_concept
  11. AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework