H

oy en día, los líderes empresariales enfrentan una intensa presión para transformar sus organizaciones con IA, y el resultado suele ser demasiados proyectos piloto con muy poca supervisión coordinada. Sin una forma sistemática de decidir por dónde empezar, a qué ritmo avanzar y cuándo detenerse, los esfuerzos en materia de IA se convierten rápidamente en una carga para la atención y los recursos, en lugar de una fuente de ventaja competitiva.

Las organizaciones necesitan seguir un enfoque disciplinado de portafolio, paso a paso, que trate la innovación en IA como una cadena estructurada de proyectos gestionada mediante la aplicación de principios coherentes y repetibles. Recomendamos hacer avanzar las ideas a través de cuatro etapas distintas dentro de un portafolio de innovación, cada una con su propio enfoque mental y con artefactos específicos de evaluación:

— Etapa 1: El portafolio de oportunidades (esquema).

Sirve como un punto centralizado para recibir y evaluar las ideas iniciales. Las actividades incluyen la definición del problema, las hipótesis iniciales sobre el valor y el riesgo, y el mapeo de dependencias. El resultado es una lista de ideas esbozadas, puntuadas y clasificadas.

— Etapa 2: El portafolio de diseño y alianzas (socio).

Los proyectos ya delineados entran ahora en una fase de desarrollo más detallado, en la que los equipos de innovación elaboran casos de negocio extensos que articulan los beneficios esperados, las inversiones requeridas y las métricas de éxito con un nivel de detalle mucho mayor. También mapean dependencias y desarrollan planes de capacidades que identifican qué habilidades técnicas, activos de datos e infraestructura serán necesarios. Posteriormente, los equipos establecen modelos preliminares de gobernanza que definen los derechos de decisión, la supervisión de riesgos y los requisitos de cumplimiento. Las consideraciones sobre alianzas son críticas en esta etapa. Incluso las organizaciones con sólidas capacidades internas suelen necesitar colaboraciones externas (con proveedores de tecnología, investigadores académicos, asesores en ética o colegas del sector) para materializar sus ambiciones en IA. También es esencial preguntarse qué tipo de relación se establecerá entre las personas y los sistemas de IA a medida que el proyecto avance, ya que esto influirá en los niveles de personal, los patrones de trabajo, las estructuras de reporte y los roles individuales.

— Etapa 3: El portafolio experimental / de prototipado (experimento).

La clave para experimentar con IA de manera exitosa es estructurar los experimentos como procesos de aprendizaje, y no simplemente como ejercicios de validación. Cada experimento debería evaluar no solo la viabilidad técnica, sino también la viabilidad empresarial y la deseabilidad humana. Pregúntese: ¿Puede la IA realmente realizar la función prevista? ¿Podemos integrarla con los sistemas y procesos existentes a un costo razonable? ¿Los usuarios la adoptarán y encontrarán valor en ella? Las pruebas rápidas y acotadas permiten este aprendizaje multidimensional. Los equipos pueden desarrollar modelos en papel para probar enfoques conceptuales, construir productos mínimos viables para validar la funcionalidad central o implementar proyectos piloto limitados para recopilar datos de rendimiento real. Múltiples experimentos paralelos pueden explorar diferentes enfoques técnicos o estrategias de implementación.

— Etapa 4: El portafolio de escalamiento y operación (navegación).

La implementación en producción marca un cambio fundamental de enfoque y, por lo general, implica un aumento considerable tanto en costos como en tiempo de desarrollo. Para entrar en producción, un sistema de IA normalmente requiere escalar para múltiples usuarios, capacitar a los empleados en nuevas habilidades, rediseñar los procesos para aprovechar las nuevas capacidades e integrarse con el entorno tecnológico existente. Los equipos establecen salvaguardas para prevenir el uso indebido del sistema, implementan mecanismos de seguimiento de costos para comprender el costo total de propiedad y miden el impacto real en la misión o en el negocio, en lugar de asumir que los beneficios se materializarán por sí solos.

Las revisiones periódicas de todo el portafolio son esenciales para mantener la alineación estratégica a medida que evolucionan tanto las capacidades tecnológicas como las necesidades organizacionales. El portafolio debe mantenerse equilibrado en términos de horizontes de tiempo y niveles de riesgo/retorno, con el fin de crear un flujo continuo de innovación que permita a las organizaciones mantenerse en la frontera de un campo que evoluciona con rapidez.

D

urante tres décadas guiando la transformación digital, me he encontrado repetidamente con dos actitudes comunes (pero opuestas) que frenan a las organizaciones en la implementación exitosa de nuevas tecnologías: la resistencia institucional al cambio y la adopción impulsiva de la tecnología sin un propósito estratégico. Ahora veo que muchas organizaciones replican los mismos errores en su enfoque hacia la IA.

La solución a este problema de doble filo radica en la adopción de marcos complementarios que se combinen para crear un enfoque equilibrado de la adopción de la IA. El marco OPEN (outline – delimitar, partner – colaborar, experiment – experimentar, navigate – navegar) proporciona un proceso sistemático de cuatro pasos para aprovechar el potencial de la IA. El marco CARE (catastrophize – catastrofizar, assess – evaluar, regulate – regular, exit – salir) ofrece una estructura paralela para identificar y gestionar los riesgos asociados con la IA.

El marco OPEN

El marco OPEN enfatiza que la adopción exitosa depende no solo de la tecnología, sino también del liderazgo y de una cultura capaz de sostener una transformación continua.

1. Delimitar (outline)

Demasiadas organizaciones comienzan su viaje hacia la IA preguntándose: «¿Qué puede hacer esta tecnología?» en lugar de «¿Qué puede hacer esta tecnología para ayudarnos a cumplir nuestra misión?». Este enfoque conduce a soluciones impulsadas por la tecnología en busca de problemas (en vez de generar nuevas formas de entregar valor real). Al reafirmar su propósito desde el principio y luego alinear todas las decisiones con ese propósito, las organizaciones pueden evitar ser desviadas por las capacidades casi ilimitadas de la IA.

2. Colaborar (partner)

Desarrollar e implementar una estrategia de innovación basada en IA es un desafío interdisciplinario clásico. No se puede delegar únicamente al departamento de TI, al equipo de I+D o al director de innovación. Las alianzas dentro de la organización son esenciales para el éxito de las iniciativas de IA. Pero estas, por sí solas, rara vez serán suficientes. Incluso las organizaciones con sólidas capacidades internas suelen necesitar forjar asociaciones externas para alcanzar sus ambiciones en IA. Estos socios externos pueden ser proveedores de servicios, pero también académicos, asesores éticos independientes o reguladores del sector.

3. Experimentar (experiment)

La clave para una experimentación exitosa con IA es estructurar los experimentos como un proceso de aprendizaje, no solo como un ejercicio de validación. Cada experimento debe diseñarse no solo para comprobar si una solución de IA funciona, sino también para generar ideas sobre cómo podría crear valor, cómo podría escalar y cómo interactuarán los seres humanos con ella.

4. Navegar (navigate)

La fase de navegación implica guiar a la organización a través de la adopción de la IA, asegurándose de que esté alineada con los objetivos estratégicos más amplios y los valores culturales. Destaca la importancia del aprendizaje continuo y la adaptación en un panorama que evoluciona rápidamente, donde los factores técnicos y humanos están profundamente entrelazados.

El marco CARE

Si bien la IA promete transformar todas las funciones organizacionales, también introduce vulnerabilidades que podrían socavar o incluso destruir a las organizaciones no preparadas.

El marco CARE adopta un enfoque proactivo (en lugar de reactivo) para la gestión de riesgos relacionados con la IA.

CARE ofrece a las organizaciones una metodología estructurada para identificar y gestionar estos riesgos.

1. Catastrofizar (catastrophize)

Identificar sistemáticamente los riesgos potenciales en las dimensiones técnicas, operativas y estratégicas.

2. Evaluar (assess)

Evaluar la probabilidad de que ocurran esos riesgos, su impacto potencial y la capacidad de respuesta de la organización.

3. Regular (regulate)

Implementar controles, sistemas de monitoreo y estructuras de gobernanza para gestionar los riesgos identificados.

4. Salir (exit)

Desarrollar protocolos claros para responder ante los riesgos, incluidos procedimientos de apagado del sistema y planes de continuidad para la organización.

La IA representa un cambio fundamental en la forma en que las organizaciones operan y crean valor. Para tener éxito, las empresas deben adoptar un enfoque equilibrado que aproveche el potencial de la IA, sin perder de vista sus riesgos.