Gestione sus inversiones en IA como si fueran un portafolio
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.
© 2026 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Business leaders now face intense pressure to transform their organizations with AI, and the result is often too many pilots with too little coordinated oversight. Without a way to systematically decide where to start, how fast to move and when to stop, AI efforts quickly become a drain on attention and resources rather than a source of advantage.
Organizations need to follow a disciplined step-by-step portfolio approach that treats AI innovation as a structured pipeline of projects that is managed by applying coherent, repeatable principles. We recommend moving ideas through four distinct innovation portfolio stages, each with its own mindset and assessment artifacts:
— STAGE 1: THE OPPORTUNITY PORTFOLIO (OUTLINE). This serves as a centralized location for the intake and triage of initial ideas. Activities include problem framing, initial value and risk hypotheses and dependency mapping. The output is a scored, ranked backlog of outline ideas.
— STAGE 2: DESIGN & PARTNERSHIP PORTFOLIO (PARTNER). Outlined projects now enter a more detailed shaping phase, with innovation teams developing extensive business cases that articulate expected benefits, required investments and success metrics at a much greater level of detail. They map dependencies and develop capability plans that identify what technical skills, data assets and infrastructure will be required. The teams then establish preliminary governance models that define decision rights, risk oversight and compliance requirements. Partnership considerations are critical at this stage. Even organizations with strong internal capabilities typically need external partnerships — with technology vendors, academic researchers, ethics advisers or industry peers — to realize their AI ambitions. It is also essential to ask what relationships will emerge between humans and AI systems as the project develops, as this will impact staffing levels, work patterns, reporting structures and individual roles.
— STAGE 3: EXPERIMENTAL/PROTOTYPING PORTFOLIO (EXPERIMENT). The key to successful AI experimentation is structuring experiments as learning journeys rather than validation exercises. Each experiment should test not just technical feasibility but also enterprise viability and human desirability. Ask: Can the AI actually perform the intended function? Can we integrate it with existing systems and processes at reasonable cost? Will users adopt it and find value in it? Rapid, bounded trials enable this multidimensional learning. Teams might develop paper models to test conceptual approaches, build minimum viable products to validate core functionality or deploy limited pilots to gather real-world performance data. Multiple parallel experiments can explore different technical approaches or implementation strategies.
— STAGE 4: SCALE & OPERATE PORTFOLIO (NAVIGATE). Production deployment marks a fundamental shift in focus and usually entails a considerable increase in cost and development time. To enter production, an AI system typically requires scaling for multiple users, upskilling employees, redesigning processes to take advantage of new capabilities and integration with the existing technical environment. Teams establish guardrails that prevent system misuse, implement cost-tracking to understand total cost of ownership and measure actual mission impact rather than assuming benefits.
Regular reviews of the whole portfolio are essential for maintaining strategic alignment as both technological capabilities and organizational needs evolve. The portfolio must remain balanced across time horizons and risk/return levels in order to create the continuous innovation flow needed to ensure that organizations remain at the leading edge of a rapidly evolving field.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.





