Las oportunidades en la intersección de la IA, la sostenibilidad y la gestión de proyectos
E
n 2020, Microsoft anunció su iniciativa “Planetary Computer”, un proyecto monumental destinado a recopilar datos ambientales a escala mundial y hacerlos accesibles para soluciones de sostenibilidad. Al asociarse con organizaciones medioambientalistas y aprovechar algoritmos de inteligencia artificial de vanguardia, Microsoft pretende abordar algunos de los problemas ambientales más apremiantes del planeta, desde la pérdida de biodiversidad hasta el cambio climático. Este proyecto con visión de futuro sirve como algo más que un simple ejemplo de responsabilidad corporativa. Se trata de un hito importante, que indica un cambio de paradigma más amplio para hacer de la IA y la sostenibilidad la columna vertebral de la gestión moderna de proyectos.
En la actual economía de proyectos, donde los proyectos son la principal unidad de trabajo y la creación de valor, los paradigmas tradicionales de gestión de proyectos están experimentando una transformación radical. La sostenibilidad ya no es algo que “es bueno tener”, sino un criterio esencial para el éxito, tanto en la fase inicial de los proyectos como cuando los resultados del proyecto siguen generando beneficios a lo largo de su vida útil. Como lo demuestran empresas como Microsoft, existe una oportunidad sin precedentes en la intersección de la IA, la gestión de proyectos y la sostenibilidad (en los ámbitos social y financiero, así como en el ámbito medioambiental).
Desafortunadamente, sin una ejecución adecuada, la integración de IA y la gestión de proyectos para lograr objetivos de sostenibilidad, puede contribuir a la misma huella de carbono que pretendemos reducir. ¿Cómo podemos aprovechar simultáneamente los poderes computacionales de la IA y cumplir los objetivos de sostenibilidad sin inclinar la balanza desfavorablemente en términos de costo e impacto ambiental? Aquí es donde entran en escena los “algoritmos ecológicos” (construcciones especializadas de IA diseñadas para mejorar la eficiencia operativa y priorizar la sostenibilidad).
Complejidad, costo y carbono
La gestión de proyectos siempre ha requerido un delicado equilibrio entre alcance, tiempo, presupuesto y beneficios. Medir el impacto ambiental, social y humano de los proyectos añade más complejidades. Las herramientas de IA para la gestión de proyectos tienen el potencial de ayudar a abordar estas preocupaciones, pero a medida que la implementación de la IA pasa de la teoría a la realidad, surge otra capa de tres desafíos clave: la complejidad, el costo y el carbono de la implementación de la IA.
Complejidad
— Demandas interdisciplinarias. La fusión de la IA y la gestión de proyectos exige un grupo de expertos de diversos ámbitos. La complejidad se multiplica cuando se reúnen especialistas en aprendizaje automático, científicos de datos, científicos medioambientales y responsables de cumplimiento de políticas, solo por nombrar algunos.
— Entorno normativo dinámico. Los objetivos de sostenibilidad no son estáticos; evolucionan bajo la influencia de leyes, culturas y tradiciones locales, estatales e internacionales.
— Sobrecarga de datos. La IA se basa en datos, y gestionar e interpretar conjuntos de datos multidimensionales, que van desde el uso de energía hasta la producción de residuos, introduce aún más complejidad.
Costo
— Costos directos de los requerimientos interdisciplinarios. Los recursos humanos interdisciplinarios descritos anteriormente tienen un precio. La experiencia en múltiples áreas se suma.
— Costo del ciclo de vida. Los modelos de IA son entidades vivas que necesitan un cuidado continuo. Esto incluye actualizaciones periódicas, ajustes para adaptarse a nuevos datos o condiciones, e incluso revisiones completas para incorporar nuevos estándares.
Carbono
— Impacto de carbono de los requerimientos interdisciplinarios. Se deben tener en cuenta los desplazamientos para reuniones de las partes interesadas, el transporte de hardware, e incluso la energía consumida en los espacios de oficina donde trabajan los equipos del proyecto.
— Emisiones de carbono relacionadas con la IA. Los algoritmos de aprendizaje automático requieren una cantidad de energía considerable, lo que eleva el impacto ambiental del proyecto debido a su amplia potencia computacional. El ciclo de vida del hardware necesario para estos complejos algoritmos (desde la fabricación hasta la eliminación) también conlleva un costo medioambiental. El hardware especializado (GPU y TPU), además de acelerar los procesos algorítmicos, aumenta la huella de carbono general del proyecto. Un estudio realizado por investigadores de la Universidad de Massachusetts Amherst, encontró que las emisiones derivadas del entrenamiento de un solo modelo de IA pueden generar hasta 626,000 libras de CO2 equivalente, aproximadamente cinco veces las emisiones de un automóvil estadounidense promedio durante su vida útil.
Introduciendo los algoritmos ecológicos
Aquí es donde entran en juego los algoritmos ecológicos. Se integran a la perfección con una serie de metodologías de IA, desde el aprendizaje automático que permite el mantenimiento predictivo hasta el procesamiento del lenguaje natural para el análisis de los sentimientos de las partes interesadas, e incluso el aprendizaje reforzado para la asignación dinámica de recursos. El resultado final son herramientas de IA que no sólo son inteligentes en su ejecución, sino también sostenibles en su impacto en los proyectos. Los algoritmos ecológicos ayudan a abordar los desafíos de complejidad, costo y carbono:
— Gestión de la complejidad. Las herramientas y metodologías modernas de gestión de proyectos están cada vez más orientadas a aliviar la complejidad y facilitar la integración. Muchas plataformas, como Notion y Forecast, ofrecen ahora funciones que simplifican la gestión de algoritmos y conjuntos de datos complejos, convirtiéndolos en información procesable para una mejor toma de decisiones. También ofrecen servicios especializados de formación y consultoría para ayudar a los gestores de proyectos a adquirir las habilidades necesarias para implementar los algoritmos ecológicos de manera efectiva.
— Gestión de costos. Implementar las soluciones de IA requiere un precio financiero inicial y habilidades especializadas, que podrían considerarse barreras para su adopción. Sin embargo, es esencial considerar estas tecnologías como inversiones con beneficios a largo plazo, y no como un mero gasto. Los ahorros de energía de los centros de datos eficientes se traducen en reducciones significativas de los gastos operativos y menores costos de cumplimiento. La adopción de algoritmos ecológicos también puede ir acompañada de beneficios intangibles, como la reducción del riesgo y el incremento del valor de la marca.
— Gestión del carbono. Con los algoritmos ecológicos, se obtiene la eficiencia operativa comprobada que ofrecen las soluciones automatizadas y ahorros significativos mediante la optimización del uso recursos, la reducción de residuos y el cumplimiento de las regulaciones de sostenibilidad. Cambiar de un centro de datos promedio a uno más eficiente puede reducir la huella de carbono hasta en un 30%, y en el horizonte se vislumbran nuevas mejoras.
GE Research es un ejemplo de ello. En colaboración con GE Renewable Energy, han desarrollado una herramienta de aprendizaje automático de vanguardia diseñada para optimizar la logística de las turbinas eólicas, lo que podría ahorrarle a la industria miles de millones de dólares durante la próxima década. La solución algorítmica se centra en optimizar diversos aspectos de las operaciones de los parques eólicos, desde el envío y la instalación hasta el mantenimiento continuo. El costo, la complejidad y las emisiones de carbono se gestionaron o redujeron.
Con historias de éxito como ésta cada vez más frecuentes, el mensaje para los gestores de proyectos de todo el mundo es claro: Es hora de aprender a implementar algoritmos ecológicos.
Los gestores de proyectos están aprendiendo que la integración de algoritmos ecológicos en sus proyectos cataliza la eficiencia operativa y fortalece su compromiso con la sostenibilidad. Al mismo tiempo, los líderes organizacionales están viendo que la convergencia de IA y la conciencia ecológica ofrece una hoja de ruta para lograr resultados comerciales. Con una planificación meticulosa y un compromiso con la sostenibilidad, los algoritmos ecológicos pueden ayudar a los gestores y patrocinadores de proyectos a convertir los desafíos en oportunidades para lograr un impacto significativo. A medida que los proyectos se convierten cada vez más en la columna vertebral del valor organizacional, los algoritmos ecológicos ofrecen una forma tangible y efectiva de lograr tanto la sostenibilidad como la IA.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
In 2020, Microsoft announced its “Planetary Computer” initiative, a monumental project aimed at collecting environmental data on a global scale and making it accessible for sustainability solutions. By partnering with environmental organizations and leveraging cutting-edge artificial intelligence algorithms, Microsoft aims to tackle some of the planet’s most pressing environmental issues, from biodiversity loss to climate change. This forward-thinking project serves as more than just an example of corporate responsibility. It stands as a significant milestone, indicating a broader paradigm shift towards making A.I. and sustainability the backbone of modern project management.
In today’s project economy, where projects are the primary unit of work and value creation, traditional project management paradigms are undergoing radical transformation. Sustainability is no longer a “nice-to-have” but an essential criterion for success — both on the initial completion of projects, and as project deliverables continue to deliver benefits over their lifetime. As companies like Microsoft demonstrate, there’s an unprecedented opportunity at the intersection of A.I., project management and sustainability (in the social and financial realms as well as the environmental realm).
Unfortunately, without proper execution, integrating A.I. and project management to achieve sustainability goals can contribute to the very carbon footprint we aim to reduce. How can we simultaneously harness the computational powers of A.I. and meet sustainability objectives without tipping the scales unfavorably in terms of cost and environmental impact? This is where “green algorithms,” specialized A.I. constructs designed to both enhance operational efficiency and prioritize sustainability, enter the arena.
COMPLEXITY, COST AND CARBON
Project management has always required a delicate balance of scope, time, budget and benefits. Measuring the environmental, social and human impact of projects adds further intricacies. A.I. tools for project management have the potential to help address these concerns — but as A.I. implementation shifts from theory to reality, another layer of three key challenges has emerged: the complexity, cost and carbon of deploying AI.
COMPLEXITY
INTERDISCIPLINARY DEMANDS. Melding A.I. and project management demands a group of experts from varied domains. Complexity is multiplied when you bring together machine learning specialists, data scientists, environmental scientists and policy compliance officers, just to name a few.
DYNAMIC REGULATORY ENVIRONMENT. Sustainability objectives aren’t static; they evolve under the influence of local, state and international laws, cultures and traditions.
DATA OVERLOAD. AI runs on data, and managing and interpreting multi-dimensional datasets ranging from energy use to waste production introduces even more complexity.
COST
DIRECT COSTS OF INTERDISCIPLINARY REQUIREMENTS. The interdisciplinary human resources described above come with a price tag. Expertise in multiple areas adds up.
LIFECYCLE COST. AI models are living entities that need continuous nurturing. This includes periodic updates, fine-tuning to adapt to new data or conditions and even complete overhauls to incorporate new standards.
CARBON
CARBON IMPACT OF INTERDISCIPLINARY REQUIREMENTS. Travel for stakeholder meetings, transportation of hardware and even the energy consumed in office spaces where project teams work must be accounted for.
A.I.-RELATED CARBON EMISSIONS. Machine learning algorithms demand considerable energy, elevating the project’s environmental impact through extensive computational power. The lifecycle of the hardware required for these complex algorithms — from manufacturing to disposal—also carries an environmental cost. Specialized hardware — GPUs and TPUs — while accelerating algorithmic processes, add to the project’s overall carbon footprint. A study by researchers at the University of Massachusetts Amherst, found that the emissions from training just one A.I. model can be as high as 626,000 pounds of CO2 equivalent — about five times the lifetime emissions of an average American car.
ENTER THE GREEN ALGORITHMS
This is where green algorithms come into play. They integrate seamlessly with a range of A.I. methodologies, from machine learning that enables predictive maintenance to Natural Language Processing for stakeholder sentiment analysis, and even reinforcement learning for dynamic resource allocation. The end results are A.I. tools that are not only smart in their execution, but also sustainable in their impact on projects. Green algorithms help address the challenges of complexity, cost and carbon:
MANAGING COMPLEXITY. Modern project management tools and methodologies are increasingly geared towards easing complexity and facilitating integration. Many platforms, such as Notion and Forecast, now offer features that simplify the management of complex algorithms and data sets, turning them into actionable insights for better decision making. Specialized training and consultation services are also available to help project managers acquire the necessary skills for implementing green algorithms effectively.
MANAGING COST. Implementing A.I. solutions requires initial financial price and specialized skills, which could be considered barriers to adoption. However, viewing these technologies as investments with long-term payoffs rather than a mere expense is essential. Energy savings from efficient data centers translate into significant reductions of operational expenses and lower compliance costs. Intangible gains such as reduced risk and increased brand value may also accompany the adoption of green algorithms.
MANAGING CARBON. With green algorithms, you get proven operational efficiency that comes with automated solutions and realize significant savings through optimized resource usage, waste reduction, and compliance with sustainability regulations. Switching from an average data center to a more efficient one can reduce carbon footprint by as much as 30 percent and further improvements are on the horizon.
GE Research provides a case in point. In collaboration with GE Renewable Energy, they have developed a cutting-edge machine learning tool designed to optimize wind turbine logistics, potentially saving the industry billions of dollars over the next decade. The algorithmic solution focuses on optimizing various aspects of wind farm operations, from shipping and installation to ongoing maintenance. Cost, complexity, and carbon emissions were all managed or reduced.
With success stories like this one becoming common, the message for project managers worldwide is clear — it’s time to learn how to implement green algorithms.
Project managers are learning that integrating green algorithms into their projects catalyzes operational efficiency and fortifies their commitment to sustainability. At the same time, organizational leaders are seeing that the convergence of A.I. and eco-consciousness offers a roadmap for achieving business outcomes. With meticulous planning and a commitment to sustainability, green algorithms can help project managers and sponsors turn challenges into opportunities for meaningful impact. As projects increasingly become the backbone of organizational value, green algorithms offer a tangible and effective way to achieve both sustainability and A.I.
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.
