La mayoría de las iniciativas de IA fracasan no porque la tecnología no funcione, sino porque las organizaciones no saben qué problema están tratando realmente de resolver.
Según el estudio del MIT State of AI in Business 20251 la mayoría de las organizaciones han implementado al menos algunos pilotos de IA, pero muchas aún mencionan bajo impacto y ningún retorno medible de las iniciativas de IA.
Con todas las promesas de la revolución de la IA, aún necesitamos un buen enfoque tradicional basado en el valor para asegurarnos de que lo que hacemos impulse resultados para las partes interesadas.
Una mirada de los estrategas a las iniciativas de IA
Como suele ocurrir cuando aparece una nueva tecnología deslumbrante, nacen expertos simplemente cambiando el eslogan en su perfil de LinkedIn. La IA no es una excepción. Con tantos expertos y tanto contenido genérico generado por IA, ¿por qué debería usted considerar mi perspectiva?
Empecé a experimentar con IA en el año 2000, durante mis años previos a la universidad, cuando intentaba resolver el problema del reconocimiento de escritura a mano utilizando redes neuronales. Ganar una competición juvenil estuvo muy bien, pero el desarrollo de las redes neuronales en aquel momento estaba limitado por la capacidad de cómputo. Más adelante, mi área de interés cambió a las ciencias de TI, las matemáticas aplicadas, la física y, después, a disciplinas más orientadas a los negocios, como la medición del desempeño y la planificación estratégica. La IA nunca fue mi especialidad principal (aun así, me gusta establecer algunos paralelismos entre funciones en cadena, gradientes, la retropropagación de la IA y la capacidad de las organizaciones para aprender).
Hoy, observo la IA desde el punto de vista de un estratega, con cierta base en matemáticas aplicadas. Los LLM son asombrosos como tecnología, pero desde el punto de vista de la planificación estratégica, los considero más bien como un proyecto complejo de transformación digital que como una iniciativa milagrosa.
Sí ayudo a las organizaciones con sus iniciativas de IA, pero lo hago con un enfoque de estrategia primero, no con uno de tecnología primero. Normalmente, hablamos mucho sobre las partes interesadas, sus necesidades, su intención estratégica, cómo se traduce la visión de la organización en objetivos a largo plazo, cómo esos objetivos se descomponen en metas específicas y cómo las hacemos aún más específicas e inequívocas con KPIs.
La IA es solo una parte del rompecabezas que puede o no encajar en la forma en que se ejecutará esta estrategia.
De algún modo, lo que hago se alinea con la demanda general de aportar claridad al ámbito de la IA, por lo que también comparto mi perspectiva mediante charlas en conferencias. En 2026, será “Estrategia de implementación de IA” en Múnich y, más adelante, en mayo, “Medir la confianza en la IA” en Viena.
Antes de implementar la IA: haga primero su tarea de estrategia
El informe del MIT mencionado anteriormente confirma una verdad simple:
Implementar la IA es fácil; crear valor con la IA es difícil.
La perspectiva de los estrategas sobre esto es directa: antes de considerar cualquier iniciativa de cambio, asegúrese de que su estrategia esté correctamente desplegada en cascada y supervisada. Sin estos fundamentos, no creo que sea viable seguir adelante con ninguna iniciativa de transformación.
La implementación de la IA es una buena razón para volver a lo básico (las necesidades de las partes interesadas) y reflexionar sobre las posibilidades que la IA podría ofrecer.
Piense en términos de condiciones límite: ¿cómo se vería su organización si se resolvieran todas las posibles barreras para la implementación de la IA (tecnología, arquitectura, cumplimiento, aspectos legales, personas, etc.)?
Una definición de la ejecución de la estrategia es validar hipótesis en la práctica. Como parte de la tarea sobre la IA, es una buena idea formular esas hipótesis. Experimente un poco con la tecnología, haga algunos prototipos para hacerse una idea de dónde podrían estar los escollos en términos de implementación, brechas de capacidad y expectativas de los usuarios.
Analicemos ciertos principios para que la implementación de la IA tenga más éxito en términos de crear valor tangible para las partes interesadas.
Principio 1. Aborde el desafío real: conozca las necesidades de sus Partes Interesadas
¿Cuál es la diferencia entre una implementación centrada primero en la tecnología y una implementación centrada primero en la Estrategia? Con una implementación centrada primero en la Estrategia, usted siempre comienza con el contexto empresarial. Usted conoce a sus Partes Interesadas, sus necesidades, sus objetivos de alto nivel y metas específicas, e intenta comprender cómo la nueva tecnología le ayudará a ejecutar esas metas de manera más eficaz; en concreto, cómo afectará a las métricas que usted está siguiendo.
Esto crea un enfoque en lo que importa, en lugar de simplemente jugar con la tecnología.
Buenos candidatos objetivo para la implementación de IA son:
- Métricas de costes
- Métricas de Tiempo
- Métricas de complejidad como derivado del coste, el tiempo y la complejidad ciclomática
- Métricas de calidad (tasa de errores, porcentaje de problemas recurrentes)
- Métricas de talento (áreas con alta tasa de rotación)
Para reiterar la importancia de la descomposición inicial de la estrategia: no debería ser “nos transformaremos en una organización centrada primero en la IA”. Debería haber desafíos específicos que usted quiera abordar, con las Partes Interesadas correspondientes detrás de ellos y una responsabilidad clara en términos de ejecución. Este enfoque se alinea firmemente con los principios ágiles que utilizamos en el desarrollo de software.
Si usted insiste en reinventar su organización y centrarse primero en la IA, asegúrese de comenzar con la Estrategia, las Partes Interesadas y sus necesidades.
Principio 2. Prepárese para el largo plazo: piense en la arquitectura desde el principio
Mencioné que veo la IA como otra transformación digital, una iniciativa de cambio. Pero esta iniciativa de cambio es, obviamente, más compleja que, por ejemplo, implementar un CRM.
En este sentido, planificar la arquitectura para la IA es crucial. Tenga en cuenta:
- Cómo se mantendrán el contexto y los prompts;
- Cómo conectará la IA con el entorno empresarial existente;
- Prepárese para orquestar múltiples herramientas de IA;
- Prepárese para rediseñar ciertos flujos de trabajo desde cero.
Imagine, por ejemplo, que usted utiliza la IA para responder a las preguntas de los usuarios mediante un chatbot. La arquitectura que elija estará definida por preguntas como:
- ¿Cuál será el bucle de aprendizaje?
- ¿Habrá supervisión humana? ¿Cómo se implementará?
- ¿Cómo se introducirán las acciones correctivas?
- ¿Tendrá la IA acceso a diálogos anteriores con el mismo usuario?
- ¿Podrá la IA obtener datos directamente del CRM?
- ¿Qué mecanismos de seguridad se implementarán?
La capacidad de la IA para aprender, recordar el contexto y mejorar será un factor de actuación de la tasa de adopción a lo largo del tiempo. Asegúrese de que la arquitectura que elija para la implementación de la IA respalde estas necesidades de aprendizaje.
Principio 3. Haga que la calidad y el cumplimiento sean significativos para las partes interesadas
La IA toca demasiados puntos sensibles de una organización: acceso a los datos de los clientes, trabajo con herramientas de terceros, apoyo a la toma de decisiones, comunicación con los usuarios y conservación de datos para posibles auditorías.
A cierta escala de implementación de IA, los controles de calidad y cumplimiento son imprescindibles.
Nos estamos adentrando en el ámbito de GRC, pero, de nuevo, no se trata de la IA. Se trata de su estrategia, de qué riesgos impone la IA sobre ella y de cómo podemos prevenirlos y mitigarlos.
Escuchamos a menudo que para la implementación de IA debería haber:
- Humano en el circuito,
- Pista de auditoría,
- Explicabilidad,
- …
Lo que falta en la práctica es la conexión entre estas ideas y lo que realmente les importa a las partes interesadas.
Considero que el método de análisis de riesgos bowtie es muy adecuado para este propósito. Hágalo para un evento de riesgo central, definiendo las amenazas con sus respectivos controles preventivos, así como las consecuencias del evento de riesgo con sus respectivos controles de mitigación.
Analizamos un ejemplo de dicho análisis en el caso “Implementación de IA en un control de calidad médico”2 presentado en OOP. En ese caso, el evento de riesgo central se formuló como “Los resultados validados por IA se aprueban sin la debida revisión humana.”
Utilizando controles de prevención de riesgos y controles de mitigación de riesgos, alineamos la implementación de IA con las preocupaciones de calidad y cumplimiento de las partes interesadas. Al escalar esta idea, los mismos controles ayudarán a construir un marco integral de gobernanza de IA. Al escalar este enfoque en toda la organización, los mismos controles pueden utilizarse para establecer un marco integral de gobernanza de IA.
Resumen ejecutivo: Cambie la IA de la tecnología a la estrategia
Siga estos principios para la implementación de IA con la estrategia primero:
- Centre la implementación en las necesidades específicas de las partes interesadas; idealmente, debe definirse la cuantificación de los resultados reales frente a los esperados.
- La implementación de IA es un sistema de aprendizaje complejo, no una conexión única a la API de un LLM; planifique la arquitectura en consecuencia.
- Establezca controles de calidad y cumplimiento y comuníquelos a las partes interesadas; esto definirá la aceptación futura de la implementación de IA. El método bowtie ha demostrado ser una excelente herramienta para este propósito.
- The GenAI Divide State of AI in Business 2025, MIT NANDA, julio de 2025 ↩
- «Estrategia y supervisión de la implementación de IA en el control de calidad médico,» BSC Designer, Alexis Savkín, 2025. ↩
Alexis Savkin es arquitecto de estrategia y fundador de BSC Designer, una plataforma de software de ejecución de la estrategia con el cuadro de mando integral como núcleo. Ayuda a las organizaciones a traducir la estrategia en objetivos medibles, KPI e iniciativas. Alexis es el creador del Strategy Execution Canvas, autor de más de 100 artículos sobre estrategia y medición del desempeño, y ponente habitual.