Imaginemos una nueva aplicación con IA. Un asistente tipo chatbot puede ofrecer una demostración o respuesta convincente y, aun así, estar lejos de resolver el problema para el que fue creado. Cuando empieza a trabajar con documentos incompletos, usuarios con necesidades distintas o situaciones que nadie había previsto, aparecen preguntas que la demostración no respondía. Para quien gestiona el proyecto, anticipar esas preguntas resulta tan relevante como cumplir con el calendario de desarrollo.
A medida que más empresas incorporan IA a sus productos y procesos, cambia también la naturaleza de sus proyectos, y por supuesto del rol de gestor o gestora de proyectos. A las dependencias habituales del software se añaden la calidad de los datos y un comportamiento que necesita evaluarse con ejemplos representativos. Incluso utilizando modelos preentrenados, conviene comprobar hasta dónde llega su utilidad en un contexto concreto y qué intervención humana será necesaria.
Por ejemplo, un proyecto para clasificar solicitudes de clientes puede comenzar con el objetivo de automatizar todo el proceso. Las primeras pruebas quizá revelen que ciertas consultas requieren revisión humana o que faltan datos para distinguir algunas categorías. Ese aprendizaje debería permitir ajustar el alcance, estimar mejor el esfuerzo y acordar qué resultados justifican continuar con la inversión. Para ello, la experimentación necesita tiempo, presupuesto y criterios de decisión explícitos.
En este contexto, la metodología EMED (exploration, mobilization, execution, delivery) propone organizar la gestión alrededor de cuatro fases: exploración, movilización, ejecución y entrega. Esa estructura ayuda a conectar la definición del problema con la preparación del equipo y los recursos, el desarrollo y la puesta a disposición de la solución. Su aplicación permite combinar enfoques ágiles con una planificación que tenga en cuenta las dependencias y responsabilidades del proyecto.
Una forma práctica de trasladarlo al trabajo diario consiste en acordar qué evidencia necesita cada decisión. Antes de ampliar un piloto de atención al cliente, por ejemplo, conviene comprobar qué consultas resuelve correctamente, cuánto cuesta cada interacción y qué sucede cuando se equivoca. Esas respuestas permiten negociar un despliegue progresivo y definir quién atenderá las incidencias una vez que el sistema entre en producción.
El rol del gestor adquiere así una dimensión que combina comprensión técnica y coordinación entre áreas. Traducir las limitaciones del sistema para los responsables de negocio, incorporar a quienes conocen los datos y preparar a los usuarios son tareas que influyen directamente en el resultado. El framework “ADRIAN” aporta una perspectiva complementaria sobre la selección de gestores de proyectos de IA, ayudando a orientar la evaluación de los profesionales que asumirán esas responsabilidades.
Estas y otras cuestiones se desarrollan en Gestión de proyectos de inteligencia artificial, de Malini Jain Runtasewee y Adrián González Sánchez, publicado por Marcombo. El libro aborda el ciclo de vida de los proyectos, las metodologías y el papel de sus gestores, con una visión aplicable tanto a iniciativas de IA tradicional como de IA generativa.
Un recurso para quienes necesitan dar estructura a proyectos cuyo alcance se va precisando con cada aprendizaje. Y también para las organizaciones que buscan convertir sus primeras pruebas de IA en servicios que los usuarios adopten y cuyos resultados puedan medirse en el trabajo diario.