yuliana.goni
Muchas organizaciones están empezando a trabajar con proyectos de inteligencia artificial, pero muchas veces los gestionan como si fueran proyectos de desarrollo de software tradicionales. Y ahí es donde empiezan los problemas.
El primero suele ser las expectativas.
La IA se ha vuelto una palabra muy atractiva para el negocio: promete eficiencia, automatización, predicciones… pero también genera expectativas que muchas veces están bastante alejadas de la realidad.
En este artículo quiero compartir 7 errores que he visto o que pueden aparecer fácilmente cuando gestionamos proyectos de IA, tanto desde el lado del Project Manager como desde el lado del negocio.
Error 1: Tratar un proyecto de IA como un proyecto de software tradicional
En un proyecto de desarrollo de software tradicional normalmente el proceso es bastante claro: se definen requerimientos o historias de usuario, se construye una funcionalidad y finalmente se entrega.
En proyectos de inteligencia artificial la dinámica es diferente. Aquí se experimenta.
Los resultados pueden variar desde el inicio del proyecto hasta el final. Los modelos se entrenan, se ajustan, se vuelven a entrenar… y van evolucionando con el tiempo.
Por eso un Project Manager no puede prometer fechas exactas desde el inicio como si se tratara de un desarrollo convencional. Primero hay que entender si el modelo realmente podrá alcanzar la precisión o el comportamiento que el negocio espera. Y eso no siempre se sabe desde el primer día.
Error 2: Subestimar la calidad de los datos
Si hay algo que he visto repetirse una y otra vez en proyectos de datos es esto: el problema casi nunca es el algoritmo… el problema suele ser el dato. La calidad de los datos es la base de todo.
Si partes de una base de datos incompleta, inconsistente o con sesgos, es muy difícil que el resultado final sea bueno.
Recuerdo algo que decía un profesor muy querido cuando estudiaba la carrera:
Si le das basura al ordenador, te devolverá basura procesada.
Puede sonar simple, pero sigue siendo verdad hoy, incluso con toda la tecnología que tenemos.
Los modelos pueden ser muy sofisticados, pero si los datos no son buenos, el resultado tampoco lo será.
Error 3: No alinear las expectativas con el negocio
El negocio, como es lógico, busca resultados. Busca revenue, eficiencia, impacto. Y además, implementar proyectos de IA no es barato.
Por eso muchas veces el negocio espera precisión muy alta, resultados rápidos y retorno de inversión inmediato.
El problema es que los modelos de IA funcionan con probabilidades. No funcionan como un desarrollo de software tradicional donde vas construyendo funcionalidades paso a paso hasta llegar a la versión final.
Los proyectos de IA suelen avanzar de forma más iterativa y exploratoria, casi como una espiral. Se prueba, se mide, se ajusta, se vuelve a probar.
Parte del trabajo del Project Manager es ayudar al negocio a entender esta dinámica.
Error 4: Falta de comunicación entre perfiles técnicos y negocio
En proyectos de inteligencia artificial participan perfiles muy distintos:
- Data scientists
- Data engineers
- Arquitectos
- Equipos de negocio
- Áreas de compliance
Y cada uno habla su propio idioma. Los data scientists hablan de modelos y métricas. El negocio habla de impacto y resultados. Compliance habla de regulación.
Aquí el Project Manager cumple un rol muy importante: ser el traductor entre todos esos mundos. Y para poder hacer eso bien, necesita entender al menos un poco el lenguaje de cada uno.
Error 5: No definir claramente cómo se usará el modelo
Este error también aparece en proyectos tradicionales, pero en IA puede ser especialmente crítico.
Un modelo puede funcionar muy bien en el laboratorio… pero fracasar completamente cuando se intenta usar en producción.
Por eso es importante responder algunas preguntas desde el inicio:
- ¿Quién va a usar las predicciones del modelo?
- ¿Cómo se va a integrar el modelo en el sistema actual?
- ¿Cómo vamos a medir el impacto real del modelo en el negocio?
Sin esa claridad, el proyecto puede terminar siendo un experimento interesante… pero poco útil.
Error 6: No gestionar la incertidumbre del modelo
Los productos digitales tienen un ciclo de vida: nacen, evolucionan, se actualizan, crecen. Los modelos de IA también.
Con el tiempo pueden aparecer cosas como:
- data drift (cuando cambian los datos)
- pérdida de precisión del modelo
- cambios en el comportamiento de los usuarios
Por eso el proyecto no termina cuando el modelo se despliega en producción. En muchos casos ahí recién empieza su verdadero ciclo de vida.
Error 7: Olvidar la parte ética o regulatoria
Dependiendo del tipo de proyecto, pueden aparecer temas como:
- privacidad de datos
- sesgos en los modelos
- cumplimiento normativo
Y cada vez estos temas están siendo más regulados. Por eso es importante considerar estos aspectos desde el inicio del proyecto, no cuando ya todo está construido. En el peor de los casos, un proyecto puede detenerse o cancelarse si no cumple ciertos requisitos dependiendo del país origen de los datos.
Los proyectos de inteligencia artificial no son solo un desafío técnico. También son un desafío de liderazgo.
El Project Manager actual necesita desarrollar nuevas habilidades para navegar en estos entornos: entender la incertidumbre, conectar equipos técnicos con negocio y ayudar a que los proyectos realmente generen valor.
Si te interesa seguir explorando cómo está cambiando el rol del Project Manager en un mundo donde la IA ya forma parte de muchos proyectos, puedes leer también este artículo sobre Cómo convertirse en Project Manager en la era de la IA.
Porque al final, más allá de la tecnología, lo que realmente define a un buen Project Manager sigue siendo lo mismo de siempre: ayudar a los equipos a crear valor real.
