yuliana.goni
He visto proyectos de inteligencia artificial que, en las presentaciones para directivos y/o sponsors, son muy atractivos. Con:
- Modelos bien construidos.
- Buenas métricas.
- Equipos técnicos satisfechos.
Todo parece indicar que el proyecto es un éxito. Incluso, en muchos casos, las expectativas son bastante altas desde el inicio.
Y aun así, fracasaron. Y no por la tecnología, ni por el modelo, sino porque se gestionaron mal.
Hace un tiempo participé en un proyecto donde el objetivo era bastante claro:
“Predecir qué clientes iban a cancelar su seguro”.
Un caso bastante común hoy en día, sobre todo en negocios de suscripción, telecomunicaciones, aseguradoras, banca, etc., donde la retención de clientes es clave para la rentabilidad del negocio.
La lógica se veía simple: si podemos anticipar qué clientes están en riesgo de irse, podemos actuar antes… y evitar la pérdida.
Hasta ahí tenía todo el sentido del mundo. Era una propuesta con impacto directo en negocio.
Pero, vamos por partes, como decía Jack el Destripador jijiji.
El modelo
El equipo de datos hizo su trabajo, entregándonos data limpia y bien estructurada. Se construyó un modelo de churn que se entrenó con datos históricos, se ajustó varias veces y finalmente se validó. Las métricas eran muy favorables, incluso por encima de lo esperado en fases iniciales.
👉 El modelo tenía una precisión aceptable.
👉 Identificaba patrones relevantes.
👉 Técnicamente, cumplía su objetivo.
Desde el punto de vista técnico, el proyecto iba bien. De hecho, si uno miraba solo los indicadores del modelo, parecía que ya habíamos alcanzado el objetivo del proyecto.
El pase a producción
Cuando llegó el momento de llevar ese modelo al negocio, empezó el problema. Porque una cosa es tener el modelo y otra muy distinta es que se use en el día a día de la operación.
Y aquí empezaron a aparecer preguntas que nadie había respondido:
- ¿Quién va a usar estas predicciones?
- ¿En qué momento del proceso?
- ¿Qué acción concreta se debe tomar con cada cliente identificado?
- ¿Qué área es responsable?
- ¿Cómo se mide el impacto real?
Y lo más importante:
👉 ¿Cómo se integra esto en la operación diaria?
Estas preguntas, que parecen básicas, no se habían trabajado desde el inicio. Y ahí es donde empieza a notarse la diferencia entre un proyecto técnico… y un proyecto que realmente genera valor.
Postproducción
El modelo estaba ahí, listo para ser usado. Generaba resultados, tenía dashboards con métricas y visualizaciones bastante claras. Incluso, se podían hacer análisis interesantes sobre el comportamiento de los clientes.
Pero no estaba conectado con el negocio. No existía un proceso claro para actuar sobre esa información. No tenía responsables definidos, no había integración con las plataformas existentes ni con los flujos operativos reales.
En la práctica, el modelo era una solución aislada, más cercana a un ejercicio analítico que a una herramienta de negocio.
Y, por lo tanto, nadie lo usaba. No generaba valor. Y cuando no genera valor, el proyecto fracasa, aunque el modelo funcione.
Como mejora continua
A partir de esta experiencia, en los futuros proyectos que tenga la organización, queríamos implementar una serie de mejoras para evitar que esto vuelva a suceder. Era evidente que el problema no estaba en la capacidad técnica del equipo, sino en cómo se estaba enfocando la gestión del proyecto.
- Reconocer que el verdadero producto no es el modelo, sino la capacidad que tiene el negocio de tomar decisiones con ese modelo.
- Asegurar la integración del modelo en el negocio, evitando que sea una solución aislada o desconectada de la operación.
- Definir desde el primer momento la integración y adopción del lado del negocio, no dejarlo para el final.
- Enfocar el proyecto desde el contexto, el impacto y las decisiones que se puedan tomar a partir de los resultados, no solo en métricas técnicas.
- Agregar como responsabilidades de los PMs:
- Alinear expectativas desde el inicio
- Asegurar las integraciones
- Traducir entre la tecnología y el negocio
- Anticipar los riesgos no técnicos
Cada vez más organizaciones están apostando por la inteligencia artificial. Pero no basta con tener modelos. No basta con tener datos. No basta con tener tecnología.
El verdadero reto está en:
👉 cómo llevamos todo eso a la realidad del negocio
Cómo hacemos que esas soluciones se utilicen, que generen impacto y que realmente formen parte del día a día de la organización.
Y ahí, el rol del Project Manager es más importante que nunca.
Si estás empezando en proyectos de IA, además de este caso práctico, he escrito un artículo donde explico los 7 errores que cometen los PMsen proyectos de inteligencia artificial
En este blog seguiré compartiendo aprendizajes y reflexiones sobre cómo gestionar proyectos en la era de la inteligencia artificial. Porque el cambio no es solo tecnológico. Es también de cómo lideramos, de cómo tomamos decisiones y de cómo conectamos la tecnología con el negocio 😉.
