yuliana.goni
Durante años, Scrum ha sido una de las prácticas más utilizadas en el desarrollo de software. Funciona muy bien cuando tienes entregables claros, puedes planificar iteraciones y el progreso es relativamente predecible.
En proyectos de datos, en cambio, muchas organizaciones ya venían utilizando enfoques híbridos, precisamente porque la incertidumbre es mayor y los resultados no siempre son evidentes desde el inicio.
Pero cuando entramos en proyectos de inteligencia artificial, la situación cambia aún más.
Muchos de los principios que damos por sentados en Scrum empiezan a desajustarse. Y no porque Scrum sea incorrecto, sino porque los proyectos de IA funcionan de forma distinta.
Scrum ha evolucionado en los últimos años. Se ha vuelto más flexible, menos prescriptivo y más orientado a objetivos que a tareas. El problema no es Scrum. El problema es asumir que los proyectos de IA funcionan igual que los desarrollos de software. Y no es así.
Si lo comparamos de forma simple:
| Software | IA |
| ✅ Entregables claros | ❓No sabes si el modelo funcionará |
| ✅ Progreso incremental | ❓El progreso no es lineal |
| ✅ Backlog relativamente estable | ❓El resultado depende de los datos |
Por eso, Scrum funciona bien cuando puedes planificar.
La IA empieza cuando ya no puedes hacerlo.
En un proyecto de IA, hay varias cosas que cambian de forma importante. Por ejemplo:
- Ya no existen entregables predecibles. No estás construyendo funcionalidades desde el inicio, estás trabajando con hipótesis. No sabes si lo que estás intentando resolver va a dar el resultado esperado hasta que lo pruebas.
- El progreso no es lineal. Iteras, sí, pero también fallas. Y volver atrás forma parte natural del proceso. A veces avanzas, a veces necesitas replantear completamente el enfoque.
- El backlog es inestable. A diferencia de un proyecto tradicional, donde puedes definir historias de usuario con cierta claridad, en IA vas descubriendo el problema mientras lo trabajas. El backlog evoluciona constantemente.
- El “Done” no es claro. ¿Cuándo está listo un modelo? ¿Cuando alcanza cierta precisión? ¿Cuando genera impacto? Aquí entra un nivel de incertidumbre que Scrum no define de forma explícita.
- Las métricas cambian. Ya no se trata de velocidad o de cuántas historias completas en un sprint. Aquí hablamos de impacto, precisión, adopción y valor real para el negocio.
En este contexto, el nuevo enfoque del PMBOK me parece especialmente alineado. Reconoce que no todos los proyectos siguen estructuras predecibles, promueve enfoques híbridos y pone el foco en la generación de valor más que en el cumplimiento de un plan.
Si lo llevamos a proyectos de IA, este enfoque encaja bastante mejor. Porque en estos proyectos la incertidumbre no es un problema a eliminar, sino una característica en sí. El aprendizaje continuo forma parte del proceso y la validación no ocurre al final, sino durante todo el ciclo.
Y aquí es donde aparece un cambio importante de mentalidad. Porque pasamos de un paradigma de “entregar” a uno de “aprender”.
Ya no se trata solo de construir funcionalidades, sino de validar hipótesis, aprender del comportamiento del modelo y ajustar continuamente en función de los datos. El verdadero output de estos proyectos no es solo software, sino conocimiento y decisiones que impactan en el negocio.
Por eso, los proyectos de IA requieren algo más.
Requieren enfoques híbridos, iteración exploratoria, validación continua y un foco constante en el negocio. Scrum puede seguir siendo parte del marco de trabajo, pero por sí solo no es suficiente.
Y aquí es donde el rol del Project Manager realmente evoluciona. El foco cambia: gestionar tareas deja de ser suficiente. Ahora implica navegar la incertidumbre como parte natural del proyecto, traducir el lenguaje técnico al negocio y viceversa, alinear expectativas desde el inicio y asegurar que lo que se construye no se quede en un modelo… sino que se integre, se utilice y genere impacto real.
Si quieres profundizar en cómo estos problemas se materializan en la práctica, puedes leer el caso que publiqué anteriormente sobre un proyecto de IA que parecía exitoso… pero fracasó🤯.
En conclusión:
Scrum no falla. Falla cuando lo usamos en contextos donde no aplica.
Y los proyectos de IA son, claramente, uno de esos contextos.
