¿Qué hace diferente a un Proyecto de IA respecto al desarrollo tradicional? 🤖
Claves que distinguen los proyectos de inteligencia artificial de los enfoques de desarrollo tradicional.
¡Hola! Soy Jotãche y cada semana te envío una nueva edición de "AIPM News". La newsletter para quienes quieran iniciarse en el mundo del Project Management con una base sólida: contenido riguroso, enfoques actualizados y herramientas prácticas para llevar tu gestión al siguiente nivel. 👨🏻💻
Por otro lado, según el Project Management Institute (PMI), para el año 2030 se necesitarán —lee bien, existe una oportunidad real— más de 25 millones de nuevos profesionales en Project Management a nivel mundial ¿Te quedarás fuera? 👀
Y si este contenido te sirve, te inspira o simplemente te cae bien cómo suelo escribirlo, puedes invitarme un cafecito virtual. Estaré muy agradecido contigo. 🤍✨
Índice:
Introducción
La Inteligencia Artificial (IA) está transformando la forma en que las empresas innovan, compiten y gestionan sus operaciones. Sin embargo, liderar un proyecto de IA no es lo mismo que gestionar un desarrollo de software tradicional.
Como consultor he visto cómo empresas enfrentan retos únicos al abordar proyectos de IA, desde la gestión del flujo de trabajo IA hasta la integración de la ética y la necesidad de enfoques híbridos de Project Management —ágil y tradicional, e incluso, entre ellos hay conflictos, ahora te cuento—.
En esta publicación, descubrirás qué hace realmente diferente a un proyecto de IA respecto al desarrollo tradicional de software —trataré de ser muy explícito y pragmático—. Analizaremos los factores clave, los retos y las mejores prácticas, con ejemplos reales y citas de expertos.
El auge de la IA y la necesidad de un nuevo enfoque
La revolución de la IA está impulsando la innovación en todas las industrias —eso está claro—. La inversión y el desarrollo de soluciones basadas en IA se ha convertido en una prioridad para empresas de todos los tamaños. Sin embargo, la tasa de fracaso sigue siendo alta: “el 85 % de los proyectos de IA acaban fracasando en sus promesas a las empresas”.
¿Por qué? Porque los proyectos de IA presentan desafíos, flujos de trabajo y lógicas de gestión radicalmente diferentes a los del software tradicional. Como señala el estudio de Vial et al. (2023):
“Hay que experimentar mucho, y no siempre está claro qué experimentos tendrán éxito y cuáles requerirán más tiempo de estudio... diferentes formas de ajustar el modelo para que funcione mejor. Es difícil planificar ...” 🤯
Diferencias entre proyectos de IA y desarrollo tradicional
1. El rol central de los datos
En el desarrollo tradicional de software, el foco está en la lógica de negocio, la arquitectura y la codificación de funcionalidades. En los proyectos de IA, los datos son el insumo principal y su calidad, cantidad y relevancia determinan el éxito del modelo —sin buenos datos, no hay posibilidad de éxito, así de simple—.
Software tradicional: Se parte de requisitos funcionales y reglas de negocio bien definidas.
Inteligencia artificial: Se parte de datos históricos, que deben ser recopilados, limpiados, transformados y validados antes de entrenar cualquier modelo.
Como indica el estudio de Vial et al. (2023):
“El flujo de trabajo de la IA implica recopilar, manipular y transformar datos que se utilizarán como insumos para codificar, entrenar, evaluar e interpretar, afinar y aplicar modelos matemáticos complejos”.
2. Ciclos iterativos y experimentales
El ciclo de vida de un proyecto de IA es inherentemente iterativo y experimental, con bucles de retroalimentación y ciclos de prueba y error.
Software tradicional: El desarrollo suele ser secuencial o incremental, con fases bien delimitadas (análisis, diseño, desarrollo, pruebas, despliegue).
Inteligencia Artificial: El AI workflow se caracteriza por dependencias secuenciales, importantes bucles de retroalimentación y un número indeterminado de ciclos de exploración/experimentación de datos —esto significa que es difícil predecir plazos y resultados, y que el avance no siempre es lineal—.
3. Incertidumbre y dificultad de planificación
En los proyectos de IA, la incertidumbre es mucho mayor. Los resultados dependen de la calidad de los datos, la capacidad de los modelos y factores externos difíciles de controlar.
Software tradicional: Es posible estimar con mayor precisión los tiempos y recursos necesarios.
Inteligencia artificial: Según el estudio de Vial et al. (2023), “El ajuste fino de estos complejos modelos matemáticos está muy influenciado por la naturaleza y la calidad de los datos, lo que... dificulta la predicción, planificación y gestión de los ciclos de experimentación” —si el modelo no es válido, simplemente puede ser descartado y ni siquiera podría aportar valor—.
4. Éxito técnico vs. éxito de negocio
Software tradicional: Puede considerarse exitoso si cumple los requisitos y funciona según lo especificado. En IA, el éxito técnico (precisión del modelo, recall, etc.) no siempre se traduce en valor de negocio.
Inteligencia Artificial: Es fundamental “garantizar” que el trabajo de la ciencia de datos sólo se lleve a cabo si añade valor empresarial para los clientes, en lugar de basarse únicamente en el mérito técnico —espera, ¿cómo garantizo si debo llevar acabo el proyecto dentro de una empresa? Desarrollaré una publicación con este punto—.
5. Integración de la ética y la explicabilidad
La IA plantea retos éticos únicos: sesgos, discriminación, falta de transparencia y riesgos regulatorios, entre otros.
Software tradicional: La ética suele centrarse en la seguridad y la privacidad.
Inteligencia Artificial: Según Vial et al. (2023), “La ética en inteligencia artificial no es opcional. Desde la consultoría, insisto en que cada proyecto debe considerar: transparencia en los algoritmos y resultados, privacidad y protección de los datos, no discriminación y equidad en los modelos, cumplimiento normativo y legal” —caso contrario, actualmente ya hay entes reguladores que puede verse involucrados a lo largo del proyecto, sin contar otros grupos de interés—.
Lógicas y metodologías: Tradicional, Agile y AI Workflow
Según el estudio de Consult, los proyectos de IA requieren la combinación de tres lógicas de gestión:
Lógica tradicional de Project Management: Planificación, control de riesgos, gestión por fases.
Lógica Agile: Iteración, feedback continuo, adaptabilidad.
Lógica de AI Workflow: Experimentación, ciclos de prueba y error, dependencia de los datos.
La convivencia de estas lógicas genera tensiones y conflictos que no existen en el desarrollo tradicional de software —aquí te dejo una publicación que hice explicando cada uno de los conflictos—.
Conclusión: Lidera la diferencia, lidera la innovación
Gestionar un proyecto de IA es mucho más que desarrollar software: es liderar la innovación en un entorno de incertidumbre, datos, ética y colaboración multidisciplinar.
Como futuro Project Manager, tu capacidad para integrar metodologías, gestionar el flujo de trabajo de la IA, priorizar la ética y medir el valor de negocio será clave para el éxito.
Referencias bibliográficas:
Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., ... & Zimmermann, T. (2019). Software Engineering for Machine Learning: A Case Study. Proceedings of the 41st International Conference on Software Engineering: Software Engineering in Practice, 291-300.
Benbya, H., Nan, N., Tanriverdi, H., & Yoo, Y. (2020). Complexity and Information Systems Research in the Emerging Digital World. MIS Quarterly, 44(1), 1-17.
Brethenoux, E., & Karamouzis, F. (2020). Market Guide for AI Service Providers. Gartner.
DeNisco Rayome, A. (2019). Why 85% of AI projects fail, and how to make them succeed. TechRepublic.
Google. (2018). Machine Learning Crash Course.
Marr, B. (2020). Artificial Intelligence in Practice: How 50 Successful Companies Used
AI and Machine Learning to Solve Problems. Wiley.
Microsoft Corporation. (2018). Team Data Science Process Documentation.
Swiontkowski, M., & Fuller, J. (2020). Artificial Intelligence: The Next Digital Frontier? McKinsey Global Institute.
Vial, G., Cameron, A.-F., Giannelia, T., & Jiang, J. (2023). Artificial Intelligence Project Management: Keys to an AI Consulting Firm. Information Systems Journal, 33(3), 669–695.
Zhang, Y., Zheng, Y., & Zeng, D. (2020). The Impact of Artificial Intelligence on Innovation. Journal of Business Research, 122, 336-342.
¿Te gustó esta edición? Si la respuesta es sí, reenvíalo a tus amistades o aquella persona especial que tienes en mente.
Para despedirme, espero que tengas una buena semana. Y nos vemos en la siguiente edición para disfrutar de AIPM News.
PD: Sígueme en Youtube, Instagram y TikTok, que pronto estaré anunciando mi próximo Show en VIVO en…