¿Qué es una evaluación de oportunidades de IA?
Flujo de trabajo, adopción y valor
Una evaluación de oportunidades de IA es un método estructurado para identificar, comparar y priorizar posibles casos de uso de IA en una organización antes de comprometer dinero y esfuerzo en su desarrollo. Integra la necesidad de negocio, el valor probable, la viabilidad, el riesgo, la disponibilidad de datos y el esfuerzo de cambio para que los responsables puedan elaborar una lista corta creíble. No se trata de rediseñar un proceso en detalle, sino de decidir qué trabajo merece la pena abordar.
Revisado por Jackie, Head of Learning & Development, Levellers - Última revisión: 8 de junio de 2026
Qué significa esto
Muchas organizaciones tienen hoy más ideas sobre IA de las que pueden abordar con el tiempo, el presupuesto o la atención directiva disponibles. Una evaluación de oportunidades de IA somete esas ideas a una prueba justa. En lugar de respaldar la voz más alta o la herramienta más reciente, plantea una pregunta de gestión sencilla: ¿dónde podría la IA mejorar el trabajo lo suficiente como para justificar la acción, y dónde el encaje es demasiado débil por ahora?
La evaluación analiza varios casos de uso candidatos al mismo tiempo. Por eso es más amplia que una evaluación de flujos de trabajo de IA. Una evaluación de flujos de trabajo se centra en un proceso concreto ya elegido y pregunta si la IA puede ayudar en ese contexto. La evaluación de oportunidades es anterior: ayuda a los responsables a decidir qué candidato merece ese análisis más profundo.
También es distinta del rediseño de flujos de trabajo. El rediseño llega después, una vez elegido el objetivo y cuando el propio proceso necesita reformarse. La evaluación de oportunidades es la puerta de entrada a ese recorrido. Para Levellers.ai, es el artículo central de este subgrupo porque conecta estrategia, gobernanza, valor, encaje y preparación para la ejecución sin adentrarse en el trabajo de construcción.
Por qué importa
Sin un método disciplinado para elegir, la adopción de IA suele convertirse en una serie de experimentos desconectados. Un equipo quiere un chatbot. Otro quiere un asistente de redacción. Un directivo ha visto una demo y quiere lo mismo internamente. Ninguna de estas ideas es necesariamente mala, pero todas compiten por datos, presupuesto, tiempo directivo y atención del personal, que son escasos. Una evaluación de oportunidades de IA evita que la organización trate todas las ideas como igualmente urgentes.
Esto importa desde el punto de vista comercial porque la principal restricción rara vez es el acceso al software, sino la capacidad de la organización para concentrarse. Una mala elección puede encadenar a una empresa a meses de trabajo de escaso valor, distraer a personas clave y dañar la confianza si el primer intento decepciona. Una elección mejor produce el efecto contrario: ofrece a los responsables un caso de uso con un propósito de negocio claro, un camino plausible hacia el valor, un riesgo manejable y el encaje operativo suficiente para justificar un piloto o una prueba de valor.
Importa operativamente porque la IA funciona mejor cuando está vinculada a trabajo real y no a ambiciones abstractas. La investigación y la evidencia de campo muestran de forma consistente que el valor depende del encaje con el flujo de trabajo, la disciplina directiva, la disponibilidad de datos y la voluntad de cambiar la forma en que se trabaja. Las organizaciones que avanzan bien no se limitan a comprar herramientas: eligen con cuidado, establecen criterios, construyen una cartera y distribuyen sus apuestas por etapas.
Importa desde la perspectiva del riesgo porque no todos los candidatos merecen el mismo tratamiento. Algunos casos de uso implican datos personales sensibles. Otros condicionan decisiones sobre personas, dinero o cumplimiento normativo. Algunos pueden ser técnicamente sencillos de construir pero difíciles de gobernar. Otros parecen atractivos pero se apoyan en datos deficientes, líneas de base vagas o una justificación de cambio débil. La evaluación ofrece a la dirección un mecanismo para descartar candidatos débiles de forma temprana, pausar los que están en la frontera y dirigir los más sólidos hacia el siguiente paso adecuado.
Cómo funciona
Comenzar con un marco de negocio, no con una lista de herramientas
El primer paso es definir qué está intentando mejorar realmente la organización. Parece obvio, pero muchos debates sobre IA empiezan en el lugar equivocado: empiezan por la capacidad tecnológica cuando deberían empezar por la presión. Esa presión puede ser un servicio más lento, una carga administrativa creciente, fricciones de cumplimiento, presión sobre los márgenes, escasez de personal, calidad inconsistente, información de gestión deficiente o demasiado tiempo de expertos dedicado a preparación rutinaria.
Un marco sensato incluye unos pocos criterios claros que reflejen cómo la empresa crea valor y dónde debe actuar con cautela. Para una empresa liderada por su fundador, esos criterios pueden ser generación de caja, rapidez en obtener el primer resultado, baja carga de implantación y bajo riesgo operativo. Para un proveedor de servicios regulados, pueden incluir sensibilidad de los datos, trazabilidad y calidad probatoria. Para un grupo con varios departamentos, pueden incluir capacidad reutilizable entre funciones y acceso a un patrocinador fiable.
Este es también el momento de establecer límites. Los responsables deben decidir de antemano qué queda fuera del alcance, qué requiere gobernanza adicional y qué debe conservar siempre la autoridad humana. Si la organización presta servicios al sector público, sanidad, servicios financieros, empleo u otros entornos de mayor escrutinio, ese filtrado es relevante desde el primer día.
Construir una lista amplia de candidatos a partir del trabajo real
Las listas de candidatos más sólidas no surgen únicamente de una hoja en blanco y un taller de innovación. Provienen de varias fuentes a la vez. Una es la presión estratégica. Otra es la evidencia de proceso: colas, tiempos de espera, retrabajos, excepciones y puntos de error frecuentes. Otra es la frustración del personal de primera línea, que a menudo sabe exactamente dónde se pierde el tiempo. Otra es el dolor del cliente, especialmente cuando los tiempos de respuesta, los traspasos o la circulación de documentos generan retrasos. Otra son los cuellos de botella directivos, donde personas de alto nivel dedican mucho tiempo a revisar, redactar, verificar o enrutar trabajo.
En esta fase, el objetivo es la amplitud antes que el juicio. La mayoría de las organizaciones se benefician de recopilar más ideas de las que esperan desarrollar. No se trata de prometer entregas, sino de evitar acotar demasiado pronto. Una lista débil suele reflejar la imaginación de una sola función. Una lista más sólida abarca trabajo comercial, operaciones internas, cumplimiento, gestión del conocimiento y prestación de servicios.
Las preguntas de identificación son sencillas. ¿Dónde buscan las personas repetidamente la misma información? ¿Dónde se retrasa el trabajo por leer, redactar, clasificar o enrutar? ¿Dónde dedican los expertos su tiempo a preparar material en lugar de tomar la decisión que importa? ¿Dónde hay una gran variación en la demanda? ¿Dónde el juicio se apoya en grandes volúmenes de texto, imágenes o registros? ¿Dónde se producen retrabajos porque la información llega tarde o en el formato incorrecto?
Convertir cada idea en una ficha de caso de uso
Las ideas en bruto son difíciles de comparar. Una ficha de caso de uso breve las hace comparables. No necesita ser extensa: una página suele ser suficiente. La disciplina reside en los campos que se incluyen.
Una ficha práctica describe el problema de negocio, quién lo experimenta, el flujo de trabajo afectado, la tarea o tareas implicadas, el papel probable de la IA, la línea de base actual, el volumen de trabajo, la dependencia de los datos, el grado de juicio requerido y los principales riesgos. También debe indicar qué debería seguir siendo responsabilidad humana y quién sería el responsable del trabajo si avanzara.
Las fichas más útiles describen el trabajo al nivel adecuado: ni vagas, como "usar IA en finanzas", ni excesivamente técnicas. Capturan una porción real de trabajo, como redactar primeras respuestas a consultas rutinarias de proveedores, clasificar solicitudes de mantenimiento entrantes, preparar un expediente de aprobación a partir de registros estándar, o resumir cambios contractuales para un revisor humano.
Una ficha también debe enunciar el contrafactual. ¿Qué ocurre hoy si no se hace nada? ¿Cuánto tiempo lleva el trabajo, quién lo realiza, qué problemas de calidad surgen, qué retrasos genera aguas abajo y cuál es el coste práctico de dejarlo como está? Sin ese contexto, es casi imposible juzgar si un candidato merece realmente atención.
Estimar el valor en varias dimensiones
El valor es más amplio que el ahorro de mano de obra. Los responsables deben resistir la tentación de reducir cada candidato a una única cifra especulativa demasiado pronto. Un enfoque mejor consiste en analizar varias dimensiones de valor conjuntamente y convertirlas en un caso de negocio detallado solo cuando el candidato haya superado la lista corta.
Una dimensión es el tiempo y la capacidad: ¿podría el caso de uso reducir el tiempo de respuesta, el tiempo en cola o la carga de preparación repetitiva? Otra es la calidad y la consistencia: ¿podría reducir pasos omitidos, mejorar la precisión en el primer intento o favorecer un tratamiento más uniforme? Otra es el impacto comercial: ¿podría acelerar el trabajo de ingresos, mejorar la conversión, reducir fugas o hacer un servicio más ágil? Otra es la resiliencia: ¿podría reducir la dependencia de un número reducido de especialistas o hacer el trabajo menos frágil ante picos de demanda? Otra es el apalancamiento estratégico: ¿podrían reutilizarse los mismos datos, patrones de instrucciones, métodos de gobernanza o integraciones en otros contextos?
Los responsables también deben distinguir entre valor directo e indirecto. El valor directo aparece en lugares evidentes, como la reducción del esfuerzo manual o una respuesta más rápida. El valor indirecto aparece en efectos de segundo orden, como una mejor visibilidad directiva, una mayor satisfacción del personal al eliminarse tareas tediosas, o registros de cumplimiento más sólidos porque las decisiones están mejor documentadas. Estos efectos son reales, pero deben tratarse con disciplina y no con optimismo.
La prueba no es "¿podemos imaginar un beneficio?". La prueba es: ¿existe un camino creíble desde este caso de uso hasta una mejora de negocio medible en un plazo que nos importe? Si la respuesta es confusa, el candidato suele pertenecer a un lugar más bajo de la lista.
Evaluar la viabilidad, el riesgo y el encaje organizativo
Aquí es donde muchos casos de uso inflados quedan descartados. Un buen candidato no solo es valioso en teoría: también debe ser suficientemente viable para justificar la acción.
La viabilidad comienza con el propio trabajo. ¿Son las tareas suficientemente repetibles para aprender de ellas? ¿Están disponibles las entradas digitales? ¿Existe una línea de base razonable? ¿Son las condiciones de éxito lo bastante claras para poder evaluarlas? ¿Es manejable la tasa de excepciones? ¿Tiene el flujo de trabajo suficiente estructura para que un paso asistido por IA sea utilizable en la práctica?
A continuación vienen los datos. ¿Son los datos relevantes accesibles, legalmente utilizables, de calidad aceptable y vinculados al flujo de trabajo de forma práctica? ¿Hay suficientes ejemplos, documentos o historiales de transacciones para respaldar las pruebas? ¿Existen reglas claras de propiedad y retención? Si el trabajo depende de archivos fragmentados, juicios no documentados o registros incompletos, la puntuación de viabilidad debe caer de forma notable.
Después viene el riesgo. ¿Implica el caso de uso datos personales, material comercial confidencial, asesoramiento regulado, decisiones de empleo o determinaciones que puedan afectar materialmente a una persona? ¿Requiere explicabilidad, auditabilidad o posibilidad de intervención humana? ¿Sería un error inconveniente, costoso o inaceptable? ¿Qué problemas de ciberseguridad y cadena de suministro surgen si interviene un modelo o proveedor externo?
Por último viene el encaje organizativo. ¿Existe un patrocinador creíble? ¿Tiene el equipo suficiente estabilidad de proceso para adoptar el cambio? ¿Hay capacidad para la implantación, la revisión y la formación? ¿Dependería el caso de uso de otra capacidad aún no disponible, como estándares documentales, un inventario de datos o claridad en los roles?
Puntuar, clasificar y cuestionar sin aparentar certeza
Una vez elaboradas las fichas, los responsables necesitan un método de clasificación. Un método sencillo suele funcionar mejor que un modelo complejo. La mayoría de las empresas pueden puntuar cada candidato según un conjunto reducido de criterios, como potencial de valor, rapidez en obtener el primer resultado, disponibilidad de datos, encaje con el flujo de trabajo, esfuerzo de implantación, dificultad de gobernanza y reutilizabilidad. Una escala rojo-ámbar-verde o una escala del uno al cinco suele ser suficiente.
El objetivo de la puntuación es la comparación, no el teatro matemático. Si un equipo no puede explicar por qué un candidato ha obtenido una puntuación alta, el número no está siendo útil. Las sesiones de clasificación más útiles incluyen cuestionamiento desde varios ángulos: comercial, operativo, de datos, de cumplimiento y de primera línea. Esa visión transversal es importante porque un caso de uso atractivo para un equipo puede generar una carga oculta aguas abajo en otro.
Este es también el momento de preguntarse si un candidato aparentemente sólido solo lo parece porque ha sido descrito de forma demasiado vaga. Si las puntuaciones difieren mucho entre revisores, el caso de uso suele necesitar reformulación. El problema de negocio puede ser real, pero el papel propuesto para la IA puede seguir siendo difuso.
Construir una cartera, no solo elegir un ganador
Una lista corta es mejor que una apuesta única. El pensamiento de cartera importa porque una organización no debería concentrar todo su esfuerzo en IA en el mismo perfil de riesgo. Una lista corta saludable suele incluir algunos casos de uso a corto plazo con complejidad moderada, más una o dos apuestas más ambiciosas que requieren bases más sólidas.
Esa combinación importa para el ritmo y la confianza. Los casos más pequeños y bien elegidos pueden generar evidencia, habilidades y confianza. Los casos más ambiciosos pueden hacer crecer a la organización donde hay suficiente patrocinio y paciencia. El equilibrio variará, pero el principio es constante: no confundir el mayor potencial teórico con el mejor movimiento siguiente.
El pensamiento de cartera también hace visibles las dependencias. Dos candidatos atractivos pueden depender del mismo ingeniero de datos escaso, de la misma revisión legal o de la misma arquitectura documental subyacente. Otro caso puede tener un valor inmediato ligeramente inferior pero ser mucho mejor para construir capacidad reutilizable. La lista corta debe mostrar, por tanto, no solo la clasificación, sino también la lógica de secuenciación.
Dirigir cada candidato de la lista corta al siguiente paso correcto
El resultado de una evaluación de oportunidades de IA no es una decisión de compra, sino un mapa de decisiones. Cada candidato debe encuadrarse en una de las siguientes categorías: avanzar ahora, esperar a que se cumplan los requisitos previos, revisar más adelante o descartar.
Los candidatos que avanzan deben pasar generalmente a una evaluación de flujos de trabajo de IA. Ese siguiente artículo es más específico por diseño: pregunta si un flujo de trabajo concreto es genuinamente adecuado para la IA, dónde está la fricción, qué datos y puntos de decisión importan y cómo es un buen resultado en la práctica. Si el flujo de trabajo resulta adecuado, la organización suele necesitar entonces un rediseño del flujo de trabajo para que la IA se integre en un proceso mejorado en lugar de superponerse a uno deficiente.
Ese traspaso es donde gran parte del trabajo de selección rinde sus frutos o se deshace. Una buena evaluación de oportunidades prepara esa siguiente etapa de forma limpia porque ya ha expuesto el propósito de negocio, el valor probable, el responsable de la decisión y las principales restricciones.
Ejemplos
Una firma de contabilidad de tamaño mediano quiere aumentar su capacidad antes de otra temporada de presentaciones intensa. Su lista de ideas incluye limpieza de registros contables, verificación de documentos AML, redacción de propuestas, resúmenes de notas de reuniones y apoyo a la investigación fiscal. La evaluación de oportunidades muestra que la verificación AML y los primeros borradores de propuestas son apuestas a corto plazo más sólidas que el apoyo a la investigación fiscal. Implican trabajo recurrente de alto volumen, dependen de entradas más estándar y pueden mantener un revisor humano claro. La investigación fiscal sigue siendo interesante, pero la tolerancia al error y la necesidad de un juicio profesional matizado la sitúan más abajo en la lista.
Un fabricante regional está considerando la IA en planificación, calidad, atención al cliente y administración de exportaciones. La dirección asume inicialmente que la programación de la producción debería ser la primera prioridad por su importancia estratégica. La evaluación dice lo contrario. Los datos de programación están fragmentados y el riesgo en cascada es alto. La verificación de documentación de exportación y el triaje de tickets de mantenimiento obtienen mejores puntuaciones porque el trabajo es frecuente, intensivo en texto, orientado por reglas y más fácil de revisar. Eso no hace que la programación sea poco importante: significa que no es el mejor primer movimiento.
Una asociación de vivienda compara el triaje de reparaciones, las comunicaciones sobre atrasos, la redacción de documentos para el consejo y la administración de rotación de viviendas vacías. El triaje de reparaciones y la preparación de documentos para el consejo emergen como la mejor lista corta. El primero tiene un fuerte valor de servicio y una lógica de enrutamiento clara. El segundo libera tiempo directivo de una recopilación repetitiva. Las comunicaciones sobre atrasos siguen siendo posibles, pero dado que pueden influir en decisiones sobre residentes y dependen de datos personales sensibles, se sitúan en un camino más cuidadoso con una gobernanza más sólida y revisión humana.
Un distribuidor especializado compara la gestión de consultas de proveedores, la búsqueda de políticas internas, el apoyo a la elaboración de presupuestos de ventas y los recordatorios de control de crédito. La búsqueda de políticas internas parece sencilla, pero el valor es modesto. El apoyo a presupuestos de ventas parece atractivo pero depende de datos de precios irregulares. La gestión de consultas de proveedores gana porque elimina la redacción rutinaria de un personal sobrecargado, mejora la velocidad y puede reutilizar una base de conocimiento controlada. Los recordatorios de control de crédito quedan en reserva hasta que los equipos clarifiquen las reglas de mensajes, las excepciones y el tono de marca.
Malentendidos frecuentes
Un malentendido habitual es pensar que una evaluación de oportunidades de IA es simplemente una hoja de cálculo de ROI. No lo es. El caso de negocio completo llega después. Esta fase trata de la elección relativa, la dirección y la comparación disciplinada.
Otro es creer que su propósito es demostrar que la IA debería usarse en todas partes. Hace lo contrario. Una buena evaluación debe descartar ideas débiles con rapidez y sin incomodidad. Decir "ahora no" es una señal de calidad, no de cautela por sí misma.
Otro es pensar que solo se aplica al trabajo administrativo rutinario. En la práctica, las listas de candidatos suelen incluir redacción, clasificación, recuperación de información, preparación para la toma de decisiones, gestión de excepciones y análisis directivo, además de la automatización más directa.
Otro es que la clasificación debería ser puramente técnica. En realidad, el propósito de negocio, el encaje con el flujo de trabajo, el acceso a los datos, la solidez del patrocinador y la carga de adopción importan tanto como la capacidad del modelo.
Un último malentendido es que esto puede resolverse en un solo taller. Los talleres son útiles para generar ideas, pero la priorización solo se vuelve creíble cuando las ideas están escritas con claridad, cuestionadas de forma transversal y contrastadas con líneas de base y restricciones reales.
Riesgos y límites
El mayor riesgo es la falsa precisión. Cuando los responsables convierten supuestos aproximados en puntuaciones de apariencia sólida demasiado pronto, los candidatos débiles pueden parecer más fuertes de lo que son. La puntuación es útil, pero solo cuando sigue siendo transparente y cuestionable.
Otro riesgo es ignorar el trabajo previo necesario. Un caso de uso puede parecer atractivo hasta que la organización descubre que faltan propietarios de datos, que los estándares documentales son poco claros, que no existe rastro de auditoría o que nadie tiene tiempo para patrocinar el cambio. Las evaluaciones de oportunidades deben exponer estos obstáculos prácticos en lugar de pasarlos por alto.
También existe el riesgo de valorar la novedad por encima de la durabilidad. Muchos primeros intentos fracasan porque la organización elige algo que funciona bien en una demo pero resuelve un problema superficial. El primer caso de uso adecuado debe abordar una presión de negocio real y duradera, no una curiosidad pasajera.
Existen límites de alcance claros. Si los responsables ya están examinando en detalle un flujo de trabajo concreto, este artículo ya no es la herramienta adecuada: ese es el trabajo de una evaluación de flujos de trabajo de IA. Si el problema es que el propio proceso está mal estructurado y necesita que se replanteen sus pasos, traspasos y controles, el siguiente movimiento correcto es el rediseño del flujo de trabajo.
Por último, algunas categorías de candidatos requieren un escrutinio mucho más intenso o pueden ser directamente inadecuadas. Los casos que afectan materialmente a personas, que dependen de usos de datos personales de alto riesgo o que exigen un juicio automatizado difícil de justificar nunca deben aprobarse únicamente por su potencial de valor.
Qué hacer a continuación
En primer lugar, designar un patrocinador ejecutivo y un responsable operativo. El patrocinador aporta autoridad y claridad en las decisiones. El responsable operativo coordina el trabajo práctico y mantiene el ejercicio vinculado al trabajo real.
En segundo lugar, definir entre cinco y siete criterios de selección en lenguaje claro. Deben ser lo suficientemente breves para que los no especialistas puedan utilizarlos. Los criterios habituales son valor de negocio, rapidez en obtener el primer resultado, disponibilidad de datos, encaje con el flujo de trabajo, esfuerzo de implantación, dificultad de gobernanza y reutilizabilidad.
En tercer lugar, obtener una lista amplia de candidatos a partir de la estrategia, el dolor de proceso, el personal de primera línea y la fricción con el cliente. Convertir cada idea en una ficha de caso de uso de una página. Si no puede describirse con claridad, no está lista para ser clasificada.
En cuarto lugar, revisar las fichas con un grupo transversal. Incluir la responsabilidad operativa, la perspectiva comercial, el conocimiento de los datos y la aportación de gobernanza. Puntuar de forma comparativa, debatir los desacuerdos y reescribir cualquier ficha demasiado vaga para ser evaluada.
En quinto lugar, elaborar una lista corta con categorías explícitas: avanzar, esperar, revisar, descartar. Anotar por qué cada caso de la lista corta ha ganado su lugar y qué tendría que ser cierto para que un caso en espera pueda avanzar más adelante.
En sexto lugar, dirigir los mejores candidatos a evaluaciones de flujos de trabajo de IA. Ese paso analizará correctamente un flujo de trabajo, verificará los puntos de decisión y los datos, y mostrará si el trabajo es genuinamente adecuado. Solo después de eso deben los responsables comprometerse con un piloto, una prueba de valor o un esfuerzo de rediseño.
En séptimo lugar, repetir la evaluación con regularidad. No debe ser un ejercicio único. La presión de negocio, la capacidad de los modelos, la regulación y la madurez de los datos cambian. Una cartera viva es más útil que una lista puntual.
¿Tiene alguna pregunta o sugerencia, o desea saber cómo investigamos y revisamos estas guías? Lea sobre nuestros estándares editoriales y cómo contactarnos.
Preguntas frecuentes
¿En qué se diferencia una evaluación de oportunidades de IA de una estrategia nacional de IA?
La estrategia de IA establece la dirección general, la ambición y los límites para la organización. Una evaluación de oportunidades de IA es un método de selección práctico dentro de esa dirección más amplia. Traduce la ambición en una lista corta clasificada de casos de uso candidatos.
¿En qué se diferencia de una evaluación de flujos de trabajo de IA?
La evaluación de oportunidades analiza muchos candidatos y decide qué trabajo merece un análisis más profundo. Una evaluación de flujos de trabajo de IA se centra en un flujo de trabajo concreto ya elegido y pregunta si la IA puede ayudar allí de forma segura y útil.
¿Realmente necesitan esto las organizaciones pequeñas y medianas?
Sí. Las empresas más pequeñas a menudo lo necesitan aún más porque disponen de menos tiempo directivo libre y menos tolerancia para la experimentación sin salida. Una evaluación ligera pero disciplinada suele ser suficiente.
¿Cuántos casos de uso debemos comparar?
Los suficientes para crear una elección real. En una organización más pequeña pueden ser entre diez y veinte candidatos razonables. En un grupo más grande pueden ser más. El objetivo no es el volumen por sí mismo, sino evitar clasificar únicamente las ideas que surgieron primero.
¿Necesitamos estimaciones financieras exactas antes de clasificar?
No. En esta fase se necesita un juicio direccional creíble, no previsiones perfectas. La lista corta debe alimentar después un caso de negocio más detallado para los pocos candidatos que avancen.
¿Quién debe participar en la puntuación?
Habitualmente, un patrocinador ejecutivo, los responsables operativos pertinentes, alguien que entienda los datos y alguien que pueda representar la gobernanza o el cumplimiento normativo. Involucrar solo a tecnólogos o solo a patrocinadores de negocio debilita el juicio.
¿Qué suele hacer bajar a un candidato en la lista?
Evidencia de línea de base débil, datos fragmentados, flujos de trabajo inestables, tasas de excepción elevadas, propiedad poco clara, alta carga de gobernanza, o beneficios que dependen de un cambio de comportamiento muy grande para una ganancia muy pequeña.
¿Con qué frecuencia se debe repetir la evaluación?
Muchas organizaciones se benefician de una revisión trimestral o semestral, con actualizaciones puntuales cuando aparecen nuevas presiones de negocio o cambios regulatorios. Conviene tratarla como gestión de cartera, no como una sesión de lluvia de ideas única.
Fuentes
The economic potential of generative AI: The next productivity frontier (McKinsey). breadth of enterprise use cases across functions, reminder that selection should begin with business work rather than a single tool category
Machine Learning in Air Force Human Resource Management: A Framework for Vetting Use Cases with Example Applications (RAND). five-step use-case evaluation logic, value and feasibility criteria, and portfolio thinking for comparing many candidates
The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed: Avoiding the Anti-Patterns of AI (RAND). common selection errors, especially vague problem statements, wrong metrics, weak workflow fit, poor data and technology chasing
Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST). context setting, fit-for-purpose framing, human-AI configuration, and risk-aware governance criteria for prioritisation
Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST). model evaluation, knowledge limits, human oversight and pre-deployment testing considerations for shortlisted generative AI use cases
Guidance for using the AI Management Essentials tool (GOV.UK). organisational self-assessment, process maturity, AI system records and management practice checks relevant to screening candidates
Management practices and the adoption of technology and artificial intelligence in UK firms (Office for National Statistics). UK adoption context, evidence that management practice quality and complementary investment shape technology take-up
Generative AI and the SME Workforce (OECD). SME context on present AI use, performance effects, skill gaps and the need for disciplined prioritisation rather than blanket rollout
Guidance on AI and data protection (ICO). privacy, fairness and governance screening where candidate use cases involve personal data
Introduction to AI assurance (GOV.UK). UK framing on trust, assurance, governance and the need to assess AI use in context rather than as a purely technical purchase