Experto en Innovación en Entregas Explica las Condiciones Necesarias para una Integración Exitosa de la IA
Michael Housman es el fundador de AI-ccelerator y autor de Future Proof: Transforma tu Negocio con IA (o Quédate Atrás). En pocas palabras, su labor consiste en desafiar los métodos tradicionales de gestión de proyectos y modernizar la entrega de proyectos en las organizaciones. Lo logra capacitando a líderes de proyectos, rediseñando procesos e integrando la IA en los flujos de trabajo.
Michael Housman
Fundador y CEO de Aiccelerator
La iteración rápida supera la planificación rígida en la era de la IA: Michael sostiene que la gestión tradicional de proyectos falla en entornos de rápida evolución. La entrega habilitada por IA requiere hábitos cortos y repetibles: escaneos horizontales semanales, revisiones mensuales y micro-experimentos diarios, en lugar de hojas de ruta extensas. Los equipos que triunfan construyen un ritmo de pruebas continuas, ajustes y aprendizaje.
El cambio cultural importa más que las herramientas: La adopción de la IA fracasa cuando las organizaciones la tratan como un simple 'añadido'. Michael enfatiza el diseño centrado en el ser humano, los hábitos y los rituales: formación entre pares, logros compartidos, bibliotecas de prompts y pequeños experimentos en los flujos de trabajo. La verdadera transformación proviene de cambiar comportamientos, no de implementar nuevo software.
La IA se está convirtiendo en colaborador, no en herramienta: El futuro de la entrega es la colaboración entre humanos e IA. La IA se ocupa de la investigación, la síntesis, el análisis, la redacción y los flujos de trabajo repetitivos, mientras que los humanos se enfocan en la estrategia, el juicio, la creatividad y la alineación. Los gestores de proyectos se alejan de las tareas administrativas y se centran en la orquestación y el liderazgo estratégico, con la IA acortando la distancia entre los datos y el conocimiento.
Conversamos con Michael para comprender lo que se necesita para modernizar con éxito los sistemas de entrega mediante IA. Nos dijo que todo se trata de cultivar la iteración rápida, lo cual es más fácil decir que hacer.
Ayudando a los equipos a convertir la IA en un socio confiable
Dirijo AI-ccelerator, donde mi equipo y yo ayudamos a las organizaciones a modernizar sus sistemas de entrega integrando la IA directamente en sus flujos de trabajo.
Desbloquea Gratis
Crea una cuenta gratuita para terminar de leer este contenido y unirte a una comunidad de líderes visionarios que están desbloqueando herramientas, manuales y conocimientos para prosperar en la era de la IA.
Have an account? Log In
Mi experiencia abarca ciencia de datos, economía conductual e implementación de IA a gran escala, pero la mayor parte de mi labor actual se centra en ayudar a las empresas a replantearse cómo se realiza el trabajo en un mundo donde la inteligencia misma se está volviendo escalable. En lugar de tratar la IA como una herramienta añadida, ayudo a los equipos a rediseñar los procesos para que las personas puedan enfocarse en la creatividad, el juicio y la estrategia, mientras las máquinas se encargan de las tareas repetitivas y que consumen mucho tiempo de analítica de proyectos.
En términos prácticos, eso significa que paso gran parte de mi tiempo guiando a los equipos a través de la planificación de IA, marcos de experimentación, estrategia de adopción y desarrollo de capacidades a gran escala. Ya sea que esté ayudando a un equipo de marketing a lanzar campañas más rápido o entrenando a analistas para tomar mejores decisiones en menos tiempo, mi papel en la entrega de proyectos es lograr que la IA sea un compañero confiable en lugar de un desconocido intimidante.
Por qué la adopción de IA fracasa sin un cambio cultural y un diseño centrado en las personas
La IA ha cambiado mi papel de "creador de soluciones" a "arquitecto de capacidades". Paso menos tiempo en análisis manual, investigación o creación de contenido porque la IA ahora puede encargarse de gran parte del trabajo pesado, a velocidad y escala. En cambio, me enfoco en diseñar sistemas, establecer límites y ayudar a los equipos a construir los hábitos necesarios para integrar la IA de maneras que realmente transformen los resultados.
El trabajo que más ha crecido es la orquestación: elegir dónde encaja la IA, asegurarse de que las personas permanezcan en el circuito donde es importante y ajustar continuamente los flujos de trabajo. La IA reduce el tiempo entre el conocimiento y la decisión, así que mi rol es cada vez más sobre secuenciar, alinear y ayudar a los equipos a "surfear la ola" en lugar de ahogarse en ella.
Y en definitiva, la tecnología es la parte fácil; las personas son la parte difícil. Por eso, una gran parte de mi atención se dirige a asesorar líderes, fomentar la adopción y rediseñar rituales para que los equipos puedan trabajar de nuevas maneras.
Cómo crear las condiciones para una iteración rápida
En un entorno exponencial, el liderazgo en la entrega deja de centrarse en controlar el plan y pasa a crear las condiciones en las que la iteración rápida no solo sea posible, sino esperada. Y crear estas condiciones implica establecer un ritmo operativo repetible.
Con los clientes, empezamos mapeando un solo flujo de trabajo de principio a fin y realizando lo que llamo un “censo de IA”: ¿en qué puntos están las personas haciendo trabajo de apoyo en la toma de decisiones que la IA podría ayudar a automatizar hoy en día? A partir de ahí, definimos uno o dos experimentos de bajo riesgo y alto impacto —por ejemplo, acelerar la síntesis de investigaciones, la generación de campañas o el análisis— y les asignamos responsables claros, una métrica de éxito simple y un ciclo de retroalimentación ajustado. Luego, incorporamos pequeños rituales ligeros: exploraciones semanales de lo que ha cambiado, revisiones mensuales para decidir en qué experimentos profundizar y “remar a diario”. Es decir, usos pequeños y reales de la IA en el trabajo cotidiano para que se convierta en una costumbre y no en un proyecto paralelo.
He aquí un ejemplo concreto: Trabajé con un equipo de analistas escépticos en una gran empresa de ciencias de la vida que era responsable de decisiones críticas de mercado y cartera. En vez de imponer "usa IA", empezamos mapeando cómo producían un entregable específico y luego utilizamos Gemini para automatizar solo las partes más tediosas: escaneo de datos de mercado, resumen de inteligencia competitiva y evaluación de escenarios.
Los formamos con el modelo “ver-hacer-enseñar”: primero demostraciones en vivo con sus propios flujos de trabajo, luego práctica en situaciones de bajo riesgo y, finalmente, que enseñaran lo aprendido a sus compañeros. E institucionalizamos pequeños rituales que recompensaban el avance: presentaciones semanales, bibliotecas de prompts, logros compartidos.
En cuatro meses, el uso diario de la IA entre los analistas formados subió del 16% al 83%, y la adopción en todo el departamento pasó del 31% al 100%. La tecnología fue importante, pero el verdadero desbloqueo fue ese ritmo de pequeños experimentos acotados, más rituales recurrentes y enseñanza entre pares que hicieron que la iteración rápida se sintiera segura, normal y esperada.
En un entorno exponencial, el liderazgo en la entrega deja de centrarse en el control del plan y pasa a consistir en crear las condiciones donde la iteración rápida no solo es posible, sino esperada.
Cómo pasar a una entrega ágil habilitada por IA
La gestión tradicional de proyectos se basa en una planificación fuerte anticipada y estructuras rígidas que se rompen en entornos de rápido movimiento.
Sostengo que la IA requiere pasar de hojas de ruta a cinco años a hábitos breves y repetibles: análisis semanales del horizonte, revisiones mensuales de posicionamiento y micro-experimentos diarios. La IA cambia demasiado rápido para el método Waterfall. En lugar de “planificar > construir > lanzar”, la entrega moderna se parece más a “explorar > probar > adaptar”.
Los sistemas livianos enfatizan la alineación en tiempo real empleando resúmenes generados por IA usando software de toma de notas, instantáneas inmediatas de progreso y documentación automatizada. Los equipos pasan menos tiempo actualizando artefactos y más tiempo iterando en los resultados. Priorizamos prototipos funcionales sobre planes teóricos y utilizamos la IA para reducir los ciclos de desarrollo y aprender más rápido que la competencia. El resultado es un ritmo de entrega que se siente más como surfear: movimiento constante, ajuste continuo y oportunidad permanente.
Cuando nos alejamos de la gestión tradicional de proyectos hacia sistemas más livianos y habilitados por IA, lo hicimos incorporando intencionadamente estas herramientas en los flujos de trabajo existentes en lugar de reemplazar todo de una vez. ChatGPT se convirtió en el centro multiuso: redactaba alcances, generaba briefs, aclaraba requisitos y producía instantáneas de proyectos. Gemini abordó las tareas de investigación más profundas como análisis de competencia y síntesis técnica.
Para los equipos creativos, Flux Replicate impulsó la generación rápida de imágenes, RunwayML transformó imágenes en videos y Suno/ElevenLabs proporcionaron recursos de audio instantáneos. En el lado de la automatización, Atlas y Lindy se usaron para prototipar flujos de trabajo agénticos, ayudando a automatizar pasos como recopilar material de referencia, reescribir resultados para diferentes partes interesadas o generar listas de tareas a partir de documentos del proyecto. Finalmente, herramientas como Claude y Manus ayudaron a acelerar el desarrollo y la creación de prototipos de código.
La transición siguió el patrón simple y repetible que mencioné antes:
- Mapea un solo flujo de trabajo de principio a fin.
- Identifica qué pasos pueden delegarse a qué herramientas.
- Provee a los equipos una biblioteca de prompts iniciales.
- Realiza una sesión práctica en vivo con un trabajo real, en la que los miembros del equipo completan el flujo completo usando la nueva cadena de herramientas.
- Institucionaliza pequeños rituales que recompensen el avance.
Cómo navegar la complejidad organizacional e impulsar la adopción de IA a gran escala
Aquí tienes otro ejemplo. Trabajé con una empresa de suplementos para mascotas de rápido crecimiento cuyo equipo de marketing tenía dificultades para satisfacer la demanda. Lanzaban alrededor de 500 campañas al mes y cada recurso requería diseñadores, redactores y repetidas iteraciones manuales. Cuando la IA generativa se popularizó a finales de 2022, introdujimos herramientas como Midjourney y formamos al equipo para integrarlas directamente en su pipeline de campañas.
Con solo cambios menores en el proceso y práctica activa, el tiempo de producción bajó de 45 minutos por anuncio a 5 minutos: ¡una mejora de casi el 900%! Eso desbloqueó un crecimiento exponencial: 2,300 campañas mensuales, un mayor ratio de conversión y, en última instancia, un crecimiento del 50% interanual en ingresos.
Los cambios en el proceso fueron intencionalmente reducidos pero de gran impacto. Se realizaron como describí arriba.
Empezamos aislando un solo flujo de trabajo — la producción de anuncios pagados en redes sociales — y dividiéndolo en sus pasos clave: ideación, redacción, generación visual, formateo de recursos, control de calidad y subida. En lugar de rediseñar toda la cadena, solamente reemplazamos dos pasos: la ideación inicial y la creación visual preliminar. Introdujimos prompts de Midjourney adaptados a cada línea de producto, creamos prompts de copia basados en plantillas dentro de ChatGPT y diseñamos un breve árbol de decisiones para que los creadores supieran exactamente cuándo usar IA y cuándo refinar manualmente.
El equipo luego practicó esto en un entorno controlado: un anuncio, un recurso, un prompt a la vez. Cuando vieron la aceleración del tiempo — de 45 minutos a unos 5 — la adopción llegó por sí sola. Los resultados tangibles generan confianza mucho más rápido que la formación teórica.
Cómo la IA cambia el punto de partida de cada ritual de entrega
La IA cambia el punto de partida de cada ritual.
Por ejemplo, el alcance ya no es una cuestión de “¿qué podemos hacer de forma realista con las horas disponibles?”, sino de “¿qué se vuelve posible cuando nuestra capacidad se expande?”. Al definir el alcance, ahora co-creamos con la IA: generamos múltiples versiones, desafiamos suposiciones y exploramos caminos alternativos antes de comprometernos. Esto amplía el espacio de soluciones y reduce los puntos ciegos desde el principio.
La alineación también cambia porque la IA proporciona una única fuente de verdad. Produce resúmenes, informes, riesgos y opciones compartidas, eliminando las brechas de interpretación que a menudo ralentizan la colaboración.
La validación se convierte en un proceso continuo en vez de episodios puntuales: la IA prueba suposiciones, revisa resultados y detecta inconsistencias en tiempo real.
Y la ejecución pasa a depender menos de la gestión de tareas y más de la orquestación de flujos de trabajo humano-máquina, asegurando que el trabajo correcto vaya al "miembro del equipo" adecuado, ya sea humano o IA.
Por qué la colaboración humano–IA es la fórmula ganadora
En general, el trabajo repetitivo, manual, analítico y de alto volumen es la fruta más fácil de alcanzar. Tareas como la síntesis de investigaciones, recopilación de requisitos, análisis competitivo, borradores iniciales, validación técnica, aseguramiento de calidad y refinamiento de backlog son ideales para la IA porque dependen del reconocimiento de patrones y escalan bien con la automatización.
La IA para los trabajadores del conocimiento es lo que fue la máquina de vapor para el trabajo manual: un multiplicador de fuerza que se encarga del trabajo pesado para que los humanos puedan centrarse en lo que solo ellos pueden hacer.
El trabajo que sigue requiriendo el toque humano incluye la resolución de ambigüedades, alineación entre funciones, gestión de conflictos, narrativas, inteligencia emocional y decisiones estratégicas; áreas donde el contexto, el juicio y las habilidades relacionales importan más que el cálculo. Las máquinas pueden proponer opciones, pero los humanos aún deben elegir qué montaña escalar.
La fórmula ganadora es la colaboración: que la IA se encargue de las tareas de precisión y que los humanos lideren con creatividad, estrategia y conexión.
La IA para los trabajadores del conocimiento es lo que fue la máquina de vapor para el trabajo manual: un multiplicador de fuerza que se encarga del trabajo pesado para que los humanos puedan centrarse en lo que solo ellos pueden hacer.
Cómo los agentes de IA reducen la carga cognitiva
Los flujos de trabajo orientados a agentes están volviéndose rápidamente fundamentales. Nos enfocamos en tres áreas:
- Reducir la carga cognitiva
- Automatizar flujos de trabajo repetitivos de extremo a extremo
- Crear sistemas “cerrados” en los que los agentes puedan razonar, actuar y verificar resultados
Los experimentos iniciales incluyen agentes que generan variantes de campañas, revisan conjuntos de datos, refinan prompts, construyen paneles de control o gestionan flujos de investigación complejos sin requerir supervisión manual entre pasos.
Cuando combinas personas talentosas con los sistemas de IA adecuados, la producción escala exponencialmente. En algunos casos, lo que antes tomaba días ahora se realiza en horas —o minutos—. La clave es una orquestación cuidadosa: asegurar que los agentes tengan restricciones, criterios de evaluación y rutas de escalada para que los humanos mantengan el control del juicio y la estrategia. En otras palabras, los agentes deben operar dentro de una "caja" claramente definida, y siempre deben ser los humanos quienes tomen las decisiones interpretativas o estratégicas.
Por ejemplo, con un analista farmacéutico, identificamos exactamente dónde podían ayudar los agentes de IA de manera confiable, y esos lugares se convirtieron en las restricciones del agente: podía recopilar, organizar y redactar, pero no interpretar, recomendar ni priorizar. Esas decisiones de mayor nivel permanecieron únicamente en manos de los analistas.
También establecimos criterios de evaluación antes de que la IA tocara una sola tarea. Por ejemplo, cada resumen generado por IA debía reflejar con precisión los documentos fuente, cada esquema de escenario debía citar las suposiciones subyacentes, y cada tabla comparativa debía coincidir con los formatos preferidos por los analistas. Cuando la IA encontraba datos ambiguos, señales contradictorias o brechas significativas —algo frecuente en las primeras iteraciones—, escalaba automáticamente el problema a un revisor humano que aclaraba el rumbo y añadía matices.
La orquestación funcionó porque la IA tenía restricciones, las salidas tenían criterios y los analistas contaban con disparadores de escalada claros para mantener el control del trabajo. Cuando ese equilibrio es el adecuado, las ganancias de productividad parecen casi desleales.
Cómo la IA acorta la distancia entre datos e ideas
Pero la capacidad más subestimada de la IA no es una sola herramienta ni un agente: es la toma de decisiones asistida por IA.
Cuando cada miembro del equipo cuenta con un asistente inteligente de investigación, estratega y analista en su bolsillo, las reuniones se acortan, las decisiones se aclaran y la ejecución se acelera notablemente. Los equipos dejan de pasar horas recopilando información y, en cambio, dedican minutos a elegir entre opciones generadas por IA.
Para la mayoría de mis decisiones, me apoyo en una rotación de los principales modelos de frontera—ChatGPT, Gemini, Claude y Grok—porque cada uno tiene diferentes fortalezas y la calidad de una respuesta a menudo depende de emparejar la pregunta con el modelo. En la práctica, estoy constantemente "consultando" a todos ellos cuando evalúo compensaciones, pongo a prueba supuestos o exploro opciones estratégicas. Esa triangulación entre modelos es lo que me da confianza: si varios sistemas coinciden en el mismo razonamiento, lo considero una señal más sólida.
Dicho esto, ChatGPT suele ser mi primera parada. La razón es simple: la funcionalidad de memoria lo hace particularmente bueno para decisiones que requieren continuidad. Recuerda el contexto de mi negocio, el tipo de clientes que atiendo, mi tono, mis preferencias y los patrones en mi trabajo. Esa continuidad se acumula con el tiempo, así que cuando pienso en posicionamiento, estrategia, mensajes o cualquier cosa que se beneficie de un contexto a largo plazo, ChatGPT se convierte en mi “base central”.
Los otros modelos actúan como asesores especializados; ChatGPT actúa como el que mejor me conoce.
Cómo las capas de orquestación y los GPT personalizados unifican las herramientas de IA
Mi pila principal ahora gira en torno a:
- Modelos multimodales como ChatGPT, Gemini y Claude
- Herramientas agénticas para la automatización de flujos de trabajo
- Copilotos específicos de dominio para diseño, programación, análisis y documentación
En general, la mayor evolución no son las herramientas en sí, sino la capa de orquestación —usar marcos de automatización y GPTs personalizados para conectar todo. Antes, mi pila incluía herramientas separadas para investigación, redacción, diagramación y gestión de proyectos. Hoy, muchos de esos flujos de trabajo convergen en una sola capa de IA que se sitúa sobre las herramientas ya existentes.
Esencialmente, hablo de una colección de sistemas de IA interoperables con los que los equipos interactúan para optimizar sus flujos de trabajo. En la práctica, esto se traduce en usar modelos de propósito general (ChatGPT, Claude, Gemini) como el motor cognitivo para tareas como investigación, síntesis, redacción o análisis, mientras se aprovechan copilotos específicos de dominio o plug-ins dentro de herramientas como Notion, Google Workspace, Figma o Jira. En lugar de alternar entre una docena de aplicaciones fragmentadas, los equipos cada vez dependen más de un pequeño conjunto de interfaces principales de IA que se conectan con el resto de su pila.
El valor está en reducir los costes cognitivos de cambio de tarea.
La pila tecnológica de IA que acelera la iteración y la entrega
En el último año, he apostado por herramientas que permiten una iteración rápida (generadores visuales, intérpretes de código), orquestación (Zapier, Make) y gobernanza (bibliotecas de prompts, registros de auditoría). Al mismo tiempo, he reemplazado muchas herramientas tradicionales porque los sistemas nativos de IA ahora son más flexibles, rápidos y fáciles de adaptar.
El objetivo es eliminar pasos molestos que antes consumían horas del tiempo colectivo del equipo: enrutar activos, resumir hilos, generar actualizaciones de estado, convertir notas de reuniones en tareas o reempaquetar resultados para diferentes grupos de interés. Todo esto puede ejecutarse de manera autónoma ahora. El ahorro acumulativo de tiempo es enorme, no porque una sola tarea sea grande, sino porque el trabajo de entrega está compuesto por miles de ellas.
Mi pila evoluciona cada mes, pero el principio se mantiene: usar IA para reducir pasos, disminuir la fricción y escalar el resultado. Literalmente utilizo docenas de herramientas en cualquier momento, pero estas son las que más uso ahora mismo:
- ChatGPT: modelo de lenguaje grande multiusos
- Google Gemini: investigación profunda
- Lindy: diseño de flujos de trabajo agénticos
- Manus: creación de prototipos impulsada por IA
- Claude: herramienta para desarrollo de código
- Atlas: navegador agéntico
- NotebookLM: resúmenes de audio
- Flux Replicate: generación de imágenes
- Suno: de texto a música
- ElevenLabs: locuciones
- RunwayML: de imagen a video
- AKool: avatar IA/gemelo digital
Por qué la IA transformará la gestión de proyectos en liderazgo centrado en la estrategia
Pronto, la IA será un colaborador pleno en la entrega, no solo una herramienta. Tendremos sistemas capaces de gestionar proyectos de manera autónoma de principio a fin: generar alcances, secuenciar tareas, gestionar dependencias, alertar riesgos e incluso dirigir reuniones de seguimiento o retrospectivas. Los responsables de entrega pasarán de la orquestación de tareas a la estrategia, la cultura y la alineación interfuncional. El lado “administrativo” de la gestión de proyectos estará automatizado en un 80-90%.
Más importante aún, veremos competidores nativos de IA en todas las industrias. Equipos con casi cero gastos generales, capacidad creativa infinita y sistemas de entrega que operan a velocidades que las organizaciones tradicionales no pueden igualar.
La brecha entre quienes adoptan y quienes se quedan atrás está aumentando exponencialmente, no linealmente. Los líderes de entrega que construyan sistemas operativos potenciados por IA ahora serán los dueños del futuro. Quienes esperen se encontrarán compitiendo con organizaciones que pueden entregar en días lo que antes tomaba trimestres.
Veremos competidores nativos de IA en todas las industrias. Equipos con casi cero gastos generales, capacidad creativa infinita y sistemas de entrega que operan a velocidades que las organizaciones tradicionales no pueden igualar.
Por qué esperar claridad ralentiza la adopción de IA
Así que este es mi consejo: no esperes una claridad perfecta.
El mayor error que cometen los líderes de entrega es intentar predecir la ola perfecta. No necesitas un plan a cinco años; necesitas una actitud de experimentación continua. Comienza en pequeño, avanza rápido, prueba con frecuencia y construye hábitos que te mantengan aprendiendo. El cambio exponencial premia el movimiento y castiga la duda. Los equipos que ganan son los que reman antes y con frecuencia.
Y apuesta por las personas antes que por las plataformas. La adopción de IA fracasa si tu equipo se siente amenazado, desinformado o abrumado. Crea una cultura de curiosidad, ofrece formación práctica, celebra los primeros logros y haz visible la adopción. Cuando la IA se vuelve algo gratificante en vez de intimidante, se vuelve sostenible.
En última instancia, esta era pertenece no a los equipos con las mejores herramientas, sino a los equipos que aprenden a asociarse con ellas.
Sigue conectado
Puedes seguir el trabajo de Michael en la modernización de sistemas de entrega en su sitio web personal, LinkedIn y YouTube. ¡Y echa un vistazo a AI-ccelerator!
¡Más entrevistas con expertos próximamente en The Digital Project Manager!
