Entregando Proyectos de IA

Leer la transcripción:

Estamos probando la transcripción de nuestros pódcast usando un programa de software. Por favor disculpe cualquier error tipográfico, ya que el bot no es correcto el 100% del tiempo.

Galen Low: Has estado teniendo esos sueños otra vez. ¿Sabes? Ese en el que cada otro gestor de proyectos en tu equipo es un cyborg. ¿O el en el que el producto de IA que tu equipo está construyendo se vuelve autoconsciente y esclaviza a la humanidad?

Relájate.

Claro, la inteligencia artificial es un tema candente en estos días, pero ha existido, de alguna forma, desde hace décadas. Y está en todas partes: sugiere frases para tu correo electrónico, te recomienda vídeos, determina la mejor ruta para llegar al trabajo, entre otras cosas.

Pero sí, entregar proyectos que involucran IA es una gran responsabilidad y, francamente, una inevitabilidad. Y como con cualquier tecnología de rápido avance, no todos los proyectos están destinados al éxito. Así que... esa presión que sientes es válida y real.

Si eres alguien que intenta comprender la inteligencia artificial y la manera en que impactará la gestión de proyectos digitales, el episodio de hoy es para ti. Vamos a profundizar en las razones por las cuales fallan los proyectos de IA y qué podemos hacer, como gestores de proyectos, para dar a nuestros proyectos relacionados con IA la mejor oportunidad de éxito.

Hola a todos, gracias por sintonizar. Mi nombre es Galen Low y soy parte de Digital Project Manager. Somos una comunidad de profesionales digitales con la misión de ayudarnos mutuamente a ganar habilidades, a tener confianza y a conectarnos, para que podamos amplificar el valor de la gestión de proyectos en un mundo digital. Si quieres saber más al respecto, entra en thedigitalprojectmanager.com.

Bien. Hoy estamos hablando de proyectos que involucran inteligencia artificial y cómo las prácticas ágiles pueden ayudar a navegar algunas de las complejidades de crear un producto basado en IA.

Conmigo hoy están Kathleen Walch y Ron Schmelzer, los socios directores y analistas principales de Cognilytica y también los anfitriones de AI Today—un pódcast dedicado a ofrecer ideas prácticas y del mundo real sobre lo que ocurre en el ámbito de la inteligencia artificial.

¡Kathleen, Ronald, bienvenidos!

Ronald Schmelzer: Gracias por invitarnos.

Kathleen Walch: Sí, estamos muy emocionados de estar aquí.

Galen Low: Es genial tenerlos en el programa. Para los que nos escuchan, estábamos geekando sobre pódcast porque Ron y Kathleen llevan hablando sobre IA en pódcast, ¿cuánto? ¿Seis años ya?

Kathleen Walch: Más o menos, sí.

Galen Low: Así que he estado extrayendo todos sus consejos y secretos, y me siento un poco bajo presión.

Me siento cohibido, pero pensé que sería mejor entrar de lleno. La IA es un tema muy interesante ahora en el mundo de la gestión de proyectos, quizás en todo el mundo. Su pódcast tiene muchísimos oyentes. Todos quieren estar al tanto de esta cosa que se mueve rápidamente y que en general está algo incomprendida.

Pero antes de adentrarnos más, solo me preguntaba, ¿podrían contarnos un poco sobre Cognilytica? ¿Qué los llevó a crear su organización y cómo ayudan a la gente a navegar el mundo de la inteligencia artificial?

Kathleen Walch: Claro. Cognilytica existe más o menos desde que empezamos el pódcast en 2017. Y comenzó porque Ron y yo ya habíamos trabajado juntos previamente en una compañía llamada Tech Breakfast, que era realmente un evento matutino de demostraciones.

Muy emprendedor, no necesariamente enfocado en IA, sino en tecnología en general. Para ayudar a mostrar y destacar lo que ocurre en diferentes regiones de Estados Unidos. Estábamos en unas 12 ubicaciones, desde Boston hasta Nueva York, el área de DC, y el norte de Virginia, Maryland. Tuvimos algunos en Texas, Carolina del Norte y Silicon Valley, por supuesto.

Así que desde Tech Breakfast, empezamos a notar mucho movimiento en cuanto a asistentes de voz y tecnología de voz en particular. Y dijimos, bien, quizás haya algo aquí. Y esos son más o menos los inicios de Cognilytica. Cognilytica empezó como una asesoría de investigación y educación orientada a IA. Y lo que rápidamente nos dimos cuenta fue que las personas que lideraban proyectos de IA—el término inteligencia artificial se acuñó en 1956.

Así que el concepto no es nuevo. Ha existido durante décadas en este punto, pero aún se siente como nuevo. Y creo que para muchas personas todavía lo es, quizá porque nunca se les había presentado antes. Es realmente en la última década más o menos cuando empezó a ser algo común. La gente interactúa con esto a diario a través de asistentes de voz, del móvil, distintas tecnologías de reconocimiento facial.

Entonces, nos dimos cuenta de que la gente no estaba gestionando correctamente los proyectos de IA, y había una alta tasa de fallos. Dijimos, bien, vamos a tomar una pausa y entender qué pasa y por qué ocurre esto. En nuestro pódcast, de hecho, tenemos una serie sobre fallas en la IA que aborda las razones comunes de por qué fracasan los proyectos de IA.

Esto puede estar relacionado con problemas de calidad o cantidad de datos. Quizá el retorno de la inversión no está ahí. Hay personas que quieren hacer IA solo por hacer IA. Y otra gran razón es que, por alguna razón, la gente promete más de lo que puede cumplir, así que sobrevaloran lo que la IA puede hacer. Se emocionan tanto con la tecnología que terminan prometiendo demasiado y luego, por supuesto, entregan menos porque tal vez el proyecto se sale del alcance.

Realmente asumieron más de lo que podían manejar. Así que dijimos, bien, necesitamos enfocarnos en la educación fundamental aquí y educar realmente a la gente sobre cómo hacer correctamente IA, lo que incluye seguir metodologías de buenas prácticas. Y dejo que Ron se presente y continúe con esto.

Ronald Schmelzer: Fantástica introducción.

Así que, soy Ron Schmelzer, también socio director aquí en Cognilytica. Y ya sabes, una de las cosas que descubrimos, y parte de la razón, pienso que parte de la razón por la que nuestro pódcast tuvo tanto éxito, es que pasamos mucho tiempo en conceptos y explicaciones, incluso en la terminología.

Porque algunos conceptos son confusos. Como decimos, algunos son, honestamente, casi intencionadamente confusos. Usamos las mismas palabras para significar cosas diferentes. Usamos palabras distintas para lo mismo, porque la inteligencia artificial en realidad es una colección de varias comunidades relacionadas pero distintas. Tenemos, por ejemplo, la gente de la robótica tradicional, y quienes han trabajado en sistemas de control.

Tenemos todo el grupo de estadísticos y personas de análisis que aportan su experiencia en análisis de datos. Hay lingüistas y gente de procesamiento de lenguaje natural. Y hay, ya sabes, personas involucradas en cibernética y sistemas de control que dicen: usamos esta palabra para describir esto, y así. Pero nadie suele resolver el problema. Solo lo juntan todo. Y mientras tanto, ya sabes, es un montón de investigadores que, de repente, la gente se entusiasma con la IA y se lanza una tonelada de dinero, a veces miles de millones de dólares.

Y de repente estos investigadores están ahora en grandes compañías como Microsoft, Amazon, Google, Facebook y todas esas, y lideran estos proyectos. Como mencionó Kathleen, de verdad, mucho de nuestro tiempo lo dedicamos a educación. Lanzamos algunas formaciones muy pronto en Cognilytica: fundamentos de la inteligencia artificial y aplicaciones de la IA y similares.

Y eso despegó muy rápido y terminamos haciendo gran parte de nuestras capacitaciones para gobiernos, grandes instituciones gubernamentales, federales, estatales, locales, internacionales, Australia, Reino Unido, Singapur, muchos países con los que hemos trabajado, así como organizaciones y empresas importantes. Y uno pensaría que después de todos estos años ya sabrían lo que hacen.

Pero, claro, entras y te sorprendes: ¿cómo pueden estar haciendo todo esto y no tener una base fundamental? Y eso, por supuesto, nos llevó a esta metodología de la que hablaremos para gestionar estos proyectos de IA, porque lo que muchas de estas organizaciones tenían en común era cometer los mismos errores una y otra vez.

No es que no tengan gente inteligente; tienen muchísimos talentos. Algunos de los investigadores más reconocidos en el área trabajan en estas compañías, con grandes tecnologías. Así que, hay algo más detrás, y como todos saben, el ingrediente mágico para que esto funcione es el gestor de proyectos, y por eso estamos aquí.

Galen Low: Es curioso que menciones el origen de la inteligencia artificial en los años 50 y me imagino algo así como tecnología de ciencia ficción que, después de salir en los libros, pasa a la realidad. Y de algún modo esto de la IA y por qué fallan los proyectos de IA.

Estamos por adentrarnos en ese tema. Pero pienso en conceptos como la teletransportación—algo que acuñamos en la ficción y alguien allá afuera intenta hacerlo posible, con la obsesión de lograrlo, en vez de conectar con el porqué de la teletransportación. ¿Cuál es el impacto de negocio que puede tener?

¿Y cómo conectamos eso con cómo entregamos esa tecnología para su uso?

Ronald Schmelzer: De hecho, estamos viendo eso ahora, justo hoy y esta semana, en las noticias, sobre cómo una de las compañías de vehículos autónomos acaba de quebrar. Argo, una empresa de mil millones, acaba de cerrar y despidió a 2000 empleados, lo cual no es bueno, vendiendo su equipo y tecnología a Ford y VW.

Hay un gran artículo diciendo que creen que ya no veremos vehículos autónomos, pero va a tu punto: Sé que a Kathleen le encantan los vehículos autónomos, pero realmente no tienen "el conductor", y no es un juego de palabras.

Porque no tiene conductor, pero tampoco tiene un conductor de negocio. No hay nadie dirigiendo ni en el asiento frontal, ni en la estrategia de negocio. Entonces, ¿es solo por la búsqueda, el reto? ¿O realmente necesitamos retorno para que funcione?

Galen Low: Me gusta eso. Y siguiendo con eso, creo que muchos de nuestros oyentes, o la gente en general, escuchan 'proyectos de IA' y piensan en eso, en vehículos autónomos, diseño conversacional, chatbots, etc.

Pero es un área muy vasta; la inteligencia artificial no es solo eso. Así que quizá podríamos poner un punto de referencia para los oyentes: cuando hablamos de entregar proyectos que implican IA, ¿de qué otros tipos de proyectos hablamos? ¿Qué ejemplos hay más allá de esos?

Kathleen Walch: Sí. Eso fue algo con lo que nosotros también batallamos al principio, porque cuando la gente habla de IA, puede que se estén refiriendo a cosas distintas. Pueden estar hablando de chatbots de IA, de vehículos autónomos—que ya mencionamos y que a mí me encantan—, o quizá me refiera a mantenimiento predictivo, por ejemplo. Todos entran en la categoría IA, pero no son lo mismo. Lo que complica la conversación.

Por eso creamos los siete patrones de IA, porque todos los proyectos que hemos visto encajan en uno o más de estos siete patrones.

A grandes rasgos: sistemas conversacionales (computadora-persona, persona-computadora y también persona-persona, como en traducción automática); sistemas autónomos (el objetivo es sacar a la persona del sistema—vehículos autónomos, pero también software autónomo que automatiza rutas, elimina cuellos de botella...); reconocimiento (procesar datos no estructurados, como visión artificial, reconocimiento facial, etc.); sistemas orientados a objetivos (aprendizaje por refuerzo, buscando la mejor ruta en un laberinto, juegos...);

También están los patrones de anomalías—buscar patrones, encontrar atípicos en los datos. Hiperpersonalización: ya no clasificamos a gente en grupos, sino que tratamos a cada uno como individuo (es típico en marketing, pero puede ir a medicina personalizada, sanidad personalizada...).

Y el último es analítica predictiva: aprovechar datos pasados o actuales para ayudar a tomar mejores decisiones o predicciones humanas.

Plantearlo así ayuda muchísimo a clarificar: mi aplicación de procesamiento de lenguaje natural entra en el patrón conversacional. Así ayuda a atajar mejor el éxito del proyecto: qué datos necesitas, qué algoritmos usar, quién debe participar. Así que, desglosarlo de esa forma ayuda, al menos, a nivelar la conversación.

Galen Low: Me gusta la palabra patrones porque, originalmente, pensaba en patrones tipo ordenadores, tendencias, pero si lo entiendo bien, es algo así como costura: tienes un patrón para un vestido, otro para un pantalón. Eso te orienta, te da un punto de partida en vez de empezar solo con un trozo rectangular de tela. ¿Me lo estoy inventando?

Ronald Schmelzer: No, quiero decir, 'patrón' es una de esas palabras del inglés.

La usamos a veces de forma técnica y a veces general, pero sí, no es una mala imagen mental. A veces pienso en un cortador de galletas como patrón porque cuando intentamos que los sistemas de aprendizaje automático aprendan de datos, todo esto es realmente formas de detección de patrones y de operar con patrones.

Pero el patrón importa porque si intento entender un patrón de lenguaje, no puedo aplicar ese modelo (igual que el del vestido) a la visión por imágenes. Hay este concepto global de "inteligencia artificial general" que sería un sistema que aprendiese de todo, reconoce, conversa, es autónomo...

Pero no sabemos resolverlo, no sabemos ni cómo funciona exactamente el cerebro humano. Así que ahora estamos con la IA estrecha: resolvemos patrones concretos.

Y por eso los llamamos patrones: no puedes aplicar el mismo modelo a todo. Un bot de ajedrez no vale para reconocimiento de imágenes. Hay un salto enorme ahí. Así que ¿qué fabricarás? ¿Ropa? Es muy general; hacer un vestido no es lo mismo que fabricar parkas. Haces cosas diferentes y no puedes decir 'voy a hacer calcetines' sin más.

Así estamos. Buena analogía.

Galen Low: Y es aún más fascinante porque, como decís, no sabemos exactamente cómo funciona un cerebro, y sin embargo intentamos construirlo pieza a pieza. La búsqueda de la AGI (inteligencia artificial general) es en realidad una forma de descifrar cómo se construye un cerebro. Y empezamos por áreas y funciones localizadas, pero eventualmente se sumarán en algo más general que hará mejores metáforas que las que intento yo en este pódcast.

Uno de los temas que tratamos antes fue la entrega de proyectos: los desencuentros, los malentendidos y los problemas a la hora de entregar un proyecto de IA. Para desentrañar esto, quisiera preguntar: ¿cómo difiere entregar un proyecto de IA de entregar otros proyectos, incluso digitales?

¿Cuáles son las características clave de estos proyectos que los gestores de proyectos deben tener en mente para el éxito?

Ronald Schmelzer: Gran pregunta. Obviamente, esta es la clave y en parte la razón de nuestra presencia aquí. Como conversábamos antes de la grabación, hay grandes personas intentando resolver grandes problemas y fracasan; fracasan claramente. Puedes buscar en internet y verás que el 70-80% de todos los proyectos de IA fracasan. Y al fracasar, hablamos de ser cancelados, incluso de empresas que cierran y despiden a mucha gente.

Eso es un gran fracaso. Pero hay fallos más pequeños, proyectos detenidos, personas reasignadas. Y lo que encontramos es que, en buena medida, esto se reduce a problemas básicos de gestión de proyectos. Y son dos cuestiones. Uno: la gente de IA y datos no conoce los fundamentos de la gestión de proyectos.

Deberían, pero además, los gestores de proyectos que llegan tratan un proyecto de IA como cualquier proyecto general, o como uno digital más. Pero hay diferencias clave. La mayor es que los sistemas de IA dependen absolutamente de los datos. Y puedes decir: "Bueno, todo sistema digital depende de datos", pero no es así.

Puedes crear una web, una App móvil, algo en la nube que tenga pocos o ningún dato al principio y da igual; lo importante es la funcionalidad. Un sistema de aprendizaje automático aprende todo de los datos. Incluso si tú y yo hacemos el mismo chat bot con la misma tecnología, si yo uso otro conjunto de datos para entrenarlo y tú otros, los resultados pueden ser muy distintos (éxito o fracaso). El caso del bot Tay de Microsoft: dejaron que internet lo entrenara.

¿Y qué pasó? En 24 horas tuvieron que desconectarlo; se volvió racista y ofensivo. Claro, jamás deberías dejar abierto nada a internet.

Así que lo que aprendimos es que los proyectos de IA deben ser gestionados desde una perspectiva centrada en los datos, lo que significa cosas específicas. Quizá dejo que Kathleen continúe: ¿qué significa gestionar un proyecto centrado en los datos?

Kathleen Walch: Cierto. Y si quieres gestionar un proyecto centrado en datos, debes tener esa mentalidad y aplicar metodologías y prácticas específicas de datos.

Y descubrimos que mucha gente no lo hacía. Lo gestionaban como un típico proyecto de software y así fracasan. Así que nosotros abogamos por hacer bien la IA.

No queremos más fracasos y por eso promocionamos la metodología CPMAI, que es gestión cognitiva de proyectos de IA. Además, muchas personas, al menos antes, se confundían: "¿Arrancamos desde el conocimiento del negocio o desde los datos?" Porque decimos que los datos son el corazón de la IA y entonces creen: "Vale, lo más importante es el dato: comenzamos por ahí". Y nosotros decimos: "No, primero hay que entender el negocio; si no solucionas un problema real, para qué".

Hay gente que dice "quiero imponer IA porque me lo pide la dirección o porque es la moda". Les decimos: "Sí, pero si no resuelves nada, sólo gastarás tiempo y dinero en algo sin aplicación útil". Si no logras ese retorno esperado, probablemente nunca vuelvas a gestionar un proyecto de IA porque la dirección te dirá: "¿Gastaste 5 millones para qué?"

Ese es otro motivo.

Galen Low: Es curioso pensar el tema del contexto. En cierto modo, todas las disciplinas... venimos de trabajar con anteojeras puestas, ¿no?, sólo en la tarea sin entender el contexto más amplio.

Incluso la gestión de proyectos peca de ello. No es crítica, es una forma de trabajar, pero tienes tu PMO empresarial y dicen: "Vas a llevar este proyecto a buen puerto". Y quizá no comprenden lo específico de un proyecto de datos o de una web o un CRM.

¿Qué partes son distintas? Hemos tratado la gestión de proyectos como si fuera el mismo arte para todo, sin reconocer la especialización y esa curiosidad necesaria por el contexto para hacerlo bien.

Además, ambos grupos, sean científicos de datos o gestores de proyectos, pueden perderse el bosque si no entienden la estrategia y los objetivos del negocio, no solo del proyecto sino de la organización. Porque, por ejemplo, los vehículos autónomos pueden dejar de ser prioridad de repente y, sobre todo en IA, todo cambia constantemente. La competencia es feroz. Nadie sabe bien a dónde va, ni si compiten por lo mismo, pero la competencia es brutal y cambia rápido.

Sin contexto, trabajas en algo y de pronto dejan de pedírtelo y te preguntas: "¿Qué ocurrió?"

Ronald Schmelzer: Y esto es verdad aunque no hagas un proyecto de IA, sino uno de big data, por ejemplo.

Y los proyectos de IA en realidad son una clase de proyectos big data. Y la falta de enfoque en los datos se manifiesta en cuestiones obvias: por ejemplo, dices: "Solo necesito este dato para crear un modelo predictivo, o un sistema de recomendación, o un chat bot...".

¿De verdad tienes ya ese dato? ¿Has visto esos datos? Y, claro, el proyecto arranca y no has mirado los datos. Comienzas y notas que falta la mitad de los datos, o están mal o no tienes acceso. O peor aún, contienen información privada, aparecen cuestiones de privacidad y seguridad y entonces tu proyecto, que venía con todo, depende de conseguir y limpiar los datos: de eso depende el éxito.

Puedes tener la mejor idea, pero si es con imágenes médicas y no accedes a ellas—son datos protegidos por privacidad o de baja calidad o limitados—, te toca parar el proyecto o iniciar uno para limpiar, etiquetar o conseguir datos nuevos. Y de pronto ves que no presupuestaste eso en tiempo ni recursos; tu proyecto va sobre ruedas flojas y rápidamente se queda sin ellas. Un año o 18 meses después, no has producido nada y sigues limpiando datos.

Y cambia el mercado, llega una pandemia o problemas de cadena de suministro y, cuando entrenamos o hablamos en el pódcast, todo es real. No hay que inventar ejemplos; Walmart gastó millones en un robot para escanear estanterías y canceló el proyecto porque no funcionó.

Y digo: "Si falla en Walmart, te puede fallar a ti". La cuestión es: ¿podríamos haber hecho esto de forma más ágil e iterativa? Nuestra mantra es "pensar en grande", pero empezar en pequeño e iterar mucho. Tal vez podríamos haberlo probado con un dato pequeño.

No hacía falta empezar con la autonomía total; quizás podíamos tener un carrito con cámara que escanease estantes. No era necesario resolverlo todo desde el inicio. Por eso separamos patrones: el reconocimiento es una cosa, la autonomía, otra.

Ese es el razonamiento.

Galen Low: El listón es muy alto para la IA, ¿verdad? Es como "o todo o nada". Si vas a hacer IA, que sea un robot que cocine el desayuno. Pero como dices, la primera iteración podría ser solo una sugerencia personalizada de una receta, que tú mismo preparas.

Empecemos pequeño. Has tocado el tema de lo ágil, y lo prometí al principio, así que toca. Habéis expuesto que lo ágil es adecuado porque todo cambia rápido y hay que valorar las iteraciones.

¿Diríais que es la metodología perfecta? ¿O dónde puede fallar lo ágil frente a la IA?

Kathleen Walch: Sí, notamos que muchas organizaciones son ágiles o intentan serlo. Muchos aún no han llegado ahí.

Usamos a menudo el término "wagile" porque mezclar el waterfall (cascada) con lo ágil es habitual: quieren ser ágiles pero no lo logran. Como mencionó Ron, hay proyectos que duran demasiado: 12 o 18 meses, y no debería ser así. Lo ágil ayuda, pero creemos que debe adaptarse para proyectos de IA, reconociendo que son proyectos de datos y gestionándolos como tales, pero aprovechando la mentalidad ágil.

Ronald Schmelzer: Sí, a mí me gusta imaginarlo como una espiral ágil. He visto visualizaciones así. Piensa en tu proyecto principal, que puede implicar desarrollar un modelo de aprendizaje automático.

La IA no es el fin, es un medio. Si es para diagnósticos, el diagnóstico es el producto, pero claro, el "cajón negro" que hace el diagnóstico es una parte clave. Visualiza dos tornillos de corcho entrelazados; uno es la iteración del proyecto principal, y el otro, perpendicular, es el modelo de IA con su ritmo distinto.

No tienen que avanzar con la misma cadencia ni los mismos resultados. Uno puede ser funcional y puedes pedir al equipo de IA que, en una primera versión, te dé algo simple: "hazme un chatbot que responda siempre igual", o usando heurísticas sencillas.

Después lo haces cada vez más inteligente. Así los ciclos de vida de los datos y la IA avanzan y se integran, siguiendo una metodología CPMAI, que es más un proceso que una metodología. Indica paso a paso: primero entiendes el negocio, el 'go/no go' de IA, luego comprensión de datos, preparación, desarrollo y evaluación del modelo, puesta en operación, y repites todo en el contexto de un sprint ágil. No lo sustituye, te indica qué hacer en cada iteración.

Galen Low: Me encantan esos marcos para pensar y guiarnos. Y en mi campo hay puristas que siguen todo al pie de la letra porque creen que así funcionará, pero eso no les permite adoptar el verdadero principio ágil: adaptarse, fluir, cambiar cuando es necesario.

Necesitamos esas normas y buenas prácticas no para seguirlas rígidamente, sino como consideraciones. Kathleen, mencionaste wagile y mi instinto va ahí: Ron mencionó que si no haces el trabajo de datos al principio, tu proyecto puede salirse de presupuesto y calendario.

Entonces piensas: "¿Eso es un componente cascada de obtención de datos?" Pero puede ser iterativo: es sólo otra parte del proyecto, y pensamos en línea recta, pero cuando imaginamos corchos concéntricos nuestro cerebro colapsa porque queremos pasos lineales en algo que no lo es. Quizá ese sea nuestro talón de Aquiles. De hecho, se puede iterar en cualquier fase.

No necesariamente en el cajón negro, puede que en el caso de negocio, o ambas a la vez pues el negocio cambia. Y lo que me gusta de tu visual es que están entrelazadas.

Muchos fracasan porque hacen cosas por separado y confían en que al final encajarán. Como esa historia famosa de un jet: un equipo hacía la parte delantera, otro la trasera y nadie comprobó si el cableado era lo suficientemente largo; no lo era y hubo que desecharlo todo. Esos puntos de integración son críticos.

Ronald Schmelzer: Exacto. Y Kathleen podrá dar ejemplos de clientes, pero lo que suele hacer tropezar es asumir demasiado.

Piensas que necesitas petabytes de datos y redes neuronales sofisticadas (son geniales pero limpiar y procesar esos datos, entrenar modelos, es costoso y lento), y tratas de abordar todo en modo cascada: primero esto, luego aquello... y eso es muchísimo asumir. ¿Y si para tu primera versión no necesitas petabytes ni mucha sofisticación? Solo probar lo básico.

¿Funciona la predicción? ¿La gente lo usa? Prueba un modelo sencillo, con pocos datos y árboles de decisión. Así reduces tiempos y costes, aprovechas el ciclo iterativo y no detienes al equipo: que los de adelante y atrás conecten pronto aunque sea con una cuerda; después ya pondrás el cable verdadero cuando toque.

Kathleen Walch: Seguir un proceso paso a paso ayuda a entender qué se necesita y a que todos estén alineados. No es improvisar. Muchos proyectos fracasan justamente por ello, aunque no lo admitan. Un enfoque paso a paso indica qué hacer en el entendimiento de negocio, qué en el de datos, así evitas sorpresas meses después: "¿Por qué no han entregado nada? ¿Por qué costó 5 millones?". No es raro.

Solo para acceder a los datos puede llevar meses, y no se avanza ni se prepara nada, solo se intenta conseguir los datos. A veces hace falta un cambio cultural u organizativo, por eso es bueno tener respaldo de liderazgo. Pero, como dijo Ron, mejor empezar con un dato pequeño disponible y evitas los silos y problemas de acceso a datos ajenos donde la protección es férrea.

Galen Low: Eso da pie a otra cuestión delicada: las expectativas desalineadas. Liderazgo espera un robot, recibes sólo un carrito que lee códigos de barras; el equipo piensa que con 5 millones hará maravillas pero al final nadie lo encuentra útil. ¿Cómo mantener la conversación y el equilibrio de expectativas? ¿Qué conocimientos o habilidades preparan para ello?

Kathleen Walch: Primero, hay que entender qué puede y qué no puede hacer la IA. No es la solución universal. Si necesitas algo que se haga igual siempre, un sistema determinista, a veces mejor solo programar la solución. Haz simple automatización. La IA no te dará exactamente lo mismo siempre, es probabilista, no determinista.

Así que quizá no sea la mejor solución, y eso está bien. A veces se intenta forzar el uso de IA sin necesidad y eso genera muchos problemas.

Como hablamos antes, uno de los principales motivos de fracaso (el término IA es de 1956, ¿por qué no ha avanzado tanto?) se debe al sobreprometer y bajoentregar. Eso causa graves problemas en el sector. Hay algo llamado "invierno de la IA": cuando descienden inversión y atención (aunque algo siempre hay), pero menos fondos, menos impulso a la investigación. El sector ha pasado ya por dos "inviernos" y ahora vivimos una "primavera" de la IA, pero si seguimos sobreprometiendo y fallando podríamos volver a otro invierno.

Así que hay que establecer expectativas realistas. Parte de ello es delimitar bien el alcance y entender lo que se pretende resolver. Si decides que la IA es la tecnología adecuada, entonces hay que seguir las mejores prácticas para lograr el éxito.

Galen Low: Me gusta esa responsabilidad del equipo de asegurar la confianza, casi como la confianza inversora. Si generas miedo o frustración la inversión en IA se retrae y el sector retrocede.

Ronald Schmelzer: Y entendemos por qué ocurre ese entusiasmo: muchos de los problemas difíciles dependen de capacidades humanas. Si logramos que las máquinas lo hagan, desbloqueamos la transformación digital.

A veces el cuello de botella está en procesos manuales. Solo llegaremos al siguiente nivel con máquinas más inteligentes, porque con sistemas basados en reglas no se resuelve todo; a veces hay excepciones, juzgar o decidir requiere habilidad humana. Automatizar es un deseo natural.

Pero también puede llevar a abusos, como confiar ciegamente en decisiones algorítmicas que cancelan cuentas de YouTube, cierran PayPal… y sin recurso. Eso es frustrante.

Por eso existe la inteligencia aumentada: mantener a la persona en bucle, pero reduciendo su carga. Es un camino más razonable y hace sentir que se tiene cierto control. El afán de reducir costes y optimizar lo impulsa todo.

Galen Low: Podemos hablar de la resistencia, del "invierno de la IA", la desconfianza, la falta de recurso cuando una IA se tuerce... Eso genera una resistencia cultural incluso dentro de los equipos, e incluso animadversión desde arriba o desde abajo: "La IA es peligrosa, mejor olvidémonos de ella". ¿Cómo abordar la conversación con equipos que ven la IA como una amenaza, o que la promueven sin razón?

Kathleen Walch: Hay mucho que analizar. Lo primero es el apoyo del liderazgo, porque hay miedos y preocupaciones (emocionales y racionales) respecto a la IA. Hay que abordarlos porque son reales. Si la gente desconfía, habrá resistencia.

A nadie le gusta temer que le quitarán el empleo. Pero los estudios muestran una especie de 'paradoja de la automatización': empresas como Amazon implementan automatización y, sin embargo, contratan más personas.

Las máquinas son buenas en algunas cosas y los humanos en otras. Al delegar a la máquina tareas repetitivas, incluso peligrosas (piensa en almacenes), podemos redirigir a la persona a tareas que requieren creatividad, emociones o contacto humano. Así pueden enfocarse en la última milla, por ejemplo. O en áreas que requieren empatía.

Así, puedes tener chatbots para cuestiones básicas (horarios, direcciones...), pero cuando el usuario necesita algo complejo, puede pasar a una persona.

Cuando el liderazgo asegura que no se hará para suprimir empleos sino para potenciar al equipo, eso ayuda a disipar el miedo.

Y la retroalimentación es esencial. Hay que quitar tareas molestas y no las que disfrutan. Muchos ni siquiera preguntan qué partes de su trabajo son las más odiosas. Así se puede automatizar lo que realmente molesta y valorar más el resto del trabajo.

Ronald Schmelzer: Hay una idea relacionada: vivimos un momento de cierta desconfianza hacia la gestión. La pandemia, el trabajo remoto, han deteriorado relaciones entre directivos y empleados. No es infundado.

La cuestión es distinguir entre el "trabajo" y el "puesto". Si tu puesto es atención al cliente, tu objetivo es mejorar el servicio, no meter datos. Si pasas seis de ocho horas en burocracia, ni tú ni la empresa ganan.

Automatizar el papeleo (incluso con IA sencilla para procesamiento documental) tiene retorno para todos. Lo veo constantemente como usuario: llamas a la administración, esperas una hora solo para que te consulten un dato básico. Si la tecnología recupera el tiempo del operador de la agencia tributaria, podría resolver el gran atasco de trámites.

Esa mentalidad es esencial; muchas veces el reto es el cambio de procesos más que la IA en sí. Y quizá la mayor rentabilidad esté en esas tareas aburridas, no en las espectaculares.

Galen Low: Eso da pie al elefante en la sala: la pregunta de nuestros oyentes. ¿La IA reemplazará a los gestores de proyectos?

Kathleen Walch: Buena pregunta. Lo que hemos visto es que los roles que requieren contacto humano no van a desaparecer pero sí cambiarán.

Siempre se ha dicho que la IA es asesina de trabajos, pero lo correcto es que puede eliminar categorías de empleo. La tecnología ha cambiado la forma de trabajar y vivir siempre.

Ejemplo: la llegada de la computadora personal acabó con equipos enteros de secretarias, pero no provocó desempleo masivo; surgieron nuevos roles (en los 60 no había community managers, por ejemplo). Así que los trabajos y su contenido cambian. Los PM están en entornos ya impactados por la IA: banca, seguros, sanidad, finanzas, automóvil, gran consumo, retail...

La gestión de proyectos no será la excepción; la IA les ayudará en su rol, automatizará partes, pero lo cambiará. Todo depende de cuánto sea insustituible el elemento humano en esa función.

Ronald Schmelzer: Nos gusta verlo como hitos transformadores. Irónicamente, cuantos más proyectos de IA hay, más gestores de proyectos se necesitan, porque muchos fallan por mala gestión.

Cuando revisas tu jornada: reuniones, análisis, documentación... Muchos recursos se dedican a comunicar. Y si una IA puede mejorar o agilizar eso (tomar notas agenda, responder preguntas durante reuniones...), eso no elimina el rol: al final, el PM es el conector que garantiza que todo ocurra, aunque no sea el experto ni el directivo, es el pegamento de la organización.

A futuro, quizá cambien las letras PM pero el rol seguirá (evolucionado). Y lo estamos explorando: IA para gestores de proyectos. Atentos a novedades.

Galen Low: Me encanta. Seguro que tranquiliza: el rol está a salvo, aunque cambie su contenido. Para cerrar, volvemos al tema del conocimiento en IA. Muchos sienten respeto, incluso temor. Pero cuanto más sepan, mejor navegarán, aunque no se conviertan en técnicos expertos. ¿Cómo puede un PM aprender lo justo para hacer las preguntas adecuadas y plantear alternativas sencillas?

Kathleen Walch: Por eso creamos la capacitación y certificación CPMAI: para personas sin fondo técnico fuerte en IA, aprendizaje automático ni matemáticas avanzadas. Enseña los fundamentos y cómo aplicar CPMAI a los proyectos.

Los que no deseen aún certificarse pueden probar el curso gratuito Intro CPMAI en AItoday.live/cpmai. Solo tres horas y muy completo, con ejemplos reales de aplicación, para lograr el éxito en la gestión.

Porque, como decimos, hay que entender los pasos, el orden correcto. Es iterativo, puedes volver atrás cuando haga falta; no hace falta acabar el ciclo para volver. Ofrece una buena panorámica y ejemplos aplicados.

Ronald Schmelzer: Llevamos ya 5 o 6 años haciendo el pódcast y pensamos: "deberíamos crear un glosario" de los términos básicos. Aquí hemos usado decenas de palabras quizá nuevas para el oyente: AGI, invierno de la IA, analítica predictiva, siete patrones… Empezamos con un centenar y luego ya suman 300 términos.

Así que: suscríbete al pódcast de AI Today o a nuestra serie de glosario. Vamos cubriendo un término o grupo de conceptos y explicamos qué es. A veces muy básico: "¿qué es un dato?" o "¿qué es big data?". Se aprende mucho, y puede ser útil para oyentes de otros pódcast. A veces, sólo necesitas un aterrizaje terminológico y no hace falta profundizar demasiado.

Nos gustaría también vincularnos más con la comunidad PM. Quizá participar en eventos conjuntos de gestión de proyectos y de IA. Puede impresionar, pero con un poco de terminología ya accedes a ese mundo sin problema.

Galen Low: Me encanta esa idea de polinización cruzada; aquí estamos para eso. Me dejas pensando: quizás organizamos algo conjunto, mezclamos comunidades, aprendemos todos y nos preparamos para el futuro.

Kathleen Walch: Sí, definitivamente.

Galen Low: Genial. Ron, Kathleen, muchas gracias por venir al programa. Ha sido divertido e instructivo. Estoy seguro de que nuestros oyentes se han beneficiado. Voy a enlazar vuestro pódcast y AI Today abajo, así como Cognilytica para quienes quieran profundizar.

¡Gracias de nuevo por compartir sus reflexiones y su tiempo!

Kathleen Walch: Sí. Ha sido muy divertido.

Galen Low: ¿Y tú qué piensas?

¿Liderar un proyecto de inteligencia artificial requiere un enfoque específico para lograr el éxito? ¿O los proyectos son todos iguales con los mismos desafíos?

Cuéntanos: ¿alguna vez una herramienta o tecnología basada en IA ha puesto en jaque tu proyecto? ¿Cómo lo resolviste?

Y si quieres perfeccionar tus habilidades como líder estratégico de proyectos, ¡únete a nuestra comunidad!

Visita thedigitalprojectmanager.com/membership para acceder a una comunidad de apoyo que comparte conocimientos, resuelve retos complejos y define el futuro de nuestro arte—juntos.

Desde plantillas sólidas y sesiones de formación mensuales hasta el apoyo entre pares en Slack, eventos en vivo y grupos de mastermind, ser miembro significa tener a más de mil personas de tu lado mientras avanzas en tu carrera de entrega de proyectos digitales.

Y si te ha gustado lo que has escuchado hoy, suscríbete y mantente al tanto en thedigitalprojectmanager.com.

Hasta la próxima, gracias por escuchar.