Checklist: 20 preguntas antes de arrancar un proyecto de IA

Esta checklist no es para cuando el proyecto ya está aprobado. Es para antes. Para tener la conversación difícil antes de comprometer presupuesto, tiempo y expectativas.

Una respuesta “no” o “no lo sé” no invalida el proyecto, pero sí señala el trabajo que hay que hacer antes de arrancar.

Sobre el caso de uso

1. ¿Hemos definido el problema de negocio específico que queremos resolver? (No “mejorar la eficiencia”, sino “reducir el tiempo de resolución de tickets de nivel 1 de 4 horas a menos de 30 minutos”).
2. ¿Sabemos por qué ese problema no se ha resuelto antes con tecnología convencional?
3. ¿Hemos validado con los usuarios finales que ese es realmente el problema que les duele?
4. ¿Existe al menos un benchmark manual que nos diga cuál es el resultado “bueno”?

Sobre los datos

5. ¿Tenemos datos históricos del proceso o problema que queremos resolver?
6. ¿Esos datos son accesibles? ¿Están en un sistema con API o necesitamos extracción manual?
7. ¿Los datos tienen la calidad mínima? ¿O hay un proyecto de limpieza previo necesario?
8. ¿Hay restricciones legales o de privacidad sobre esos datos que afecten a cómo podemos usarlos?

Sobre el equipo y la organización

9. ¿Hay un sponsor con autoridad para desbloquear acceso a sistemas, datos y personas?
10. ¿Hay alguien en el equipo que entienda el proceso de negocio a fondo y pueda colaborar con el equipo técnico?
11. ¿Hemos identificado quién será el “propietario” del sistema una vez en producción?
12. ¿El equipo que va a usar el sistema ha sido involucrado en la definición?

Sobre las métricas y el éxito

13. ¿Tenemos una métrica de éxito cuantificable antes de empezar?
14. ¿Sabemos cuál es el umbral mínimo de rendimiento para considerar el proyecto viable?
15. ¿Tenemos un plan para medir el impacto real en negocio (no solo la precisión del modelo)?

Sobre el riesgo

16. ¿Hemos identificado qué pasa cuando el sistema se equivoca? ¿Las consecuencias son asumibles?
17. ¿Habrá siempre un humano en el bucle para decisiones de alto impacto?
18. ¿Hemos considerado los sesgos potenciales en los datos de entrenamiento?

Sobre el proyecto

19. ¿Tenemos definido un MVP (mínimo viable) que podamos validar en menos de 8 semanas?
20. ¿Hay un criterio claro para decidir si pivotar o escalar tras el MVP?

Cómo interpretar los resultados

• 16-20 síes: el proyecto está bien definido. El riesgo principal es la ejecución técnica.
• 10-15 síes: hay trabajo de definición por hacer. Identifica los “no” más críticos y resuélvelos antes de arrancar.
• Menos de 10 síes: el proyecto necesita más tiempo en fase de diagnóstico. Arrancar ahora es arriesgar el presupuesto.

Si quieres hacer este ejercicio con acompañamiento experto, el AI Discovery Day está diseñado exactamente para esto.