La inteligencia artificial ha multiplicado las posibilidades de innovación, pero también ha complicado la decisión sobre qué merece recursos y qué debería esperar dentro de los comités de dirección de las empresas.
En muchas organizaciones hay casos de uso para atención al cliente, ventas, operaciones, finanzas o recursos humanos. El problema aparece cuando todas parecen interesantes pero los recursos siguen siendo limitados.
Lo importante es construir un criterio que permita decidir cuáles tienen sentido para la empresa, cuáles están suficientemente preparadas para abordarse actualmente y cuáles deberían quedar fuera del comité de priorización de proyectos.
La evidencia disponible sugiere que este problema está lejos de ser anecdótico. En la encuesta global de McKinsey de 2025, casi dos tercios de las organizaciones todavía no habían comenzado a escalar la inteligencia artificial a nivel empresarial y solo el 39 % de los encuestados atribuía algún impacto de la IA sobre el EBIT de su organización (1).
S&P Global, por su parte, encontró que la proporción de empresas que declaraban abandonar la mayoría de sus iniciativas de IA antes de llegar a producción había aumentado del 17 % al 42 %, mientras que, de media, se descartaba el 46 % de los proyectos entre la prueba de concepto y producción (2).
No parece, por tanto, que el principal problema sea la falta de capacidad para experimentar con IA. Parece residir en la capacidad para seleccionar bien qué experimentar, qué escalar y qué abandonar, ya se trate de una startup que valida una idea o una empresa consolidada que persigue optimizar procesos maduros.
El primer paso: Alinear estrategia, resultados medibles y casos de uso de IA.
La forma más habitual de empezar una conversación sobre inteligencia artificial consiste en preguntar dónde podría utilizarse.
Antes de discutir si un proceso podría automatizarse con IA, conviene identificar qué problema empresarial existe, qué resultado se quiere modificar y cómo se podrá comprobar si la situación ha mejorado con métricas claras.
Gartner plantea precisamente la necesidad de vincular los casos de uso de IA con objetivos empresariales y establecer una referencia que permita valorar posteriormente el impacto. En su propuesta de priorización, las iniciativas que no consiguen establecer una conexión suficientemente clara con un resultado empresarial pueden quedar fuera del proceso antes de consumir recursos adicionales (3).
Una metodología útil para sistematizar la conexión entre estrategia y resultados a través de datos es el marco OKR. Este marco ayuda a construir un relato en torno a la iniciativa.
Una iniciativa de IA rara vez depende únicamente del equipo que la desarrolla. Puede afectar a responsables de negocio, tecnología, datos, operaciones, usuarios finales, clientes o proveedores. Cada uno puede verla desde una perspectiva diferente: para unos será una oportunidad de crecimiento, para otros un cambio en la forma de trabajar y para otros una nueva dependencia tecnológica o una fuente de riesgo.
La situación cambia cuando puede explicarse con claridad:
Este es el objetivo estratégico que perseguimos, este es el problema que lo está limitando, esta es la razón por la que consideramos que la IA puede ayudar. Para obtener la evidencia que necesitamos para decidir si escalarla o descartarla vamos a utilizar estas métricas de negocio.
Ese relato no sustituye al business case ni a la evaluación económica, los conecta. También ayuda a que las personas que tienen que implementar la iniciativa entiendan por qué existe y qué papel desempeña dentro de las prioridades de la organización.
La alineación deja entonces de depender únicamente de que todos estén de acuerdo con la tecnología y pasa a construirse alrededor de una pregunta compartida: qué resultado empresarial estamos intentando conseguir y por qué esta iniciativa merece nuestra atención ahora.
Por eso, la primera puerta de decisión es bastante sencilla: ¿Existe un objetivo empresarial relevante y medible que justifique dedicar recursos a esta iniciativa?
Si la respuesta es no, quizá todavía no tengamos un proyecto de IA. Tenemos una posibilidad tecnológica buscando un problema al que aplicarse.
Descartar los problemas que no necesitan IA.
Incluso cuando el problema está bien definido, todavía queda una pregunta anterior a la priorización:
¿La inteligencia artificial es realmente la mejor forma de resolverlo?
No todo problema empresarial necesita IA. En algunos casos será más eficaz rediseñar un proceso, automatizar una regla, mejorar una aplicación existente, incorporar una solución de software o simplemente eliminar una actividad que ya no aporta valor.
Google formuló esta prueba hace años en su guía interna de ingeniería de machine learning, y sigue siendo la más directa: no tengas miedo de lanzar un producto sin machine learning. Si crees que el ML te dará una mejora del 100%, una heurística bien construida te llevará al 50% del camino. Solo cuando esta heurística se vuelve demasiado compleja de mantener está justificado sustituirla por un modelo.
Que una solución sea técnicamente posible no significa que sea económicamente conveniente, ni que genere una ventaja frente a alternativas más sencillas.
Comprobar si la empresa está preparada para implementar el caso de uso.
Un punto clave antes de priorizar es la capacidad real de la organización para ejecutar la iniciativa, es decir, que se cuenta con los datos, conocimientos y recursos para acometer la tarea.
Una aplicación puede tener un impacto potencial elevado pero encontrarse con obstáculos que impidan abordarla actualmente:
- Datos insuficientes o de escasa calidad.
- Procesos inestables o mal documentados.
- Ausencia de un responsable claro.
- Requisitos de seguridad o cumplimiento.
- Falta de capacidad del equipo.
- Dependencia de proveedores.
Gartner incorpora la viabilidad dentro de su proceso de filtrado de proyectos de IA, mientras que los materiales de OpenAI Academy utilizan conceptos como readiness, dependencias, gobernanza y complejidad para determinar qué oportunidades están preparadas para avanzar, más allá del valor aportado (3, 6).
No estar preparado no significa necesariamente que la iniciativa no tenga valor, sino que es preciso realizar un trabajo previo: mejorar datos, consolidar el proceso, resolver una dependencia tecnológica o definir responsabilidades en la organización.
En ese caso, la decisión correcta puede ser preparar primero las condiciones que permitan evaluarla con rigor posteriormente.
Comparar iniciativas por valor, viabilidad y riesgo.
Una vez superados estos pasos previos que descartan los proyectos, ya tiene sentido comparar iniciativas.
Aquí aparecen los frameworks de priorización conocidos como RICE, que combina alcance, impacto, confianza y esfuerzo. Las matrices de valor frente a esfuerzo o complejidad permiten obtener una visión rápida de qué iniciativas podrían ofrecer más retorno con menor dificultad. Otros modelos incorporan variables adicionales para adaptar esta lógica a contextos concretos.
La comunidad Champions de OpenAI Academy utiliza actualmente una lógica muy similar para flujos de trabajo de IA: Impact/Value frente a Complexity/Effort, incorporando frecuencia, repetibilidad, readiness, gobernanza y dependencias (6). Gartner plantea la gestión de una cartera de IA como un equilibrio entre valor, viabilidad, riesgo y coste (4).
Una iniciativa prometedora, pero requiere un gran esfuerzo, puede no ser una buena candidata inmediata; otra con un impacto menor pero una ejecución rápida y sencilla puede generar resultados antes y proporcionar aprendizaje al equipo, así como información útil para decisiones posteriores.
Pero, ¿qué ocurre cuando consideramos que dos iniciativas tienen un valor y viabilidad similares?
Aquí es donde algunos frameworks como RICE-A (una variante de RICE que incorpora la complejidad de los proyectos de IA) empiezan a introducir la complejidad inherente de los proyectos de IA. Estas adaptaciones entienden que los modelos generales de priorización no siempre capturan las particularidades de una iniciativa de IA.
Son propuestas individuales recientes que evidencian el síntoma de un problema real: la fórmula de cuatro variables de RICE no basta para capturar toda la incertidumbre de un proyecto de estas características.
El valor del marco de priorización no está en añadir una variable más porque sí, sino en hacer explícito aquello que podría impactar decisivamente en la decisión sobre los recursos escasos de la organización.
El concepto de Cost of Delay aporta una perspectiva interesante: el coste de posponer una decisión. Hay un ejemplo muy revelador publicado por AWS, aplicando WSJF (Weighted Shortest Job First) a dos proyectos de GenAI.
En la primera pasada, sin incorporar el riesgo, el resultado era 3,5 frente a 5 y se seleccionaba el segundo proyecto. Al incorporar el esfuerzo de mitigación de riesgos en el denominador del WSJF, el resultado final fue 2,3 frente a 2 y el proyecto prioritario pasó a ser el primero. Es decir, la primera puntuación, sin el riesgo incorporado, habría llevado a priorizar el proyecto equivocado (5).
El MVP como herramienta de validación y reducción de la incertidumbre.
Una vez seleccionada una iniciativa, todavía no es necesario comprometer todos los recursos necesarios para escalarla hasta producción.
El siguiente paso debería ser diseñar un MVP. El objetivo no es construir una versión reducida del proyecto completo, sino construir un experimento lo suficientemente pequeño como para validar la hipótesis que queremos comprobar, comprometiendo la menor cantidad de recursos posible.
La comunidad Champions de OpenAI Academy apunta en esta dirección recomendando delimitar el flujo de trabajo, definir el grupo de prueba, establecer qué evidencia recoger y determinar tanto la señal de éxito como la señal para detener o reconsiderar el experimento (6).
Un buen MVP no solo define cómo demostrar que una iniciativa funciona. Define qué evidencia sería suficiente para continuar o parar el proyecto.
Conclusión. Las organizaciones necesitan crear su marco de priorización de iniciativas de IA.
Sea cual sea la etapa en la que se encuentre una empresa, desde startups que buscan validar su modelo hasta empresas consolidadas que necesitan optimizar procesos, maximizar la eficacia en el uso de recursos es fundamental.
Nuestro enfoque, que desarrollamos en el workshop Priorizar la innovación con ROI, aborda la creación de un marco personalizado de priorización de iniciativas de IA en las organizaciones siguiendo los pasos que hemos visto en el artículo:
La ventaja de este método es que no obliga a puntuar y priorizar todas las iniciativas que surjan en la lluvia de ideas inicial. Priorizar iniciativas de IA consiste en asignar capacidad, capital y atención de equipos y directivos en entornos de alta incertidumbre.
Los frameworks ayudan a estructurar esa conversación. RICE puede ayudar a comparar iniciativas; valor y viabilidad permiten filtrar la cartera, mientras Cost of Delay ayuda a ordenar en el tiempo. Añadir dimensiones adicionales puede aflorar riesgos no valorados o identificar oportunidades no visibles anteriormente. Por eso es tan importante que cada organización construya su propio mecanismo de priorización.
La presión actual por adoptar IA a toda velocidad está llevando a los directivos a tener que encontrar más casos de uso a toda costa, que justifiquen el impulso innovador en sus empresas.
Probablemente el reto sea el contrario, reducir al mínimo las ideas que realmente pueden convertirse en proyectos transformadores, estables y con ROI.
Una buena priorización no solo dice qué iniciativa va primero. Explica por qué debe ir primero, qué objetivo estratégico hace que esa decisión tenga sentido en el contexto actual de la organización y qué evidencia permitirá validar si merece seguir recibiendo recursos y escalar.
Se trata, en definitiva, de un planteamiento estratégico, no tecnológico: decidir dónde tiene sentido concentrar recursos para transformar de forma significativa la empresa.
Preguntas frecuentes
¿Qué framework debo usar para priorizar proyectos de IA?
No existe un framework universal. RICE puede ser útil para comparar iniciativas candidatas, las matrices de valor y viabilidad permiten hacer un filtrado rápido inicial, y WSJF incorpora como variable el coste de retrasar la implementación. Lo más relevante es que se adapten los frameworks a las necesidades específicas de la empresa a la hora de priorizar.
¿Qué es el Cost of Delay y por qué importa en IA?
El Cost of Delay representa el valor o impacto que se pierde por retrasar una iniciativa. En IA puede ser especialmente relevante cuando el contexto competitivo, tecnológico o regulatorio cambia rápidamente. WSJF utiliza esta lógica como parte de su mecanismo de priorización.
¿Cómo sé si un proyecto de IA está preparado para empezar?
Conviene comprobar que existe un problema definido, un objetivo medible, un responsable, un proceso suficientemente estable, acceso a los datos y sistemas necesarios y una forma razonable de medir el resultado. Si falta una condición crítica, puede ser más adecuado resolver primero esa brecha.
¿Qué hago si una iniciativa de IA tiene mucho valor pero todavía no está preparada?
No necesariamente hay que descartarla. Puede ser necesario convertir la preparación en una iniciativa propia: mejorar los datos, estabilizar el proceso, resolver una integración o establecer el gobierno y la responsabilidad necesarios. Una vez resuelta la limitación, la iniciativa puede volver a evaluarse.
¿Es lo mismo priorizar un proyecto de machine learning que uno de IA generativa?
No exactamente. El proceso es el mismo: problema, valor, viabilidad, evidencia antes de escalar. Sin embargo, la preparación cambia según el tipo de proyecto. Uno de ML (qué cliente va a impagar, cuando va a averiarse una maquinaria) necesita histórico amplio con datos de entrenamiento y de resultado real. Sin ese histórico el proyecto no está listo para implementación. Uno de IA generativa dentro de un flujo de trabajo necesita documentación fiable y actualizada sobre cómo se hace hoy la tarea. La limitación típica no es la falta de datos, es la documentación desactualizada o contradictoria.
Referencias.
(1) McKinsey — The State of AI: Global Survey 2025. Datos sobre escalado empresarial e impacto en EBIT.
(2) S&P Global / 451 Research — Generative AI shows rapid growth but yields mixed results. Datos sobre abandono de iniciativas entre PoC y producción.
(3) Gartner — 7 Steps to Prioritize AI Projects for Near-Term Financial Impact. Nate Suda, enero 2026. Priorización mediante objetivos empresariales, línea base y filtrado progresivo de la cartera.
(4) Gartner — AI Portfolio: How to Vet, Prioritize and Fund AI Use Cases. Investigación de pago; se cita el resumen público disponible. Gestión de cartera de IA considerando valor, viabilidad, riesgo y coste.
(5) AWS — Incorporating Responsible AI Into Generative AI Project Prioritization. Randy DeFauw, octubre 2025. Caso de WSJF con inversión del ranking al incorporar riesgo.
(6) OpenAI Academy, comunidad Champions — Prioritize AI workflow opportunities (5 mayo 2026) y Evaluate AI workflow readiness (7 mayo 2026).
Imagen de portada generada por Inteligencia Artificial a través de prompts personalizados por el equipo de March Delta.
Como socio de March Delta, Ismael acompaña a empresas y comités de dirección que buscan crecer mediante una estrategia clara, una ejecución eficaz y un uso inteligente de los datos y la inteligencia artificial.
Su trayectoria combina dirección estratégica, dirección de equipos de Data & Analytics, liderazgo de proyectos y desarrollo tecnológico, habiendo impulsado iniciativas de estrategia de datos, analítica avanzada, gobierno del dato y optimización de operaciones en compañías como Bipi, Hiberus y adesso.
Con formación en informática, Big Data & Analytics, antropología y educación, y certificación como OKR Champion, integra una visión multidisciplinar para ayudar a las organizaciones a tomar mejores decisiones, alinear estrategia y operaciones y desarrollar las capacidades necesarias para crecer de forma sostenible.