Desarrollo ágil de proyectos con IA: expectativa vs realidad

En la práctica, un proyecto con IA rara vez avanza como una línea recta. Se parece más a un flujo espaguetti: tiene avances, loops, validaciones, vueltas inesperadas y decisiones que aparecen cuando el equipo ya pensaba que “ahora sí, esto sale”.

Un ejemplo realista podría verse así:

1. Kickoff del proyecto: todos llegan alineados, optimistas y con café. El proyecto parece simple. Mala señal: todos dijeron “esto es rápido”.
2. Backlog inicial: se definen las primeras funcionalidades, se prioriza el alcance y se arma el plan de sprints.
3. Sprint 0: diseño, arquitectura y prototipo: se valida la solución antes de construir demasiado. Aquí todavía todo se ve elegante, ordenado y digno de presentación ejecutiva.
4. Cambios de alcance: aparece una nueva necesidad que “solo es un ajuste pequeño”, pero mueve varias piezas del proyecto.
5. Nuevos actores: entra Operaciones, TI, Legal, Seguridad, Compliance, Datos y alguien que no estaba invitado, pero ahora tiene opinión vinculante.
6. Cambio de sponsor: a mitad del proyecto cambia el sponsor y hay que explicar nuevamente el objetivo, el valor y por qué no conviene partir de cero.
7. Repriorización: el backlog cambia. Algunas funcionalidades bajan, otras suben y una que nadie mencionó antes ahora es “crítica para salir”.
8. SSO bloqueado: la integración con autenticación corporativa requiere aprobación regional, global o de una casa matriz que está en otro huso horario.
9. Acceso alternativo: para no frenar todo, se define un mecanismo seguro temporal, controlado y aprobado por TI.
10. Sprint 1: primer incremento funcional: se construye una primera versión útil, no perfecta, para validar en operación real.
11. Pruebas en faena: la solución llega al terreno. Aparecen turnos, ruido, presión operacional y usuarios que no tienen tiempo para “probar con calma”.
12. Internet intermitente: lo que funcionaba impecable en oficina empieza a comportarse distinto en terreno. La realidad le gana al laboratorio.
13. Ajustes offline: se agregan mejoras para baja conectividad, sincronización, mensajes claros y continuidad operacional.
14. Producción controlada: se libera una primera versión con usuarios piloto, monitoreo y soporte cercano.
15. Nueva idea con IA: alguien dice “ya que estamos, ¿podemos hacer que la plataforma recomiende, prediga o redacte automáticamente?”. La frase más peligrosa y prometedora del proyecto.
16. Sprint IA: revisión de datos y casos de uso: se analiza si la IA realmente agrega valor, qué datos existen, qué riesgo hay y cómo se validarán los resultados.
17. Datos incompletos: aparecen Exceles históricos, campos inconsistentes, información duplicada o datos que viven en la memoria de una persona clave.
18. Ajuste modelo IA: se prueban prompts, reglas, modelos, validaciones humanas y criterios de error aceptable. La IA mejora, pero no por magia: mejora porque alguien hizo el trabajo poco glamoroso de ordenar el contexto.
19. Revisión TI: el área técnica revisa arquitectura, permisos, integración, escalabilidad y estándares internos.
20. Pentesting: se ejecutan pruebas de seguridad. Aparecen hallazgos, se corrigen y se vuelve a revisar.
21. Ajustes legales / UX: Legal pide trazabilidad, consentimientos o textos visibles. UX pide que nadie tenga que hacer un diplomado para usar la plataforma.
22. Capacitación + Excel paralelo: se capacita a los usuarios, pero algunos siguen usando Excel “por si acaso”. Excel no muere; se le jubila lentamente y con respeto.
23. Usuarios felices usando la solución: después de iterar, ajustar, capacitar y medir, la solución se adopta y empieza a generar valor real.

El camino fue más largo que la expectativa, pero el destino puede ser el mismo: usuarios usando una solución que mejora su trabajo diario.