La promesa y la realidad de la IA en proyectos
La inteligencia artificial (IA) se ha posicionado como una pieza clave para lograr eficiencias operativas, reducir errores humanos y acelerar el análisis de datos en las organizaciones. Sin embargo, aunque muchas empresas están invirtiendo agresivamente en estas tecnologías con la expectativa de transformar su gestión de proyectos, los resultados están siendo más modestos de lo esperado. Informes recientes del MIT indican que cerca del 80% de las organizaciones están probando o utilizando motores de IA generativa, como ChatGPT, para mejorar el rendimiento individual, pero aproximadamente el 95% obtiene poco o ningún retorno de la inversión. Esto revela una brecha importante entre el potencial de la IA y su impacto real en la cuenta de resultados.
Una razón clave es que la adopción de la IA en proyectos no depende sólo de la tecnología. Al igual que en otros proyectos de TI, el éxito está condicionado por la aceptación de empleados, clientes y directivos. La diferencia es que, en el caso de la IA, la aceptación se da en múltiples capas: si la funcionalidad realmente aporta valor, si los resultados son fiables, si las personas se sienten cómodas con el sistema y si desean incorporarlo a su forma cotidiana de trabajar. La gestión de proyectos debe integrar estas dimensiones humanas y organizativas desde el inicio.
Entrenamiento continuo de modelos: un proyecto que nunca termina
La calidad de los resultados de la IA está directamente relacionada con la calidad y el volumen de datos con los que se entrena. Un ejemplo ilustrativo es el de una clínica de cardiología que implantó un sistema de IA para apoyar el diagnóstico y las recomendaciones de tratamiento. El modelo llegó con un entrenamiento base realizado con datos de pacientes de Estados Unidos, pero el centro médico buscaba ajustarlo a las características específicas de su población. Para ello necesitaba sumar información clínica real, siempre con el consentimiento de los pacientes y la colaboración constante del personal médico.
En la práctica, no todos los pacientes aceptaron compartir sus datos y no todos los profesionales registraron la información con la misma sistematicidad. El resultado fue un modelo entrenado de forma incompleta, con riesgo de sesgos y menor precisión de la esperada. Esta situación refleja un reto transversal: en entornos reales, los sistemas de IA nunca están “completamente” entrenados porque las condiciones de negocio, los datos y los comportamientos cambian de forma continua.
En la gestión de proyectos, esto implica asumir que la implantación del sistema no es el final, sino el inicio de un ciclo permanente de evaluación y ajuste. Es necesario definir niveles de precisión esperados, monitorizar su cumplimiento y activar fases de reentrenamiento cuando la calidad de las predicciones decae. Esta lógica de mejora continua requiere la participación coordinada de equipos técnicos y usuarios, que deben alimentar y validar el modelo a lo largo del tiempo. Recursos especializados como MIT Sloan Management Review o informes técnicos de NIST pueden ofrecer marcos de referencia útiles para estas tareas.
Integración en los flujos de trabajo: cuando la IA interrumpe en lugar de ayudar
Otro pilar crítico es la forma en que la IA se inserta en los procesos de negocio existentes. Un sistema puede ser potente en términos algorítmicos y, aun así, fracasar si interrumpe el flujo de trabajo o añade fricción a las tareas diarias. La cuestión central para la dirección de proyectos no es sólo si la solución funciona, sino si encaja de manera natural en las operaciones y si las personas la perciben como una ayuda y no como un obstáculo.
Estudios recientes señalan que muchas soluciones personalizadas de IA quedan bloqueadas en fase piloto por problemas de integración técnica y falta de alineación con los procesos reales. Si la incorporación de la IA fragmenta tareas, incrementa pasos innecesarios o obliga a los empleados a crear “atajos manuales”, es probable que su adopción se estanque. La gestión de proyectos debe contemplar periodos de prueba bien definidos para evaluar el impacto en los flujos de trabajo, medir ganancias concretas y, si es necesario, reajustar gradualmente la funcionalidad o el diseño de la interfaz para lograr una mejor adaptación.
En este contexto, revisiones periódicas centradas en la experiencia del usuario y el desempeño del proceso, más allá de los indicadores puramente técnicos, pueden ser determinantes. Recursos como CIO.com aportan casos prácticos que ayudan a entender tanto buenas prácticas como errores frecuentes en la integración de IA en procesos corporativos.
Aceptación del usuario: el factor humano como variable decisiva
Los datos disponibles muestran que la resistencia de los empleados a la IA es un riesgo real y frecuente. Un estudio global de WalkMe refleja que más de la mitad de los trabajadores ha evitado deliberadamente herramientas de IA en el último mes, realizando tareas de forma manual pese a la disponibilidad de tecnología. Un tercio de los encuestados declara no haber utilizado la IA en absoluto, lo que indica que el problema va más allá de simples dificultades de aprendizaje y se aproxima al rechazo abierto.
Existe además una brecha notable de percepción entre directivos y empleados. Mientras que una mayoría de directivos confía en la capacidad de la IA para tomar decisiones complejas y considera que la organización ofrece herramientas adecuadas, sólo una minoría de trabajadores comparte esta visión. El temor a la pérdida de empleo, la desconfianza en los resultados automáticos y la sensación de no haber sido parte del diseño de las soluciones alimentan estas reticencias.
Para los responsables de proyectos, esto exige un enfoque incremental en la introducción de automatizaciones. En lugar de delegar desde el primer día tareas críticas por completo a la IA, puede ser más efectivo comenzar por funciones de apoyo y verificación, permitiendo que los usuarios mantengan un rol activo de supervisión. A medida que aumenta la confianza en los resultados, se pueden ampliar las responsabilidades del sistema. Este enfoque paso a paso refuerza la idea de que las personas son coarquitectas del proyecto de IA y no simples receptoras de una herramienta impuesta.
Repensar la gestión de proyectos ante la agenda de IA
El despliegue de la IA obliga a replantear varios supuestos tradicionales de la gestión de proyectos. Lo que antes se entendía como fases de cierre o de mantenimiento pasa a convertirse en procesos de “reajuste” continuo, fuertemente ligados a la interacción entre personas y tecnología. No se trata sólo de mejorar funcionalidades, sino de calibrar cuánto cambio puede absorber la organización, qué grado de automatización es aceptable en cada momento y cómo evoluciona la relación entre la IA y los puestos de trabajo.
Esta dimensión humanista es tan importante como la dimensión técnica. La “agenda de IA” de una empresa no debería definirse únicamente en función de lo que la tecnología es capaz de hacer, sino de lo que las personas están dispuestas a integrar en su manera de trabajar. En ese sentido, formaciones avanzadas como la Maestría en Dirección Estratégica que ofrece FUNIBER proporcionan marcos conceptuales y herramientas prácticas para que los profesionales puedan liderar proyectos de transformación digital con IA, equilibrando la viabilidad tecnológica, la estrategia de negocio y la gestión del cambio organizacional.
Fuente: Adaptado a partir de “AI upends key pillars of project management”, CIO.com, y de los datos citados del MIT y WalkMe.