IMPACT AI™: la metodología para adoptar IA con evidencias, fase a fase

Muchas organizaciones ya han probado la IA: un asistente en algún departamento, una prueba de concepto que impresionó en la demo, licencias de Copilot repartidas sin un plan. Y, sin embargo, pocas pueden decir cuánto les ha aportado. El motivo casi nunca es la tecnología. Es que se empezó por la herramienta y no por el negocio.

IMPACT AI™ es la metodología con la que en Bidatia acompañamos a las organizaciones desde la primera conversación sobre IA hasta que la usan en sus procesos, miden su resultado y la gobiernan sin depender de nosotros. En este artículo explicamos cómo funciona, fase a fase. El detalle completo está en la página de la metodología.

Por qué tantos proyectos de IA se quedan en la demo

Los síntomas se repiten:

• Se elige primero la herramienta y después se busca dónde usarla.
• Nadie ha medido el punto de partida, así que es imposible demostrar el ahorro.
• El dato no está listo: duplicado, desactualizado o sin responsable.
• El piloto no tiene criterio de éxito definido antes de empezar, y nunca termina de cerrarse.
• El proveedor se va y el conocimiento se va con él.

IMPACT AI™ está diseñada para evitar cada uno de esos puntos. Su regla de base es sencilla: no empezamos por qué herramienta usar, sino por el negocio, el problema, el proceso, las personas, los datos y el resultado esperado. La tecnología llega después.

Seis fases, seis gates de decisión

El nombre resume las seis fases: Identify, Measure, Prioritize, Activate, Consolidate y Transfer. Cada fase termina en un gate: una pregunta de control, unas evidencias mínimas y una decisión documentada. Es la diferencia entre actividad y progreso: una reunión, un taller o un prototipo son actividades; superar un gate exige evidencia.

Gate	Pregunta de control	Evidencia mínima	Decisión
G1 Identifica	¿Entendemos el problema y las oportunidades?	AI Opportunity Canvas™ y puntos de dolor	Pasar a medir
G2 Mide	¿La empresa está preparada?	AI Readiness Index™ y brechas	Corregir / continuar
G3 Prioriza	¿Qué caso merece empezar?	Cartera y valoración de casos	GO / NO GO
G4 Activa	¿La solución demuestra valor?	Resultado del piloto frente a los KPIs	Adoptar / iterar / parar
G5 Consolida	¿Se usa y genera resultado?	Uso, eficiencia, negocio y adopción	Consolidar
G6 Transferencia	¿Puede continuar la empresa?	Backlog, responsables y hoja de ruta	Escalar / operar

Identifica: entender el negocio como lo vive quien lo hace

Hablamos con dirección, pero sobre todo con las personas que hacen el trabajo cada día. Ahí aparece la diferencia entre lo que debería ocurrir y lo que ocurre de verdad: tareas repetitivas, esperas, retrabajo, decisiones que se toman tarde o con poca información, datos que se copian a mano de un sistema a otro. Cada problema se convierte en una hipótesis verificable: «si aplicamos esta capacidad sobre este proceso o estos datos, podríamos mejorar este resultado para este usuario». Todavía sin elegir herramienta ni proveedor. En esta fase también hacemos inventario de la IA que ya se usa en la organización, incluida la que viene integrada en las aplicaciones, que suele ser más de la que se cree. Lo explicamos en la IA que ya tienes sin saberlo.

Mide: medir la preparación con evidencias, no con una opinión

Para saber si una organización está preparada no basta con una impresión. El punto de partida lo fija el AI Readiness Index™, que evalúa seis dimensiones: estrategia (objetivos, sponsor, capacidad de decisión), procesos (digitalización, estabilidad, indicadores), datos (disponibilidad, calidad, acceso, propiedad), tecnología (aplicaciones, integración, nube, herramientas de IA), personas (competencias, uso actual, capacidad de cambio) y gobierno y riesgo (privacidad, seguridad, control, supervisión). Cada puntuación se apoya en evidencias; lo que no se puede comprobar se registra como «no verificado».

El resultado sitúa a la organización en uno de cinco niveles de preparación, cada uno con su implicación práctica: Explorador (empezar pequeño y formar), Iniciado (quick wins con acompañamiento), Preparado (activar los casos prioritarios), Adoptante (consolidar y ampliar) y Escalable (cartera de casos y escalado). Más que la cifra, importa explicar qué evidencia justifica cada nivel.

La dimensión de datos la medimos con un estándar: las especificaciones UNE 0077 (gobierno del dato), UNE 0078 (gestión) y UNE 0079 (calidad), evaluadas con la UNE 0080, y el marco DAMA-DMBOK.

La UNE 0080 asigna a cada proceso un nivel de madurez:

Nivel	Qué significa	Qué hace falta para subir
1. Realizado	Los procesos de datos se ejecutan, pero de forma reactiva y dependiendo de personas concretas	Identificar los datos críticos, nombrar responsables y aplicar las primeras reglas
2. Gestionado	Se planifican y siguen en áreas o proyectos concretos, con responsables identificados	Un modelo corporativo: políticas, roles y procesos comunes
3. Establecido	Están estandarizados y documentados para toda la organización	Medirlos con indicadores, objetivos y umbrales, y analizar las causas de las desviaciones
4. Predecible	Se gestionan con indicadores cuantitativos y su resultado es previsible	Instaurar la mejora continua y la innovación
5. Innovador	El dato se gestiona para obtener el máximo valor y se adapta a nuevos objetivos	Mantener el nivel y extenderlo a nuevos dominios e iniciativas de IA

El resultado no es una nota, sino una lista de brechas priorizadas: qué hay que cerrar antes de cada caso de IA. Si el dato es un freno, lo incluimos en la hoja de ruta y lo resolvemos en paralelo al primer caso. Para profundizar, consulta calidad del dato: dimensiones y métricas y gobierno del dato: roles y organización.

Prioriza: elegir bien por dónde empezar

Puntuamos cada oportunidad de 1 a 5 en cinco factores: valor (ahorro, ingresos, calidad o servicio), viabilidad (datos, herramientas, integración y competencias), adopción (sponsor, usuarios y voluntad de cambio), esfuerzo y riesgo (privacidad, seguridad, legal, reputación, fiabilidad). La puntuación no sustituye el criterio profesional: obliga a una conversación estructurada y deja escritas las razones. Para los finalistas preparamos un business case ligero, en el que la mejora esperada es una hipótesis, no una promesa, y distinguimos qué datos están medidos y cuáles estimados. Y priorizamos dos cosas:

• Quick wins de corta duración: casos de pocas semanas que aportan un valor visible a negocio. Sirven para demostrar resultados pronto y para que la organización gane confianza.
• Planteamiento MVP: cada caso se plantea con el alcance mínimo que permite validar la hipótesis con datos reales antes de invertir más.

El sponsor decide entre tres y cinco finalistas, y cada uno termina con una decisión documentada: GO, GO condicionado (hay valor, pero antes hace falta una acción habilitadora), PARK (interesante, pero no es el momento) o NO GO. Descartar a tiempo un caso que no compensa también es un buen resultado.

Activa: pilotar con control, no con fe

El caso priorizado se diseña por escrito (problema, usuario, flujo actual, solución, datos, alcance, KPIs, riesgos y responsable) y se formaliza en un Pilot Charter antes de empezar: hipótesis, usuarios, duración, métricas, criterio de éxito y condición de parada. La formación va unida al caso: se enseñan los conceptos imprescindibles, los límites de la IA y la revisión humana con tareas del propio proceso, y se valida con una tarea real, no con la asistencia.

El piloto se lleva a producción con alcance controlado y se gobierna desde el primer día. Los comités de seguimiento son necesarios, pero no suficientes. Por eso cada piloto lleva su propio cuadro de control:

• Comités de seguimiento: uno de dirección para decisiones, prioridades y riesgos, y otro operativo para el avance y las incidencias.
• Control del quick win: una línea base medida antes de empezar y KPIs de negocio (horas, errores, coste por operación, ventas) con un criterio de éxito acordado.
• Control del proyecto: plazo, coste y alcance frente a lo planificado, calidad de las respuestas o de las predicciones, y adopción real por los usuarios.

Un caso no «funciona» porque una demo impresione. Funciona si hay evidencia frente a los KPIs definidos, y con esa evidencia se decide: adoptar, iterar o parar. El ciclo completo de un proyecto de IA, con sus controles, lo contamos en el ciclo de vida de un proyecto de IA.

Consolida: que se use y que siga funcionando

Una solución que funciona pero nadie usa no aporta nada. En esta fase integramos el cambio en la forma real de trabajar:

• Adoption Plan: usuarios afectados y champions, qué paso del proceso cambia y qué excepciones hay, formación, soporte, comunicación y seguimiento.
• Supervisión humana: qué produce la IA, qué revisa una persona, qué decisiones se pueden automatizar y qué umbrales obligan a escalar.
• AI Governance Lite™: finalidad, responsable, usuarios, datos, riesgos, controles y revisión. Gobierno proporcionado, sin burocracia innecesaria.
• Success Dashboard: indicadores de uso, eficiencia, negocio, adopción y riesgo.

Si el caso no se usa, primero buscamos la barrera; después hablamos de escalar.

Transferencia: nuestro trabajo termina cuando tienes el control

La transferencia no es una reunión final con un documento. Aplicamos shadow y reverse shadow:

1. Operamos nosotros, con tu equipo informado desde el principio.
2. Shadow: tu equipo trabaja a nuestro lado y ve cómo operamos, decidimos y resolvemos incidencias.
3. Reverse shadow: tu equipo opera y nosotros supervisamos, corregimos y respondemos dudas.
4. Control total: tu equipo opera solo, con documentación, backlog priorizado, responsables y hoja de ruta.

Cada perfil sale con lo que necesita saber hacer: dirección entiende resultados, riesgos y la siguiente inversión; el responsable del caso opera los KPIs y decide mejoras; los usuarios gestionan las excepciones, y el perfil técnico administra configuración, accesos e integraciones. Dejamos un AI Action Plan™ con el backlog priorizado, las capacidades de datos y la formación pendientes, los controles que hay que mantener y los próximos hitos, y repetimos la medición de preparación para compararla con el punto de partida.

El proyecto se cierra cuando tu equipo opera con autonomía, no cuando se acaba el calendario.

Aprender aplicando

La formación no es un curso al principio: atraviesa todas las fases. En Identifica se aprende a detectar problemas aptos para la IA; en Prioriza, a pensar en valor, viabilidad y riesgo; en Activa, a usar la capacidad elegida con tareas reales; en Consolida, a operarla de forma responsable, y en Transferencia, a continuar sin consultor. La prueba final es sencilla: cada participante debe poder explicar el caso, ejecutarlo, reconocer cuándo no fiarse del resultado y saber a quién escalar una excepción.

Los seis principios que no negociamos

• Negocio antes que tecnología: no proponemos herramientas antes de entender el objetivo y el proceso.
• Evidencia antes que opinión: separamos hechos observados, percepciones e hipótesis.
• Valor y adopción: un caso técnicamente viable que nadie usará no es prioritario.
• Riesgo proporcional: controles adecuados al riesgo y al tamaño de la organización, sin burocracia.
• Experimentar antes de escalar: probamos hipótesis con alcance acotado y KPIs.
• Transferir: cada intervención aumenta la capacidad interna, sin crear dependencia.

¿Hay que pasar por todas las fases?

No necesariamente. Entramos en el punto en el que está cada organización. Si ya tienes los casos priorizados, por ejemplo, empezamos por Activa, asegurando antes los controles de las fases anteriores: criterios de éxito, datos disponibles y riesgos evaluados. Y la normativa no se deja para el final: lo que exige el Reglamento europeo de IA y el RGPD se tiene en cuenta desde la priorización, como explicamos en qué normativa aplica a la IA y los datos.

Si quieres saber en qué fase estás y por dónde empezaríamos, cuéntanos tu caso.