Metodologías de proyecto aptas para la implementación de proyectos de IA

April 21, 2026

Una de las preguntas más frecuentes cuando una empresa arranca un proyecto de inteligencia artificial es: ¿qué metodología debemos seguir? La respuesta honesta es que depende del contexto. No existe una sola metodología que funcione igual de bien para todos los proyectos, todos los equipos y todas las organizaciones. Lo que sí existe son criterios claros para elegir bien, y eso es lo que este artículo busca aportar.

Para entender por qué la elección de metodología importa, conviene entender primero en qué se diferencia un proyecto de inteligencia artificial de un proyecto tecnológico más convencional.

Los proyectos de IA no se comportan como proyectos tradicionales

En un proyecto de infraestructura tecnológica o de implementación de un ERP, el destino está relativamente claro desde el inicio: hay módulos que configurar, procesos que migrar, fechas que cumplir. El trabajo avanza de forma secuencial y los entregables son conocidos de antemano. Si el plan se sigue correctamente, el resultado esperado llega.

En un proyecto de inteligencia artificial, la situación es distinta. Al inicio, nadie sabe con exactitud qué tan buenos son los datos disponibles, qué nivel de precisión puede alcanzar el modelo con esos datos, ni cómo van a reaccionar los usuarios cuando empiecen a trabajar con él. El conocimiento se construye a medida que el proyecto avanza, a través de pruebas, ajustes y validaciones sucesivas.

Por eso, aplicar una metodología completamente rígida —donde todo está definido desde el inicio y no hay margen para ajustar— suele generar proyectos que se extienden más de lo necesario o que entregan resultados que ya no corresponden a lo que el negocio necesita. No es que la estructura sea mala; es que debe ser el tipo correcto de estructura (Schwaber & Sutherland, The Scrum Guide, 2020).

Scrum: avanzar en ciclos cortos con resultados visibles

Scrum organiza el trabajo en períodos cortos —generalmente de dos a cuatro semanas— al final de los cuales el equipo entrega algo concreto que puede ser revisado y evaluado. En lugar de planear todo desde el inicio y esperar meses para ver si la dirección fue la correcta, el trabajo se divide en etapas que permiten ajustar el rumbo con base en lo que se aprende en cada ciclo.

Para proyectos de inteligencia artificial, esta forma de trabajar tiene ventajas claras. Permite mostrar avances reales desde las primeras semanas —una primera versión del modelo procesando información, un tablero con los primeros resultados, una prueba con usuarios del área— y corregir a tiempo si algo no está funcionando como se esperaba.

El riesgo que Scrum ayuda a evitar es el de invertir muchos meses en una dirección equivocada. En proyectos donde el conocimiento se construye mientras se avanza, tener puntos de revisión frecuentes no es una señal de desorganización: es una práctica inteligente de gestión del riesgo (Schwaber & Sutherland, 2020).

CRISP-DM: el proceso lógico para trabajar con datos

CRISP-DM es el proceso estándar para proyectos que trabajan con datos y es ampliamente utilizado en proyectos de inteligencia artificial a nivel mundial. Define seis pasos que se recorren de forma cíclica: entender el negocio, entender los datos, preparar los datos, construir el modelo, evaluarlo y ponerlo en operación.

Lo que hace útil a CRISP-DM no es solo el orden de los pasos, sino el énfasis que coloca en los primeros dos: entender el negocio y entender los datos. La mayoría de los proyectos de inteligencia artificial que no dan los resultados esperados no fallaron en el desarrollo técnico del modelo. Fallaron porque los datos no tenían la calidad necesaria, o porque el modelo se construyó para responder una pregunta que no era exactamente la que el negocio necesitaba resolver.

Comenzar por revisar con detalle qué datos existen, qué calidad tienen y si realmente corresponden al problema que se quiere resolver es una inversión de tiempo que siempre se recupera. Evita compromisos que no es posible cumplir y orienta el

desarrollo desde el inicio hacia resultados que el negocio pueda usar (Wirth & Hipp, 2000).

PMBOK híbrido: cuando el proyecto necesita gobernanza formal

En empresas medianas y grandes, los proyectos tecnológicos necesitan algo más que agilidad: necesitan un marco de gobernanza que permita controlar el presupuesto, gestionar contratos con proveedores, documentar riesgos de forma formal y mantener informados a los directivos sin que eso frene el trabajo del equipo técnico.

Para esos casos, el enfoque que mejor funciona es combinar la estructura de PMBOK —con su gestión formal de alcance, tiempo, costo y riesgos— con ciclos de trabajo ágil para el desarrollo técnico del modelo. PMBOK proporciona la arquitectura del proyecto; Scrum o CRISP-DM proporcionan la mecánica de ejecución.

Esta combinación responde a una necesidad real: los equipos técnicos necesitan flexibilidad para trabajar bien, pero las organizaciones necesitan control para tomar decisiones y rendir cuentas. Un enfoque híbrido bien aplicado da las dos cosas sin sacrificar ninguna (PMI, PMBOK® Guide, 2021).

Design Thinking: cuando el problema todavía no está bien definido

Hay un error frecuente al arrancar proyectos de inteligencia artificial: asumir que el problema ya está definido y que solo falta construir la solución. En la práctica, lo que llega al equipo de proyecto muchas veces es un síntoma —”queremos automatizar este proceso” o “necesitamos anticipar este comportamiento”— sin que esté claro si resolverlo por esa vía ataca la causa real del problema.

Design Thinking es un proceso de pocas sesiones que ayuda a entender el problema desde la perspectiva de quienes lo viven: los usuarios, el área operativa, el cliente final. A través de entrevistas directas y análisis estructurado, se llega a una definición del problema mucho más precisa antes de invertir en desarrollo.

Incluir esta fase al inicio del proyecto puede parecer una demora, pero en la práctica ahorra semanas o meses de trabajo en la dirección equivocada. Cuando el equipo entiende bien el problema, las decisiones técnicas que vienen después son más acertadas y el resultado final tiene mayor probabilidad de ser adoptado por quienes lo van a usar (Brown, Change by Design, 2009).

Cómo elegir según el contexto

Situación	Marco de trabajo sugerido
Primer proyecto de IA en la empresa	Scrum + CRISP-DM
Organización con procesos de control formales	PMBOK híbrido + Scrum
Problema de negocio sin definir claramente	Design Thinking como punto de partida
Proyecto con gran volumen de datos históricos	CRISP-DM como eje principal
Sector regulado: finanzas, salud, logística crítica	PMBOK con gestión de riesgos reforzada

Lo que ninguna metodología puede reemplazar

Las metodologías son herramientas, no garantías. Una metodología bien elegida aumenta significativamente las probabilidades de que un proyecto llegue a buen término, pero no sustituye el trabajo de un equipo comprometido, una dirección con visión clara ni una comunicación honesta entre todas las partes involucradas.

Lo que sí hace una buena metodología es crear las condiciones para que ese trabajo fluya: define roles, establece puntos de revisión, documenta las decisiones y mantiene al equipo alineado con los objetivos del negocio. En proyectos de inteligencia artificial, donde la incertidumbre es mayor que en otros proyectos tecnológicos, esa estructura no es un lujo. Es lo que permite avanzar con dirección.

En coaligent acompañamos a nuestros clientes desde la definición del problema hasta la puesta en operación de la solución, eligiendo el marco de trabajo que mejor se adapta a su organización y sus objetivos. Porque implementar inteligencia artificial con éxito no es solo un desafío técnico: es un proyecto que necesita ser gestionado bien desde el primer día.

Bibliografía