Cinco pasos para implantar IA generativa en una empresa

La primavera de 2023 ha dejado claro que la IA generativa no se puede adoptar por inercia. El 31 de marzo, la autoridad italiana de protección de datos limitó temporalmente el tratamiento de datos de usuarios italianos por parte de ChatGPT. El 13 de abril, la Agencia Española de Protección de Datos inició de oficio actuaciones previas de investigación sobre OpenAI. Al mismo tiempo, los grandes proveedores de software ofimático anuncian asistentes integrados en las herramientas que las empresas ya usan.

Para una empresa mediana, sea un estudio de arquitectura de treinta personas o una ingeniería con varias oficinas, el escenario es incómodo: los empleados ya usan estas herramientas, la dirección no sabe con qué datos y nadie ha decidido para qué. Lo que sigue es el marco que aplicamos para ordenar esa situación. Tiene cinco pasos y está pensado para recorrerse en tres o cuatro meses.

1. Inventario de casos de uso

El punto de partida no es la tecnología, sino el trabajo. Se trata de listar las tareas en las que el equipo pierde más tiempo con texto o documentos y valorarlas con tres criterios:

• Volumen. Cuántas veces se repite la tarea al mes.
• Riesgo. Qué ocurre si el resultado contiene un error que nadie detecta.
• Verificabilidad. Cuánto cuesta comprobar que el resultado es correcto.

En una ingeniería, redactar actas de reunión es frecuente, de bajo riesgo y fácil de verificar: buen candidato. Justificar el cumplimiento del DB-SI en un proyecto es de alto riesgo y su verificación exige un técnico cualificado: no es un primer caso, aunque sea el más atractivo.

El resultado de este paso es una lista corta, de cinco a ocho casos, priorizada.

2. Datos: qué entra y qué no

Cada caso de uso implica que cierta información sale de la empresa hacia un proveedor externo. Antes de probar nada hay que clasificar esa información:

• Pública o genérica. Normativa publicada, textos comerciales, plantillas. Riesgo bajo.
• Interna. Procedimientos, precios, ofertas. Requiere condiciones contractuales claras.
• Personal o de cliente. Datos de personas, expedientes, documentación de proyecto. Requiere base jurídica, contrato de encargo de tratamiento y, en la mayoría de los servicios gratuitos actuales, simplemente no debe introducirse.

Este paso suele revelar que la empresa no sabe bien dónde guarda sus documentos ni qué versión es la buena. Ese hallazgo, aunque incómodo, es valioso.

3. Piloto acotado

Un piloto útil tiene un alcance pequeño y una pregunta clara. Recomendamos:

• Un solo caso de uso del inventario.
• Un equipo de cuatro a ocho personas voluntarias, con al menos una escéptica.
• Seis a ocho semanas de duración.
• Una métrica de base medida antes de empezar: horas por tarea, número de revisiones, errores detectados.

Un piloto sin métrica de partida no es un piloto, es una demostración.

Al final, la decisión es binaria: escalar, ajustar o abandonar. Abandonar un caso es un resultado legítimo y barato.

4. Gobierno

El gobierno no es un comité de diez personas. En una empresa mediana basta con:

• Una política de uso de dos páginas: herramientas autorizadas, datos prohibidos, obligación de revisión humana y de identificar contenido generado cuando se entregue a terceros.
• Un responsable con tiempo asignado, no un voluntario a ratos.
• Un registro de casos de uso aprobados, con su proveedor, los datos que tratan y la persona que valida los resultados.

Este registro tiene además una ventaja de anticipación. La propuesta de reglamento europeo de inteligencia artificial, en tramitación en el Parlamento, exigirá documentar los usos de mayor riesgo. Quien ya tenga el inventario partirá con ventaja.

5. Escalar

Solo cuando un piloto demuestra mejora medible se extiende al resto de la organización. Escalar implica formación específica por puesto, no una charla general; integración con las herramientas existentes; y revisión periódica de la métrica, porque el rendimiento de los modelos cambia con cada versión.

Lo que suele fallar

En los procesos que hemos acompañado, los fallos se repiten:

1. Empezar por el caso de uso más ambicioso en lugar del más verificable.
2. Medir la satisfacción del equipo en lugar del tiempo o la calidad.
3. Dejar el gobierno para después, cuando ya hay datos de clientes en herramientas no autorizadas.
4. Tratar la implantación como un proyecto de TI y no como un cambio en la forma de trabajar.

Cómo aplicarlo en un estudio de arquitectura

Para que el marco no quede en abstracto, un escenario tipo. Un estudio de veinticinco personas que trabaja sobre todo en vivienda colectiva y equipamientos podría elegir como primer caso la redacción de actas de reunión con la propiedad y de visitas de dirección de obra: se repiten cada semana, el jefe de proyecto puede verificarlas en minutos y un error se detecta con facilidad. La métrica de partida sería el tiempo medio desde la reunión hasta el envío del acta. Como datos, solo notas internas sin información personal de terceros. Si el piloto funciona, el siguiente candidato natural sería la preparación de borradores de la memoria descriptiva, nunca la justificación del CTE en esta primera etapa. Las cifras concretas dependerán de cada organización, por lo que conviene no extrapolar resultados de otros.

Una recomendación final

Las empresas técnicas tienen una ventaja: están acostumbradas a trabajar con procedimientos, responsabilidades y control de calidad. La IA generativa no exige inventar una cultura nueva, sino aplicar la que ya existe a una herramienta nueva. El marco es sencillo; la disciplina para recorrerlo en orden es lo que marca la diferencia.