Refinar y escalar
Activar y escalar la IA
De aconsejar a asistir y a actuar — por caso de uso y con números, no a ojo. Así la IA sigue siendo útil y confiable.
Actualizado el 18 may 2026
Refinar · 6.3
Por qué importa ahora
La IA no es un interruptor que se enciende. Es una capacidad que crece por caso de uso con la calidad de los datos, la confianza del usuario y la madurez del gobierno. Un caso de uso en nivel 1 que funciona = valor. El mismo caso de uso prematuramente en nivel 3 = una ruptura de confianza que cuesta meses reparar.
¿Qué entregas?
Informe de estado de IA
Por caso de uso: nivel actual, exactitud, correcciones, confianza del usuario.
Criterios de promoción/degradación
Qué números disparan subir o bajar un nivel.
Bucle de feedback
Cómo las correcciones de los gestores realimentan el modelo, con pista de auditoría.
Actualización de gobierno
Evidencias de cumplimiento y comunicación de transparencia a los usuarios finales.
Ciclo de promoción y degradación
Promoción al siguiente nivel
Cuándo
Exactitud > 85% durante 4-6 semanas, confianza del usuario > 70%, sin incidentes P1 relacionados con este caso de uso.
Estabilizar en el nivel actual
Cuándo
Exactitud 60-85%, correcciones a la baja pero no lo bastante rápido. Mantente en el nivel actual y trabaja en la calidad de los datos.
Degradación a un nivel inferior
Cuándo
Exactitud < 60%, incidente P1 causado o escalada de quejas. Da un paso atrás de inmediato — recuperar la confianza lleva mucho tiempo.
Preguntas clave
- 1Qué casos de uso están en marcha hoy y a qué nivel. ¿Coincide con la matriz de ambición del 4.12?
- 2Cómo mides la exactitud. Gestor confirma → cuenta como «correcto». Gestor sobrescribe → cuenta como «corrección».
- 3Confianza del usuario — ¿encuesta o implícita (cuántas veces el usuario sobrescribe la sugerencia de IA)? Ambas valen.
- 4Decisión de promoción — ¿quién aprueba que un caso pase a nivel 2 o 3? ¿Comité de dirección o propietario del servicio?
- 5Acciones de calidad de datos — si la exactitud se estanca, ¿qué trabajo abordas (refinar clasificación, ampliar KB, limpiar tickets antiguos)?
- 6Bucle de feedback — ¿cómo vuelve una corrección al modelo? ¿Diario, semanal, revisión manual?
- 7Transparencia — ¿comunicas a los usuarios finales qué hace la IA y cuándo pueden «optar por no participar»?
- 8Evidencias de cumplimiento — para la AI Act o auditoría interna: qué registros conservas, quién los ve, qué periodo de retención.
- 9Procedimiento de roll-back — al degradar: ¿cómo conmutas, cómo comunicas, cómo reconstruyes la confianza?
- 10Nuevos casos de uso — ¿qué candidatos hay en la sala de espera? ¿Qué precondiciones (datos, formación, gobierno) faltan?
Plantilla — Informe de estado de IA (trimestral)
| Caso de uso | Nivel actual | Exactitud | Correcciones | Confianza | Propuesta | Responsable |
|---|---|---|---|---|---|---|
| Clasificación de tickets | 1 — Aconsejar | 87% | 12% gestores | 81% | ↑ Promover a 2 (asistir) | Resp. servicio |
| Respuesta KB | 2 — Asistir | 72% | 22% sobrescritas | 65% | → Estabilizar, ampliar KB | Resp. servicio |
| Detección de no-show | 1 — Aconsejar | 91% | 3% falso positivo | 88% | ↑ Promover a 3 (actuar, excl. boardroom) | Resp. FM |
| Auto-enrutado P3 | 2 — Asistir | 54% | 42% sobrescritas | 38% | ↓ Degradar a 1, revisar competencias de los grupos de trabajo | Resp. servicio |
| … | … | … | … | … | … | … |