Clase 231 — Economía de cloud y plataformas
Parte: 19 — Tecnología, datos, IA y transformación digital para ejecutivos
Nivel: Etapa 5 — CEO → Transformador digital
Duración sugerida: 150–180 minutos · Estándar: deep-class-v2
🎯 Propósito
Cloud y plataformas cambian estructura de costos, elasticidad y velocidad, pero no garantizan ahorro. FinOps y unit economics ayudan a conectar consumo técnico con valor; egress, commitments, managed services y architecture pueden crear costos y lock-in materiales.
La salida de esta parte es gobernar tecnología, datos e IA como capacidades económicas y organizacionales. En esta clase, esa progresión se concreta al exigir que cada afirmación sobre economía de cloud y plataformas termine en una definición operacional, una señal observable, una decisión y una condición de revisión.
📚 Resultados de aprendizaje
Al finalizar podrás:
- Distinguir
cloud economics,elasticity,unit cost,FinOps,vendor lock-inmediante observables, no por memoria verbal. - Explicar por qué esas distinciones cambian una decisión de ceo → transformador digital.
- Aplicar la secuencia 1. mapear workloads y value drivers → 2. calcular unit cost → 3. identificar waste y commitments → 4. modelar resilience y lock-in → 5. optimizar arquitectura y governance conservando supuestos, alternativas y trazabilidad.
- Interpretar cloud cost per transaction, utilization, commitment coverage sin confundir señal, explicación y causalidad.
- Resolver el caso ejecutivo con al menos dos opciones plausibles y un criterio explícito de stop/revisión.
- Contrastar dos obras de referencia y explicar dónde sus lentes son complementarias o entran en tensión.
🧭 Agenda
| Tramo | Evidencia de aprendizaje |
|---|---|
| 0–20 min | Recuperación: define cloud economics y elasticity sin mirar la tabla; corrige con la fuente. |
| 20–70 min | Lectura guiada de conceptos + contraste de dos referencias. |
| 70–115 min | Ejemplo trabajado con cloud cost per transaction y trazabilidad de supuestos. |
| 115–155 min | Caso ejecutivo: dos alternativas, trade-offs y decisión provisional. |
| 155–180 min | Entregable, preguntas de comprobación y registro de lo que aún no sabes. |
🧩 Conceptos centrales
| Concepto | Definición operacional | Cómo demostrar comprensión |
|---|---|---|
| cloud economics | relación entre consumo cloud arquitectura y valor | Distingue un hecho compatible y otro que lo refute. |
| elasticity | capacidad de ajustar recursos con demanda | Distingue un hecho compatible y otro que lo refute. |
| unit cost | costo técnico por transacción cliente o workload | Distingue un hecho compatible y otro que lo refute. |
| FinOps | disciplina de colaboración para gestionar valor y costo cloud | Distingue un hecho compatible y otro que lo refute. |
| vendor lock-in | costo y dificultad de cambiar proveedor | Distingue un hecho compatible y otro que lo refute. |
🧠 Modelo mental
1. mapear workloads y value drivers → 2. calcular unit cost → 3. identificar waste y commitments → 4. modelar resilience y lock-in → 5. optimizar arquitectura y governance
La secuencia nace del problema de esta clase: Cloud y plataformas cambian estructura de costos, elasticidad y velocidad, pero no garantizan ahorro. FinOps y unit economics ayudan a conectar consumo técnico con valor; egress, commitments, managed services y architecture pueden crear costos y lock-in materiales. El método es útil mientras las condiciones permitan observar las señales requeridas. No elimina incertidumbre; la hace visible y obliga a decidir proporcionalmente a la evidencia. Límite principal: Optimizar costo no significa migrar todo on-premise ni eliminar managed services. Considera velocidad, talento, riesgo y costo total, no solo factura mensual.
📖 Desarrollo
1. cloud economics: mecanismo central
cloud economics se entiende aquí como relación entre consumo cloud arquitectura y valor. Esta es la pieza causal o estructural desde la que se inicia economía de cloud y plataformas: antes de mapear workloads y value drivers, el gerente debe poder señalar qué cambia en el sistema si el concepto está presente y qué debería observar si no lo está. Una definición que no produce predicciones observables todavía es demasiado vaga para dirigir.
La lectura rectora de este bloque es Marco Iansiti & Karim R. Lakhani — Competing in the Age of AI. Su aporte se usa para examinar modelo operativo AI-first, escala digital, redes y arquitectura de decisión. Aplica esa lente al caso sin convertirla en dogma: escribe una proposición de la obra que apoye tu diagnóstico, una condición del caso que la limite y una consecuencia práctica. La evidencia mínima es cloud cost per transaction; regístrala con periodo, unidad, población y baseline.
Relaciona el mecanismo con elasticity. Si ambos cambian juntos, no concluyas causalidad automáticamente: identifica una tercera variable o mecanismo alternativo que también pueda explicar el patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.
2. elasticity: frontera conceptual y error de clasificación
Definición operacional: capacidad de ajustar recursos con demanda. Su valor está en distinguirlo de cloud economics y unit cost. En una decisión real, clasificar una situación en la categoría equivocada cambia la intervención: puedes asignar autoridad donde faltaba información, medir un output cuando debías observar un proceso o tratar una restricción como si fuera una preferencia.
Contrasta el problema con Thomas H. Davenport & Nitin Mittal — All-In on AI, que aporta una mirada sobre casos empresariales, estrategia y organización para inteligencia artificial. Formula dos mini-casos: uno que sí satisface la definición de elasticity y otro que solo se parece superficialmente. Luego pregunta qué señal distinguiría ambos; para esta clase, utilization es una candidata, pero debe combinarse con evidencia cualitativa o documental cuando el fenómeno no sea directamente medible.
Antes de calcular unit cost, registra explícitamente qué decisión sería errónea si esta frontera conceptual se ignora. Esa frase convierte el vocabulario en criterio gerencial.
3. unit cost: operacionalización y medición
unit cost significa costo técnico por transacción cliente o workload. El problema ya no es definirlo, sino operacionalizarlo: qué contar, durante qué ventana, con qué denominador, contra qué baseline y con qué segmentación. Una métrica útil conserva suficiente contexto para no confundir mejora local con mejora del sistema.
George Westerman, Didier Bonnet & Andrew McAfee — Leading Digital orienta este bloque mediante transformación digital desde capacidades de liderazgo y capacidades digitales. Usa esa perspectiva para diseñar una ficha de medición: señal → fórmula/criterio → fuente → frecuencia → owner → interpretación permitida → interpretación prohibida. La señal asignada es commitment coverage. Si no existe un dato confiable, la salida correcta no es inventar precisión: diseña el mecanismo de captura y declara la incertidumbre.
Al llegar a identificar waste y commitments, compara tendencia, distribución y casos atípicos. Pregunta además si el indicador es leading o lagging y si puede ser manipulado por quienes son evaluados con él. La medición debe informar una decisión; nunca convertirse en el objetivo que reemplaza al fenómeno.
4. FinOps: trade-offs y efectos de segundo orden
Definición: disciplina de colaboración para gestionar valor y costo cloud. Este concepto obliga a abandonar la idea de que economía de cloud y plataformas tiene una solución gratuita. Toda intervención consume autonomía, tiempo, caja, capacidad, atención, reputación o tolerancia al riesgo. Por eso, antes de modelar resilience y lock-in, se comparan al menos dos alternativas plausibles y se explicita qué se sacrifica en cada una.
Martin Kleppmann — Designing Data-Intensive Applications aporta una lente sobre perspectiva de Arquitectura tecnológica aplicada al problema de la clase. Úsala para construir una matriz beneficio / costo / reversibilidad / stakeholder afectado / señal temprana. La evidencia egress spend ayuda a detectar si el trade-off está ocurriendo como se esperaba, pero no elimina la necesidad de observar efectos laterales fuera del KPI principal.
Haz un pre-mortem de economía de cloud y plataformas: supone que la opción recomendada fracasó seis meses después y enumera tres mecanismos que podrían explicarlo. Al menos uno debe provenir de un efecto de segundo orden asociado a FinOps y otro de una hipótesis del caso que nunca fue validada.
5. vendor lock-in: gobernanza, límites e integración
vendor lock-in se define como costo y dificultad de cambiar proveedor y cierra el circuito porque traduce análisis en responsabilidad. La pregunta ejecutiva es quién decide, quién ejecuta, quién debe ser consultado, qué evidencia queda registrada y qué condición obliga a detener, corregir o escalar.
Foster Provost & Tom Fawcett — Data Science for Business se utiliza para estudiar perspectiva de Datos aplicada al problema de la clase y contrastar la recomendación final. Al ejecutar optimizar arquitectura y governance, deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento. Esa trazabilidad protege contra el sesgo retrospectivo y mejora las revisiones posteriores.
La frontera de esta clase es explícita: Optimizar costo no significa migrar todo on-premise ni eliminar managed services. Considera velocidad, talento, riesgo y costo total, no solo factura mensual.. Conviértela en una regla operativa: si ocurre X → no aplicar automáticamente → consultar/escalar/revalidar. Integrar cloud economics, elasticity, unit cost, FinOps y vendor lock-in significa poder explicar qué parte del diagnóstico sostiene la decisión y cuál sigue siendo una apuesta.
6. Integración: de conceptos a una decisión defendible
La síntesis de economía de cloud y plataformas no consiste en sumar cinco definiciones. Empieza por cloud economics, contrasta elasticity con unit cost, incorpora FinOps como restricción o mecanismo y usa vendor lock-in para cerrar el ciclo. Si el análisis no puede explicar cuál de esas piezas cambió la recomendación, todavía no hay comprensión transferible.
Aplica ahora la secuencia 1. mapear workloads y value drivers → 2. calcular unit cost → 3. identificar waste y commitments → 4. modelar resilience y lock-in → 5. optimizar arquitectura y governance. Para cada paso conserva tres columnas: evidencia utilizada, alternativa descartada y razón. Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado y evita reescribir la historia después de conocer el desenlace.
📚 Lectura comparada
Las obras no cumplen el mismo papel. Esta tabla señala el lente que debes buscar; después de leer, escribe una discrepancia real entre al menos dos fuentes.
| Fuente | Lente que aporta | Pregunta crítica |
|---|---|---|
| Marco Iansiti & Karim R. Lakhani — Competing in the Age of AI | modelo operativo AI-first, escala digital, redes y arquitectura de decisión | ¿Qué supuesto de economía de cloud y plataformas ayuda a desafiar? |
| Thomas H. Davenport & Nitin Mittal — All-In on AI | casos empresariales, estrategia y organización para inteligencia artificial | ¿Qué supuesto de economía de cloud y plataformas ayuda a desafiar? |
| George Westerman, Didier Bonnet & Andrew McAfee — Leading Digital | transformación digital desde capacidades de liderazgo y capacidades digitales | ¿Qué supuesto de economía de cloud y plataformas ayuda a desafiar? |
| Martin Kleppmann — Designing Data-Intensive Applications | perspectiva de Arquitectura tecnológica aplicada al problema de la clase | ¿Qué supuesto de economía de cloud y plataformas ayuda a desafiar? |
| Foster Provost & Tom Fawcett — Data Science for Business | perspectiva de Datos aplicada al problema de la clase | ¿Qué supuesto de economía de cloud y plataformas ayuda a desafiar? |
En economía de cloud y plataformas, la lectura se evalúa por uso, no por cantidad de páginas. La nota debe indicar qué tesis de las fuentes modifica tu lectura de cloud economics, qué evidencia del caso tensiona esa tesis y qué decisión concreta cambiarías después del contraste.
🧮 Ejemplo trabajado
Situación: Una SaaS crece revenue 30% pero cloud spend 70%. Nadie conoce costo por tenant y equipos sobredimensionan instancias para evitar incidentes.
Paso 1 — mapear workloads y value drivers. La gerencia escribe primero el supuesto asociado a cloud economics y evita convertirlo en hecho. Luego busca cloud cost per transaction para contrastarlo en el caso de economía de cloud y plataformas. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.
Paso 2 — calcular unit cost. La gerencia escribe primero el supuesto asociado a elasticity y evita convertirlo en hecho. Luego busca utilization para contrastarlo en el caso de economía de cloud y plataformas. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.
Paso 3 — identificar waste y commitments. La gerencia escribe primero el supuesto asociado a unit cost y evita convertirlo en hecho. Luego busca commitment coverage para contrastarlo en el caso de economía de cloud y plataformas. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.
Paso 4 — modelar resilience y lock-in. La gerencia escribe primero el supuesto asociado a FinOps y evita convertirlo en hecho. Luego busca egress spend para contrastarlo en el caso de economía de cloud y plataformas. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.
Paso 5 — optimizar arquitectura y governance. La gerencia escribe primero el supuesto asociado a vendor lock-in y evita convertirlo en hecho. Luego busca availability para contrastarlo en el caso de economía de cloud y plataformas. El resultado del paso debe ser un artefacto revisable —dato, mapa, cálculo, registro o decisión— y una frase explícita: “cambiaríamos de rumbo si…”.
Síntesis del caso. La recomendación debe terminar con responsable, fecha, evidencia de éxito y señal de stop. En economía de cloud y plataformas, omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.
🔀 Comparación y límites
| Camino | Qué privilegia | Cuándo elegirlo | Riesgo |
|---|---|---|---|
| cloud economics | relación entre consumo cloud arquitectura y valor | Cuando cloud cost per transaction es observable y accionable. | Sobrerreaccionar a una señal parcial. |
| elasticity | capacidad de ajustar recursos con demanda | Cuando la primera explicación no distingue mecanismo o responsabilidad. | Convertir el concepto en etiqueta. |
| Experimento/revisión | Aprender antes de comprometer recursos mayores | Cuando la decisión es reversible y la incertidumbre es alta. | Experimentar eternamente y no decidir. |
| Escalamiento | Elevar autoridad o especialidad | Cuando hay derechos, capital material, regulación o irreversibilidad. | Delegar hacia arriba lo que sí corresponde decidir. |
Frontera de aplicación: Optimizar costo no significa migrar todo on-premise ni eliminar managed services. Considera velocidad, talento, riesgo y costo total, no solo factura mensual.
🪜 De profesional a owner
| Nivel | Responsabilidad sobre economía de cloud y plataformas |
|---|---|
| Profesional | usa economía de cloud y plataformas para mejorar una contribución propia y explicar sus supuestos con evidencia. |
| Jefe / Team Lead | aplica cloud economics y elasticity para coordinar personas sin sustituir conversación por métricas. |
| Manager / Gerente | conecta cloud cost per transaction con capacidad, presupuesto, dependencias y riesgo interáreas. |
| CEO / Director | decide si economía de cloud y plataformas cambia estrategia, economía o riesgo de empresa y qué debe llegar al comité o directorio. |
| Founder / Owner | pregunta si la solución de economía de cloud y plataformas reduce dependencia del fundador, preserva caja y puede operar como sistema repetible. |
El cambio de nivel en economía de cloud y plataformas aumenta el número de personas, dinero, dependencias y consecuencias que quedan dentro de la decisión. Por eso la misma herramienta debe volverse más explícita en evidencia, gobernanza y revisión a medida que crece el alcance.
🏢 Caso ejecutivo
Una SaaS crece revenue 30% pero cloud spend 70%. Nadie conoce costo por tenant y equipos sobredimensionan instancias para evitar incidentes.
Entrega un decision brief de economía de cloud y plataformas que contenga: (a) hechos y fuentes; (b) hipótesis; (c) dos opciones realmente defendibles; (d) efecto sobre personas, cliente, operación, caja y riesgo; (e) recomendación; (f) condición que haría cambiarla; (g) dueño y fecha de revisión. Utiliza al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta.
🧪 Práctica
- Reconstruye el caso de economía de cloud y plataformas con una tabla
hecho / interpretación / hipótesis / decisión. - Ejecuta 1. mapear workloads y value drivers → 2. calcular unit cost → 3. identificar waste y commitments → 4. modelar resilience y lock-in → 5. optimizar arquitectura y governance y adjunta evidencia para cada transición entre pasos.
- Calcula o documenta cloud cost per transaction, utilization; si no existe dato, diseña cómo obtenerlo.
- Escribe una alternativa que contradiga tu preferencia inicial y haz un pre-mortem específico del caso.
- Lee dos referencias, registra una coincidencia y una tensión, y modifica el brief si corresponde.
- Repite la decisión desde el rol de CEO/owner: identifica qué cambia al aumentar el alcance y la irreversibilidad.
⚠️ Errores frecuentes
| Síntoma | Causa probable | Corrección |
|---|---|---|
| Usar cloud economics y elasticity como sinónimos | Se pierde la distinción entre “relación entre consumo cloud arquitectura y valor” y “capacidad de ajustar recursos con demanda” | Vuelve a los observables y exige una señal distinta para cada concepto. |
| Empezar por “optimizar arquitectura y governance” | Se saltó “mapear workloads y value drivers” y la solución llegó antes que el diagnóstico | Reconstruye la cadena 1. mapear workloads y value drivers → 2. calcular unit cost → 3. identificar waste y commitments → 4. modelar resilience y lock-in → 5. optimizar arquitectura y governance y marca el primer supuesto no demostrado. |
| Optimizar solo cloud cost per transaction | La métrica local sustituyó al resultado del sistema | Contrástala con utilization y explicita el costo de oportunidad. |
| Generalizar desde un caso favorable | Se confundió evidencia local con una regla universal sobre economía de cloud y plataformas | Optimizar costo no significa migrar todo on-premise ni eliminar managed services. Considera velocidad, talento, riesgo y costo total, no solo factura mensual. |
| No fijar revisión | Una decisión sobre economía de cloud y plataformas se vuelve permanente por inercia | Define responsable, fecha, señal de éxito y condición de stop. |
❓ Preguntas de comprobación
- Explica la diferencia entre cloud economics y elasticity usando un ejemplo donde elegir mal cambie la decisión.
- ¿Qué observarías para validar unit cost y qué observación obligaría a rechazar tu interpretación?
- Aplica mapear workloads y value drivers → calcular unit cost al caso de la clase. ¿Qué dato todavía falta?
- ¿Por qué cloud cost per transaction no basta por sí sola para atribuir causalidad?
- Compara dos fuentes de la tabla de lectura. ¿Dónde podrían llevar a recomendaciones distintas para economía de cloud y plataformas?
- ¿Qué decisión equivocada podría producirse si se ignora este límite: Optimizar costo no significa migrar todo on-premise ni eliminar managed services. Considera velocidad, talento, riesgo y costo total, no solo factura mensual.?
📥 Entregable
Guarda en portfolio/231-economia-de-cloud-y-plataformas/:
risk-governance-brief.mdcon el problema específico de economía de cloud y plataformas, evidencia, alternativas, decisión y gobernanza;reading-note.mdcontrastando las fuentes de economía de cloud y plataformas con edición/páginas consultadas;decision-journal.mdregistrando los supuestos de cloud economics, confianza, responsable y revisión;red-team.mdcon la objeción más fuerte al caso Una SaaS crece revenue 30% pero cloud spend 70%. Nadie conoce costo por tenant y equipos sobredimensionan instancias para evitar incidentes. y el dato que podría invalidar la recomendación.
📗 Fuentes y verificación
- Marco Iansiti & Karim R. Lakhani — Competing in the Age of AI (Harvard Business Review Press, 2020). Uso en esta clase: modelo operativo AI-first, escala digital, redes y arquitectura de decisión. Lectura selectiva sobre economía de cloud y plataformas. Localizador: ISBN-13 9781633697621.
- Thomas H. Davenport & Nitin Mittal — All-In on AI (Harvard Business Review Press, 2022). Uso en esta clase: casos empresariales, estrategia y organización para inteligencia artificial. Lectura selectiva sobre economía de cloud y plataformas. Localizador: ISBN-13 9781647824693.
- George Westerman, Didier Bonnet & Andrew McAfee — Leading Digital (Harvard Business Review Press, 2014). Uso en esta clase: transformación digital desde capacidades de liderazgo y capacidades digitales. Lectura selectiva sobre economía de cloud y plataformas. Localizador: ISBN-13 9781625272478.
- Martin Kleppmann — Designing Data-Intensive Applications (O'Reilly publications, 2017). Uso en esta clase: perspectiva de Arquitectura tecnológica aplicada al problema de la clase. Lectura selectiva sobre economía de cloud y plataformas. Localizador: ISBN-13 9789352135240.
- Foster Provost & Tom Fawcett — Data Science for Business (SHROFF - O'REILLY, 2013). Uso en esta clase: perspectiva de Datos aplicada al problema de la clase. Lectura selectiva sobre economía de cloud y plataformas. Localizador: ISBN-13 9789351102670.
- NIST — AI Risk Management Framework (AI RMF 1.0). Uso en esta clase: gobernar, mapear, medir y gestionar el riesgo de sistemas de IA en la decisión de la clase. Fuente primaria: https://www.nist.gov/itl/ai-risk-management-framework.
- Susan A. Ambrose et al. — How Learning Works (John Wiley & Sons, Incorporated, 2010). Uso en esta clase: diseñar los objetivos, la práctica y el feedback de economía de cloud y plataformas sobre conocimiento previo verificable. Localizador: ISBN-13 9780470617601.
- Peter C. Brown, Henry L. Roediger III & Mark A. McDaniel — Make It Stick (Harvard University Press, 2014). Uso en esta clase: justificar la recuperación inicial y las preguntas de comprobación de economía de cloud y plataformas. Localizador: ISBN-13 9780674986572.
- Grant Wiggins & Jay McTighe — Understanding by Design (Pearson Education, Inc., 2006). Uso en esta clase: derivar el entregable de economía de cloud y plataformas desde el desempeño observable y no desde el temario. Localizador: ISBN-13 9780131950849.
- Anders Ericsson & Robert Pool — Peak (Penguin Random House, 2016). Uso en esta clase: convertir la práctica de economía de cloud y plataformas en práctica deliberada con criterios explícitos. Localizador: ISBN-13 9781473513143.
- William Ellet — The Case Study Handbook (Harvard Business Review Press, 2018). Uso en esta clase: estructurar el caso ejecutivo de economía de cloud y plataformas como problema, evidencia, alternativas y recomendación. Localizador: ISBN-13 9781633696150.
Regla de fuentes para Economía de cloud y plataformas: las obras anteriores estructuran las perspectivas de esta materia; cualquier norma, ley, impuesto o estándar vivo mencionado en economía de cloud y plataformas debe comprobarse nuevamente en su fuente primaria vigente. El desarrollo es original y no reproduce capítulos protegidos.