Clase 233 — Portafolio de IA y casos de negocio

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

Un portafolio de IA debe priorizar problemas donde automatización o predicción mejoran economics y donde datos, workflow y riesgo permiten implementación. Empezar por qué podemos hacer con LLM produce demos sin adopción; el business case debe incluir calidad, humanos, integración y costo recurrente.

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 portafolio de IA y casos de negocio termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

📚 Resultados de aprendizaje

Al finalizar podrás:

Distinguir AI use case, AI portfolio, automation rate, human-in-the-loop, AI unit economics mediante observables, no por memoria verbal.
Explicar por qué esas distinciones cambian una decisión de ceo → transformador digital.
Aplicar la secuencia 1. inventariar workflows y pain → 2. estimar value y baseline → 3. evaluar data y technical feasibility → 4. evaluar impact y risk → 5. pilotear con economics y guardrails antes de escalar conservando supuestos, alternativas y trazabilidad.
Interpretar time saved, quality-error rate, cost per task 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 AI use case y AI portfolio 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 time saved 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
AI use case	aplicación específica de IA dentro de un workflow	Distingue un hecho compatible y otro que lo refute.
AI portfolio	conjunto priorizado de casos por value feasibility y risk	Distingue un hecho compatible y otro que lo refute.
automation rate	proporción de trabajo realizado sin intervención humana	Distingue un hecho compatible y otro que lo refute.
human-in-the-loop	diseño donde una persona revisa o decide en puntos definidos	Distingue un hecho compatible y otro que lo refute.
AI unit economics	costo total por tarea o outcome automatizado	Distingue un hecho compatible y otro que lo refute.

🧠 Modelo mental

1. inventariar workflows y pain → 2. estimar value y baseline → 3. evaluar data y technical feasibility → 4. evaluar impact y risk → 5. pilotear con economics y guardrails antes de escalar

La secuencia nace del problema de esta clase: Un portafolio de IA debe priorizar problemas donde automatización o predicción mejoran economics y donde datos, workflow y riesgo permiten implementación. Empezar por qué podemos hacer con LLM produce demos sin adopción; el business case debe incluir calidad, humanos, integración y costo recurrente. 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: Horas ahorradas no equivalen a cash o value si no cambia capacidad o output. Define cómo el tiempo liberado se convierte en outcome empresarial.

📖 Desarrollo

1. AI use case: mecanismo central

AI use case se entiende aquí como aplicación específica de IA dentro de un workflow. Esta es la pieza causal o estructural desde la que se inicia portafolio de IA y casos de negocio: antes de inventariar workflows y pain, 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 time saved; regístrala con periodo, unidad, población y baseline.

Relaciona el mecanismo con AI portfolio. 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. AI portfolio: frontera conceptual y error de clasificación

Definición operacional: conjunto priorizado de casos por value feasibility y risk. Su valor está en distinguirlo de AI use case y automation rate. 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 AI portfolio y otro que solo se parece superficialmente. Luego pregunta qué señal distinguiría ambos; para esta clase, quality-error rate es una candidata, pero debe combinarse con evidencia cualitativa o documental cuando el fenómeno no sea directamente medible.

Antes de estimar value y baseline, registra explícitamente qué decisión sería errónea si esta frontera conceptual se ignora. Esa frase convierte el vocabulario en criterio gerencial.

3. automation rate: operacionalización y medición

automation rate significa proporción de trabajo realizado sin intervención humana. 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.

Nicole Forsgren, Jez Humble & Gene Kim — Accelerate orienta este bloque mediante métricas de entrega, capacidades técnicas y desempeño organizacional. Usa esa perspectiva para diseñar una ficha de medición: señal → fórmula/criterio → fuente → frecuencia → owner → interpretación permitida → interpretación prohibida. La señal asignada es cost per task. 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 evaluar data y technical feasibility, 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. human-in-the-loop: trade-offs y efectos de segundo orden

Definición: diseño donde una persona revisa o decide en puntos definidos. Este concepto obliga a abandonar la idea de que portafolio de IA y casos de negocio tiene una solución gratuita. Toda intervención consume autonomía, tiempo, caja, capacidad, atención, reputación o tolerancia al riesgo. Por eso, antes de evaluar impact y risk, se comparan al menos dos alternativas plausibles y se explicita qué se sacrifica en cada una.

Foster Provost & Tom Fawcett — Data Science for Business aporta una lente sobre perspectiva de Datos aplicada al problema de la clase. Úsala para construir una matriz beneficio / costo / reversibilidad / stakeholder afectado / señal temprana. La evidencia human override 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 portafolio de IA y casos de negocio: 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 human-in-the-loop y otro de una hipótesis del caso que nunca fue validada.

5. AI unit economics: gobernanza, límites e integración

AI unit economics se define como costo total por tarea o outcome automatizado 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.

NIST — AI Risk Management Framework (AI RMF 1.0) se utiliza para estudiar gobierno y gestión de riesgos de IA confiable a lo largo del ciclo de vida y contrastar la recomendación final. Al ejecutar pilotear con economics y guardrails antes de escalar, 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: Horas ahorradas no equivalen a cash o value si no cambia capacidad o output. Define cómo el tiempo liberado se convierte en outcome empresarial.. Conviértela en una regla operativa: si ocurre X → no aplicar automáticamente → consultar/escalar/revalidar. Integrar AI use case, AI portfolio, automation rate, human-in-the-loop y AI unit economics 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 portafolio de IA y casos de negocio no consiste en sumar cinco definiciones. Empieza por AI use case, contrasta AI portfolio con automation rate, incorpora human-in-the-loop como restricción o mecanismo y usa AI unit economics 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. inventariar workflows y pain → 2. estimar value y baseline → 3. evaluar data y technical feasibility → 4. evaluar impact y risk → 5. pilotear con economics y guardrails antes de escalar. 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 portafolio de IA y casos de negocio ayuda a desafiar?
Thomas H. Davenport & Nitin Mittal — All-In on AI	casos empresariales, estrategia y organización para inteligencia artificial	¿Qué supuesto de portafolio de IA y casos de negocio ayuda a desafiar?
Nicole Forsgren, Jez Humble & Gene Kim — Accelerate	métricas de entrega, capacidades técnicas y desempeño organizacional	¿Qué supuesto de portafolio de IA y casos de negocio ayuda a desafiar?
Foster Provost & Tom Fawcett — Data Science for Business	perspectiva de Datos aplicada al problema de la clase	¿Qué supuesto de portafolio de IA y casos de negocio ayuda a desafiar?
NIST — AI Risk Management Framework (AI RMF 1.0)	gobierno y gestión de riesgos de IA confiable a lo largo del ciclo de vida	¿Qué supuesto de portafolio de IA y casos de negocio ayuda a desafiar?

En portafolio de IA y casos de negocio, la lectura se evalúa por uso, no por cantidad de páginas. La nota debe indicar qué tesis de las fuentes modifica tu lectura de AI use case, qué evidencia del caso tensiona esa tesis y qué decisión concreta cambiarías después del contraste.

🧮 Ejemplo trabajado

Situación: Una empresa lanza 25 copilots. Seis meses después solo dos tienen más de 40% adopción; no existe baseline de productividad ni costo por consulta.

Paso 1 — inventariar workflows y pain. La gerencia escribe primero el supuesto asociado a AI use case y evita convertirlo en hecho. Luego busca time saved para contrastarlo en el caso de portafolio de IA y casos de negocio. 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 — estimar value y baseline. La gerencia escribe primero el supuesto asociado a AI portfolio y evita convertirlo en hecho. Luego busca quality-error rate para contrastarlo en el caso de portafolio de IA y casos de negocio. 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 — evaluar data y technical feasibility. La gerencia escribe primero el supuesto asociado a automation rate y evita convertirlo en hecho. Luego busca cost per task para contrastarlo en el caso de portafolio de IA y casos de negocio. 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 — evaluar impact y risk. La gerencia escribe primero el supuesto asociado a human-in-the-loop y evita convertirlo en hecho. Luego busca human override para contrastarlo en el caso de portafolio de IA y casos de negocio. 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 — pilotear con economics y guardrails antes de escalar. La gerencia escribe primero el supuesto asociado a AI unit economics y evita convertirlo en hecho. Luego busca adoption para contrastarlo en el caso de portafolio de IA y casos de negocio. 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 portafolio de IA y casos de negocio, omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.

🔀 Comparación y límites

Camino	Qué privilegia	Cuándo elegirlo	Riesgo
AI use case	aplicación específica de IA dentro de un workflow	Cuando time saved es observable y accionable.	Sobrerreaccionar a una señal parcial.
AI portfolio	conjunto priorizado de casos por value feasibility y risk	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: Horas ahorradas no equivalen a cash o value si no cambia capacidad o output. Define cómo el tiempo liberado se convierte en outcome empresarial.

🪜 De profesional a owner

Nivel	Responsabilidad sobre portafolio de IA y casos de negocio
Profesional	usa portafolio de IA y casos de negocio para mejorar una contribución propia y explicar sus supuestos con evidencia.
Jefe / Team Lead	aplica AI use case y AI portfolio para coordinar personas sin sustituir conversación por métricas.
Manager / Gerente	conecta time saved con capacidad, presupuesto, dependencias y riesgo interáreas.
CEO / Director	decide si portafolio de IA y casos de negocio cambia estrategia, economía o riesgo de empresa y qué debe llegar al comité o directorio.
Founder / Owner	pregunta si la solución de portafolio de IA y casos de negocio reduce dependencia del fundador, preserva caja y puede operar como sistema repetible.

El cambio de nivel en portafolio de IA y casos de negocio 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 empresa lanza 25 copilots. Seis meses después solo dos tienen más de 40% adopción; no existe baseline de productividad ni costo por consulta.

Entrega un decision brief de portafolio de IA y casos de negocio 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 portafolio de IA y casos de negocio con una tabla hecho / interpretación / hipótesis / decisión.
Ejecuta 1. inventariar workflows y pain → 2. estimar value y baseline → 3. evaluar data y technical feasibility → 4. evaluar impact y risk → 5. pilotear con economics y guardrails antes de escalar y adjunta evidencia para cada transición entre pasos.
Calcula o documenta time saved, quality-error rate; 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 AI use case y AI portfolio como sinónimos	Se pierde la distinción entre “aplicación específica de IA dentro de un workflow” y “conjunto priorizado de casos por value feasibility y risk”	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por “pilotear con economics y guardrails antes de escalar”	Se saltó “inventariar workflows y pain” y la solución llegó antes que el diagnóstico	Reconstruye la cadena 1. inventariar workflows y pain → 2. estimar value y baseline → 3. evaluar data y technical feasibility → 4. evaluar impact y risk → 5. pilotear con economics y guardrails antes de escalar y marca el primer supuesto no demostrado.
Optimizar solo time saved	La métrica local sustituyó al resultado del sistema	Contrástala con quality-error rate y explicita el costo de oportunidad.
Generalizar desde un caso favorable	Se confundió evidencia local con una regla universal sobre portafolio de IA y casos de negocio	Horas ahorradas no equivalen a cash o value si no cambia capacidad o output. Define cómo el tiempo liberado se convierte en outcome empresarial.
No fijar revisión	Una decisión sobre portafolio de IA y casos de negocio se vuelve permanente por inercia	Define responsable, fecha, señal de éxito y condición de stop.

❓ Preguntas de comprobación

Explica la diferencia entre AI use case y AI portfolio usando un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar automation rate y qué observación obligaría a rechazar tu interpretación?
Aplica inventariar workflows y pain → estimar value y baseline al caso de la clase. ¿Qué dato todavía falta?
¿Por qué time saved no basta por sí sola para atribuir causalidad?
Compara dos fuentes de la tabla de lectura. ¿Dónde podrían llevar a recomendaciones distintas para portafolio de IA y casos de negocio?
¿Qué decisión equivocada podría producirse si se ignora este límite: Horas ahorradas no equivalen a cash o value si no cambia capacidad o output. Define cómo el tiempo liberado se convierte en outcome empresarial.?

📥 Entregable

Guarda en portfolio/233-portafolio-de-ia-y-casos-de-negocio/:

strategy-memo.md con el problema específico de portafolio de IA y casos de negocio, evidencia, alternativas, decisión y gobernanza;
reading-note.md contrastando las fuentes de portafolio de IA y casos de negocio con edición/páginas consultadas;
decision-journal.md registrando los supuestos de AI use case, confianza, responsable y revisión;
red-team.md con la objeción más fuerte al caso Una empresa lanza 25 copilots. Seis meses después solo dos tienen más de 40% adopción; no existe baseline de productividad ni costo por consulta. 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 portafolio de ia y casos de negocio. 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 portafolio de ia y casos de negocio. Localizador: ISBN-13 9781647824693.
Nicole Forsgren, Jez Humble & Gene Kim — Accelerate (IT Revolution Press, 2018). Uso en esta clase: métricas de entrega, capacidades técnicas y desempeño organizacional. Lectura selectiva sobre portafolio de ia y casos de negocio. Localizador: ISBN-13 9781942788379.
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 portafolio de ia y casos de negocio. 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.
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 portafolio de ia y casos de negocio. Localizador: ISBN-13 9781625272478.
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 portafolio de ia y casos de negocio 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 portafolio de ia y casos de negocio. Localizador: ISBN-13 9780674986572.
Grant Wiggins & Jay McTighe — Understanding by Design (Pearson Education, Inc., 2006). Uso en esta clase: derivar el entregable de portafolio de ia y casos de negocio 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 portafolio de ia y casos de negocio 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 portafolio de ia y casos de negocio como problema, evidencia, alternativas y recomendación. Localizador: ISBN-13 9781633696150.

Regla de fuentes para Portafolio de IA y casos de negocio: las obras anteriores estructuran las perspectivas de esta materia; cualquier norma, ley, impuesto o estándar vivo mencionado en portafolio de IA y casos de negocio debe comprobarse nuevamente en su fuente primaria vigente. El desarrollo es original y no reproduce capítulos protegidos.