Compartir a través de


Planear la adopción de la inteligencia artificial

Este artículo le ayuda a crear un plan de adopción de inteligencia artificial que transforma la estrategia de inteligencia artificial de la organización en pasos accionables. Un plan de adopción de IA cierra la brecha entre la visión y la ejecución de IA. El plan garantiza la alineación entre las iniciativas de inteligencia artificial y los objetivos empresariales, al tiempo que aborda las brechas de aptitudes, los requisitos de los recursos y las escalas de tiempo de implementación.

Evaluación de las aptitudes de IA

La evaluación actual de la funcionalidad evita la asignación incorrecta de los recursos y garantiza un planeamiento realista del proyecto alineado con la preparación de la organización. Los proyectos de inteligencia artificial producen un error cuando las organizaciones intentan implementar más allá de su madurez técnica o disponibilidad de datos. Debe evaluar sus aptitudes, recursos de datos e infraestructura para establecer una base para la adopción correcta de la inteligencia artificial. A continuación se muestra cómo hacerlo:

  1. Mida el nivel de madurez de la inteligencia artificial mediante las aptitudes y el marco de preparación de datos. El marco proporciona criterios objetivos para evaluar las funcionalidades actuales de inteligencia artificial de la organización. Esta medida evita asumir compromisos excesivos en proyectos que exceden tus capacidades actuales. Use la tabla siguiente para evaluar su madurez:

    Nivel de madurez de IA Aptitudes necesarias Preparación de datos casos práctico de IA factibles
    Nivel 1 ▪ Conocimientos básicos de los conceptos de inteligencia artificial
    ▪ Capacidad de integrar orígenes de datos y asignar mensajes
    ▪ Datos disponibles mínimos o nulos
    ▪ Datos empresariales disponibles
    ▪ Proyectos de inicio rápido de Azure
    ▪ Cualquier solución de Copilot
    Nivel 2 ▪ Experiencia con la selección de modelos de IA
    ▪ Familiaridad con la implementación de IA y la administración de puntos de conexión
    ▪ Experiencia con la limpieza y el procesamiento de datos
    ▪ Datos disponibles mínimos o nulos
    ▪ Conjunto de datos pequeño y estructurado
    ▪ Pequeña cantidad de datos específicos del dominio disponibles
    ▪ Cualquier proyecto de nivel 1
    ▪ Carga de trabajo de inteligencia artificial analítica personalizada mediante servicios de Azure AI
    ▪ Aplicación de chat de IA generativa personalizada sin Generación Aumentada por Recuperación (RAG) en Azure AI Foundry
    ▪ Aplicación de aprendizaje automático personalizada con entrenamiento de modelos automatizados
    ▪ Ajuste de un modelo de IA generativa
    Nivel 3 ▪ Competencia en ingeniería rápida
    ▪ Competencia en la selección del modelo de IA, la fragmentación de datos y el procesamiento de consultas
    ▪ Competencia en el preprocesamiento, limpieza, división y validación de datos
    ▪ Datos de base para la indexación
    ▪ Grandes cantidades de datos empresariales históricos disponibles para el aprendizaje automático
    ▪ Pequeña cantidad de datos específicos del dominio disponibles
    ▪ Cualquier proyecto de nivel 1 a 2
    ▪ Aplicación de IA generativa con RAG en Azure AI Foundry
    ▪ Entrenamiento e implementación de un modelo de Machine Learning
    ▪ Entrenamiento y ejecución de un modelo de inteligencia artificial pequeño en Azure Virtual Machines
    Nivel 4 ▪ Conocimientos avanzados de inteligencia artificial y aprendizaje automático, incluida la administración de infraestructuras
    ▪ Competencia en el control de flujos de trabajo complejos de entrenamiento de modelos de IA
    ▪ Experiencia con orquestación, pruebas comparativas de modelos y optimización del rendimiento
    ▪ Aptitudes sólidas para proteger y administrar puntos de conexión de inteligencia artificial
    ▪ Grandes cantidades de datos disponibles para el entrenamiento ▪ Cualquier proyecto de nivel 1 a 3
    ▪ Entrenamiento y ejecución de aplicaciones de inteligencia artificial generativas o no generativas en máquinas virtuales, Azure Kubernetes Service o Azure Container Apps
  2. Realice un inventario de los recursos de datos y evalúe su calidad para los casos de uso de inteligencia artificial. La calidad de los datos afecta directamente al rendimiento del modelo de IA y determina qué casos de uso puede implementar correctamente. Este inventario revela los requisitos de preparación de datos y ayuda a priorizar los casos de uso en función de los datos disponibles. Documente orígenes de datos, formatos, calidad y accesibilidad en toda la organización.

  3. Revise la infraestructura tecnológica y determine los requisitos de preparación de la inteligencia artificial. La capacidad de infraestructura restringe el ámbito del proyecto de inteligencia artificial e influye en las estrategias de implementación. Esta revisión le ayuda a planear las inversiones en infraestructura y a seleccionar los servicios de Azure adecuados. Evalúe los recursos de proceso, la capacidad de almacenamiento, el ancho de banda de red y los controles de seguridad necesarios para los casos de uso de inteligencia artificial de destino.

Adquisición de aptitudes de IA

Una estrategia completa de creación de funcionalidades garantiza que su organización tenga las aptitudes necesarias para implementar y mantener correctamente los sistemas de inteligencia artificial. Las brechas de aptitudes crean retrasos en el proyecto y aumentan el riesgo de errores de implementación. Debe desarrollar un enfoque multifacético que combine formación, contratación y asociaciones para crear capacidades de inteligencia artificial sostenibles. A continuación se muestra cómo hacerlo:

  1. Desarrolle aptitudes internas de inteligencia artificial a través de programas de aprendizaje estructurado. El desarrollo interno de aptitudes proporciona la creación de funcionalidades a largo plazo y garantiza la retención de conocimientos dentro de su organización. Este enfoque crea la confianza de la organización y reduce la dependencia de los recursos externos. Use la plataforma del centro de aprendizaje de IA para obtener instrucciones gratuitas sobre aprendizaje artificial, certificaciones y productos. Establezca objetivos de certificación, como Azure AI Fundamentals, Azure AI Engineer Associate y Azure Data Scientist Associate certifications.

  2. Reclute a profesionales de inteligencia artificial para llenar las brechas críticas de aptitudes más allá de la capacidad interna. La contratación externa proporciona acceso inmediato a conocimientos especializados y acelera las escalas de tiempo del proyecto. Esta estrategia ayuda a rellenar las lagunas que tardarían demasiado tiempo en desarrollarse internamente. Contrata expertos en desarrollo de modelos, inteligencia artificial generativa o ética de ia. Actualice las descripciones del trabajo para reflejar las necesidades actuales de las aptitudes y crear una marca de empleador que resalte la innovación y el liderazgo técnico.

  3. Asociarse con expertos de Microsoft para complementar sus funcionalidades de inteligencia artificial. Las asociaciones de Microsoft proporcionan acceso a conocimientos probados y procedimientos recomendados del sector, a la vez que reducen el riesgo de implementación. Este enfoque acelera el aprendizaje y garantiza la alineación con las tecnologías de inteligencia artificial de Microsoft. Utilice el Marketplace de socios de Microsoft para acceder a inteligencia artificial (IA), datos y servicios de Azure en todos los sectores industriales.

Acceso a recursos de IA

Los requisitos de acceso claros y las estrategias de licencias impiden los retrasos en la implementación y garantizan el cumplimiento de las directivas organizativas. Las diferentes soluciones de inteligencia artificial tienen patrones de acceso distintos que afectan al costo, la seguridad y la gobernanza. Debe comprender los requisitos de acceso específicos de cada solución de inteligencia artificial de su cartera para planear los presupuestos y los controles de seguridad de forma eficaz. A continuación se muestra cómo hacerlo:

Solución de Inteligencia artificial de Microsoft Cómo obtener acceso
Copiloto de Microsoft 365 Requiere una licencia empresarial o empresarial de Microsoft 365 con una licencia de Copilot adicional. Consulte Microsoft 365 Copilot.
Microsoft Copilot Studio Requiere una licencia independiente o una licencia de complemento. Consulte Microsoft Copilot Studio.
Copilots en el producto Requiere acceso al producto principal. Consulte GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric y Azure.
Copilotos basados en roles Requiere requisitos de acceso específicos. Consulte Agentes basados en roles para Microsoft 365 Copilot y Microsoft Copilot for Security.
Servicios de Azure Requiere una cuenta de Azure. Incluye Azure AI Foundry y Azure OpenAI.

Priorizar los casos práctico de IA

La priorización estratégica garantiza que los recursos se centren en los proyectos que ofrecen el valor máximo a la vez que coinciden con sus funcionalidades organizativas. La priorización de casos de uso reduce el riesgo de implementación y acelera el tiempo de valor. Debe evaluar cada caso de uso con respecto a la viabilidad, el valor estratégico y los requisitos de recursos para crear una hoja de ruta de implementación factible. A continuación se muestra cómo hacerlo:

  1. Evalúe los casos de uso con respecto a la madurez actual de la inteligencia artificial y los recursos disponibles. La evaluación realista evita la sobrecarga de los proyectos más allá de las funcionalidades actuales y garantiza una implementación correcta. Esta evaluación le ayuda a centrarse en los objetivos factibles que crean impulso para proyectos futuros. Revise el nivel de madurez de la inteligencia artificial, la disponibilidad de los datos, la infraestructura técnica y la capacidad de personal para cada caso de uso definido en la estrategia de inteligencia artificial.

  2. Clasificar los casos de uso por valor estratégico y viabilidad de implementación. La clasificación estratégica le ayuda a asignar recursos limitados a proyectos con el mayor impacto potencial y probabilidad de éxito. Este enfoque maximiza la rentabilidad de las inversiones en inteligencia artificial al crear confianza de la organización. Puntue cada caso de uso en el impacto empresarial, la complejidad técnica, los requisitos de recursos y la alineación con los objetivos de la organización.

  3. Cree una hoja de ruta de implementación prioritaria con criterios claros de éxito. Una hoja de ruta estructurada proporciona una dirección clara para los equipos de implementación y permite el seguimiento de progreso en los hitos definidos. Esta hoja de ruta ayuda a administrar las expectativas de las partes interesadas y la asignación de recursos. Seleccione los casos de uso de prioridad superior y defina métricas de éxito específicas, escalas de tiempo y requisitos de recursos para cada proyecto.

Validación de conceptos mediante pruebas de conceptos

La prueba de conceptos reduce el riesgo de implementación validando la viabilidad técnica y el valor empresarial antes del desarrollo a escala completa. Los poC ayudan a identificar posibles desafíos y refinar los requisitos en un entorno controlado. Debe crear proyectos de validación centrados que prueben las suposiciones básicas y recopilen datos para la toma de decisiones fundamentada. A continuación se muestra cómo hacerlo:

  1. Seleccione un caso de uso adecuado para la validación de prueba de concepto. La selección correcta de PoC equilibra las oportunidades de aprendizaje con riesgo y complejidad gestionables. Esta selección garantiza la recopilación de información significativa sin sobrecargar a su equipo u organización. Elija un proyecto de alto valor de la lista prioritaria que coincida con el nivel de madurez de la inteligencia artificial. Comience con proyectos internos y no orientados al cliente para limitar el riesgo y probar su enfoque.

  2. Implemente una prueba de concepto centrada con las instrucciones y herramientas de Microsoft. La implementación estructurada reduce el tiempo de desarrollo y garantiza que sigue prácticas probadas para el enfoque de inteligencia artificial elegido. Este enfoque maximiza el aprendizaje al minimizar la inversión de recursos. Use las siguientes guías de implementación en función del tipo de IA:

    Tipo de IA Guía de implementación
    Inteligencia artificial generativa PaaS de Azure: Azure AI Foundry y Azure OpenAI

    Microsoft Copilots: Copilot Studio y la extensibilidad de Copilot de Microsoft 365
    Machine Learning Azure Machine Learning
    Inteligencia artificial analítica Servicios de Azure AI con guías específicas para la seguridad de contenido, Custom Vision, Document Intelligence y otros servicios
  3. Use los resultados de poC para refinar el enfoque de implementación y priorización de casos de uso. Las conclusiones de PoC revelan desafíos y oportunidades prácticos que informan la futura planificación de proyectos y asignación de recursos. Este bucle de retroalimentación garantiza que la hoja de ruta de inteligencia artificial permanezca realista y factible. Se muestran las lecciones aprendidas, los desafíos técnicos y el valor empresarial. Ajuste las prioridades de los casos de uso en función de la viabilidad probada y el impacto medido.

Establecimiento de prácticas de inteligencia artificial responsables

Las prácticas de inteligencia artificial responsable protegen a su organización frente a riesgos éticos, legales y de reputación, a la vez que garantizan que los sistemas de inteligencia artificial se alineen con los valores de la organización. La integración temprana de los principios de inteligencia artificial responsable evita costosos rediseños y crea confianza en las partes interesadas. Debe insertar consideraciones éticas, marcos de gobernanza y medidas de seguridad en el plan de implementación desde el principio. A continuación se muestra cómo hacerlo:

  1. Use herramientas de planeación de inteligencia artificial responsable para evaluar posibles impactos y diseñar sistemas éticos. Las herramientas de evaluación sistemática ayudan a identificar posibles riesgos y a garantizar que los sistemas de inteligencia artificial cumplan los estándares éticos y los requisitos normativos. Estas herramientas proporcionan enfoques estructurados para consideraciones éticas complejas. Use la plantilla de evaluación de impacto en la inteligencia artificial, Human-AI eXperience Toolkit y el modelo de madurez de IA responsable para guiar el proceso de planificación.

  2. Implemente marcos de gobernanza de inteligencia artificial para guiar las decisiones del proyecto y supervisar el comportamiento del sistema. Los marcos de gobernanza proporcionan criterios de toma de decisiones coherentes y garantizan la responsabilidad en los proyectos de inteligencia artificial. Estos marcos ayudan a las organizaciones a mantener el control sobre el desarrollo y la implementación de inteligencia artificial. Establecer directivas que abarquen roles, responsabilidades, requisitos de cumplimiento y estándares éticos. Consulte Gobernanza de la inteligencia artificial para obtener instrucciones detalladas sobre la implementación de la gobernanza.

  3. Aplique los procedimientos recomendados de seguridad y operaciones de inteligencia artificial a lo largo del ciclo de vida de la implementación. La seguridad y la excelencia operativa garantizan que los sistemas de inteligencia artificial sigan siendo confiables, seguros y rentables a lo largo de su ciclo de vida. Estas prácticas impiden incidentes de seguridad y errores operativos. Implemente marcos de operaciones de inteligencia artificial como GenAIOps o MLOps para el seguimiento de la implementación y la supervisión del rendimiento. Consulte Administración de inteligencia artificial y inteligencia artificial segura para obtener instrucciones detalladas sobre la implementación.

Estimación de las escalas de tiempo de entrega

La estimación realista de la escala de tiempo permite una planificación eficaz de los recursos y la administración de las partes interesadas, a la vez que garantiza el éxito del proyecto. La precisión de la escala de tiempo depende de la complejidad del proyecto, la madurez de la organización y la disponibilidad de los recursos. Debe basar las estimaciones de escala de tiempo en los datos empíricos de sus pruebas de concepto y las capacidades de la organización. A continuación se muestra cómo hacerlo:

  1. Use los resultados de prueba de concepto para calcular las escalas de tiempo de implementación para cada caso de uso. Los datos de PoC proporcionan estimaciones de línea de base realistas que tienen en cuenta las capacidades y restricciones específicas de la organización. Este enfoque genera escalas de tiempo más precisas que las estimaciones teóricas. Tiempo de desarrollo de documentos, ciclos de pruebas e complejidad de implementación observados durante la implementación de poC.

  2. Tenga en cuenta los factores de madurez y complejidad de la organización en el planeamiento de la escala de tiempo. Las diferentes soluciones de inteligencia artificial tienen escalas de tiempo de implementación características que varían en función de la preparación de la organización y el ámbito del proyecto. Esta comprensión ayuda a establecer las expectativas adecuadas con las partes interesadas. Microsoft Copilots normalmente proporciona las escalas de tiempo más cortas para la rentabilidad de la inversión (días a semanas), mientras que las cargas de trabajo personalizadas de Azure AI requieren varias semanas a meses para alcanzar la preparación de producción.

  3. Incluye tiempo adicional para el aprendizaje, las iteraciones y los desafíos inesperados. Los proyectos de inteligencia artificial suelen encontrar desafíos técnicos imprevistos y requieren varias iteraciones para lograr los resultados deseados. El tiempo de reserva evita la presión en la programación que podría poner en peligro la calidad o las consideraciones éticas. Agregue entre 20 a 30% de tiempo de contingencia a las estimaciones iniciales y planifique múltiples ciclos de desarrollo.

Recursos de Azure

Categoría Herramienta Descripción
Aprendizaje y certificación centro de aprendizaje de IA Proporciona formación gratuita de inteligencia artificial, certificaciones e instrucciones de producto para el desarrollo de aptitudes.
Evaluación y planificación Plantilla de evaluación del impacto en la IA Evalúa los efectos sociales, económicos y éticos de las iniciativas de inteligencia artificial
Plataforma de desarrollo Azure AI Foundry Plataforma completa para compilar e implementar aplicaciones de IA generativas
Entrenamiento del modelo Azure Machine Learning Administración del ciclo de vida y la implementación de modelos de aprendizaje automático de un extremo a otro
Servicios de IA Servicios de Azure AI Funcionalidades de inteligencia artificial pregeneradas para la visión, la voz, el lenguaje y la toma de decisiones
Inteligencia artificial conversacional Microsoft Copilot Studio Plataforma para crear agentes y bots de chat personalizados de inteligencia artificial conversacional
Red de asociados Marketplace de asociados de Microsoft Acceso a asociados certificados con inteligencia artificial, datos y conocimientos de Azure

Paso siguiente

Complete la planeación de la adopción de la inteligencia artificial mediante el establecimiento de la base técnica para la implementación. En el caso de las cargas de trabajo de IA personalizadas con Azure, vaya a AI Ready (Listo para configurar el entorno técnico). Para la adopción de Microsoft Copilot, avance hacia la gobernanza de inteligencia artificial para establecer la supervisión organizacional.