Llevo unos días profundizando en la metodología CPMAI mientras preparo la certificación PMI-CPMAI (Certified Professional in Managing AI) del Project Management Institute y, cuanto más avanzo en la formación, más me interesa una cuestión que inicialmente parecía bastante sencilla: ¿Podemos gestionar un proyecto de IA como cualquier otro proyecto tecnológico? ¿Qué hace realmente diferente la gestión de un proyecto de IA respecto a la de otros proyectos tecnológicos?

Al fin y al cabo, quienes trabajamos en gestión de proyectos estamos acostumbrados a gestionar incertidumbre, riesgos, requisitos cambiantes, dependencias tecnológicas y, por supuesto, expectativas que no siempre coinciden con la realidad.

Entonces, ¿qué tiene de particular la inteligencia artificial para necesitar una metodología específica?

La respuesta no está únicamente en la tecnología que utilizamos. Tiene mucho más que ver con la naturaleza de las soluciones que pretendemos desarrollar, la dependencia que tienen de los datos y la incertidumbre sobre los resultados que podemos conseguir. A esto se añade la necesidad de experimentar, evaluar continuamente el comportamiento de los modelos y gestionar riesgos que van más allá de los habituales en otros proyectos tecnológicos.

Y aquí es donde CPMAI empieza a resultarme especialmente interesante.

Gestionar la incertidumbre cuando la solución todavía no está clara

En un proyecto de software convencional podemos partir de unos requisitos, definir una arquitectura, desarrollar las funcionalidades necesarias y comprobar si el resultado responde a lo solicitado.

Por supuesto, estoy simplificando mucho. Sabemos perfectamente que la realidad de muchos proyectos dista bastante de ese escenario, especialmente cuando trabajamos con productos complejos o entornos de elevada incertidumbre.

Sin embargo, en un proyecto de IA aparece una incertidumbre adicional: podemos tener perfectamente identificado el problema que queremos resolver y, aun así, no saber si disponemos de los datos adecuados ni si conseguiremos desarrollar un modelo que ofrezca resultados suficientemente fiables para su aplicación real.

Imaginemos, por ejemplo, que una compañía aseguradora quiere desarrollar un modelo que ayude a identificar operaciones potencialmente fraudulentas.

Podríamos definir el objetivo de negocio, identificar a los interesados, realizar una primera estimación del presupuesto e incluso establecer una planificación inicial. Hasta aquí, nada especialmente diferente de cualquier otro proyecto.

Pero para determinar si la solución es realmente viable, necesitamos empezar a responder algunas preguntas que pueden condicionar por completo su desarrollo.

¿Tenemos información histórica suficiente? ¿Los datos están correctamente clasificados? ¿Existen criterios homogéneos para identificar operaciones fraudulentas? ¿Qué ocurre con los casos que nunca llegaron a investigarse? ¿Podemos utilizar legalmente toda esa información? ¿Qué nivel de falsos positivos puede asumir el negocio sin perjudicar la operativa?

Y, sobre todo, ¿cómo vamos a demostrar que el modelo aporta valor si todavía desconocemos qué resultados podremos obtener?

Creo que ahí aparece una de las principales diferencias.

En determinados proyectos tradicionales podemos comprometer una funcionalidad y comprobar posteriormente si se ha construido correctamente. En proyectos de IA, además, necesitamos descubrir mediante experimentación si la solución es viable y qué nivel de rendimiento podemos alcanzar.

Esto afecta a la planificación, a la estimación, a las decisiones de inversión y a la manera de gestionar las expectativas.

Porque comprometerse a desarrollar un modelo no equivale necesariamente a poder garantizar su precisión.

CPMAI: una metodología específica para proyectos de IA

CPMAI, cuyo origen está en Cognilytica y que posteriormente se incorporó al ecosistema de PMI, propone un enfoque iterativo, centrado en los datos e independiente de las tecnologías y proveedores utilizados.

Su planteamiento consiste en organizar los proyectos de IA mediante seis fases que permiten ir comprobando progresivamente la viabilidad de la solución, su comportamiento y el valor que puede generar.

No considero CPMAI como un sustituto de las prácticas que ya conocemos de gestión de proyectos. De hecho, muchas de sus propuestas resultan familiares para quienes trabajan con metodologías ágiles, desarrollo iterativo, análisis de negocio o gestión de riesgos.

Lo que aporta es una estructura adaptada a problemas donde los datos, los modelos y su comportamiento posterior introducen consideraciones que no siempre tratamos con suficiente profundidad.

Y hay otro aspecto que me parece interesante: la metodología contempla que podamos retroceder, revisar decisiones y replantear parte del trabajo cuando los resultados no son los esperados.

No se trata de completar seis fases y dar el proyecto por terminado.

Se trata de aprender durante su ejecución, utilizando ese conocimiento para decidir cómo continuar.