Los siete patrones de IA: no todos los proyectos persiguen lo mismo
Otro concepto que me está resultando interesante durante la formación es la clasificación de soluciones en siete patrones de IA.
La idea es bastante sencilla y la mencionaba al describir las fases CPMAI: antes de seleccionar tecnologías o algoritmos, conviene comprender qué tipo de problema queremos resolver.
Los 7 patrones que identifica CPMAI, son:
- Interacción conversacional y humana: sistemas capaces de interactuar mediante lenguaje natural, como asistentes virtuales o chatbots.
- Reconocimiento: soluciones que identifican o extraen información de imágenes, documentos, voz u otros contenidos.
- Patrones y anomalías: identificación de comportamientos inusuales o relaciones difíciles de detectar mediante reglas convencionales.
- Analítica predictiva y soporte a la decisión: utilización de información histórica para anticipar situaciones o facilitar decisiones.
- Hiperpersonalización: adaptación de contenidos, productos o recomendaciones al contexto de cada usuario.
- Sistemas autónomos: soluciones capaces de actuar sobre su entorno con distintos grados de autonomía.
- Sistemas guiados por objetivos: sistemas que buscan alcanzar un resultado definido teniendo en cuenta determinadas restricciones, como problemas de planificación u optimización.
Un mismo proyecto puede incorporar varios patrones, y lo realmente interesante es que esta clasificación nos ayuda a razonar sobre la naturaleza de la solución y a anticipar necesidades de datos, riesgos y complejidad.
Por ejemplo, no tiene las mismas implicaciones desarrollar un asistente conversacional para resolver dudas sobre productos que un sistema autónomo capaz de tomar decisiones con consecuencias operativas.
Ambos pueden utilizar IA, pero sus necesidades de validación, seguridad y supervisión serán diferentes.
La certificación PMI-CPMAI: cómo se organiza el examen
Hasta aquí he hablado de metodología. Pero conviene diferenciarla de la certificación profesional que acredita conocimientos para gestionar proyectos IA mediante este enfoque.
En septiembre de 2025, PMI publicó el Examination Content Outline de PMI-CPMAI, que estructura el examen en cinco dominios de conocimiento.
Cada dominio agrupa una serie de tareas profesionales y, para cada tarea, el documento incorpora ejemplos de actividades concretas, denominadas enablers.
En conjunto, son 37 tareas distribuidas en cinco dominios.
Hay un dato que me ha llamado especialmente la atención cuando he revisado esta distribución.
Los dominios relacionados con las necesidades de negocio y de datos representan conjuntamente el 52 % del contenido evaluado.
Es decir, más de la mitad del examen se concentra en aspectos que debemos resolver antes de desarrollar propiamente el modelo o que condicionan directamente su viabilidad.
Para quienes venimos de gestión de proyectos y análisis de negocio, esta distribución resulta bastante significativa, ya que nos recuerda que gestionar un proyecto IA implica mucho más que coordinar especialistas técnicos o supervisar el desarrollo de algoritmos.
Implica comprender necesidades, evaluar alternativas, establecer criterios de éxito, gestionar interesados, comprobar la disponibilidad de datos y ayudar a tomar decisiones cuando la información disponible todavía es insuficiente.
No significa que la parte técnica sea secundaria, sino que necesita apoyarse en decisiones de negocio correctamente fundamentadas.
También hay que tener cuidado con una posible confusión: los cinco dominios del examen no son equivalentes a las seis fases de la metodología.
Los dominios organizan los conocimientos y responsabilidades que se evalúan, mientras que las fases describen cómo se desarrolla el trabajo en un proyecto.
De hecho, un dominio como el de IA responsable y confiable tiene implicaciones durante todo el ciclo de vida, desde la definición inicial del problema hasta la operación de la solución.
Formación y características del examen
La preparación oficial se organiza mediante un curso de 21 horas, distribuido en siete módulos.
El primero introduce la necesidad de un enfoque específico para gestionar proyectos IA. Los seis módulos restantes recorren las fases de CPMAI.
Completar este curso es requisito obligatorio para poder presentarse al examen, aunque no se exige experiencia profesional previa específica ni disponer de otras certificaciones.
El examen consta de 120 preguntas, de las cuales 100 se utilizan para calcular el resultado y 20 son preguntas de prueba que no puntúan.
La duración es de 160 minutos y no hay descansos programados.
El curso permite, además, obtener 21 PDUs que pueden utilizarse para el mantenimiento de otras certificaciones PMI, conforme a sus requisitos de renovación.
En mi caso, estoy aprovechando una formación previa para profundizar en una disciplina que conecta bastante bien con áreas en las que llevo tiempo trabajando. Más allá del examen, me interesa entender cómo trasladar estos conceptos a situaciones reales dentro de las organizaciones.
La parte que más me interesa: dónde encajan proyectos, procesos y análisis de negocio
Revisando la estructura de CPMAI, creo que una de sus aportaciones más interesantes es la manera en que conecta disciplinas que, en demasiadas ocasiones, seguimos tratando por separado.
Desde el análisis de negocio necesitamos comprender el problema, identificar necesidades y determinar qué resultados justificarían la inversión.
Desde la gestión de proyectos debemos organizar el trabajo, gestionar dependencias, recursos y riesgos, y mantener la capacidad de tomar decisiones cuando aparecen resultados inesperados.
Y desde la gestión de procesos tenemos que entender cómo se incorporará la solución al funcionamiento real de la organización, qué actividades cambiarán y cómo comprobaremos que los beneficios se mantienen.
No siempre se necesitan tres profesionales distintos para cubrir estas perspectivas, ni todas las organizaciones tienen la misma estructura. Lo que sí necesitamos es que esas cuestiones estén atendidas.
Pensemos en una compañía que quiere utilizar IA para clasificar automáticamente documentación recibida de sus clientes.
Podemos desarrollar un modelo que identifique correctamente el tipo de documento con un rendimiento elevado, pero si no hemos analizado qué ocurre después de esa clasificación, qué excepciones necesitan intervención humana, cómo se registran los errores o qué áreas deben revisar los resultados, quizá terminemos automatizando una actividad aislada sin mejorar realmente el proceso.
Incluso podríamos crear nuevos puntos de control que eliminen buena parte del ahorro previsto.
Este tipo de situaciones me recuerda algo que ya he comentado en otras ocasiones: una transformación tecnológica no puede evaluarse únicamente por la solución que implantamos, sino también por lo que realmente cambia en la organización y el valor que genera ese cambio.
Y en proyectos de IA añadiría otra exigencia: comprobar que la solución sigue ofreciendo resultados aceptables después de su puesta en funcionamiento.
¿Necesitamos entonces una metodología distinta?
No creo que la cuestión sea abandonar lo que ya sabemos sobre gestión de proyectos y sustituirlo por una metodología completamente nueva cada vez que aparece una tecnología.
Muchas prácticas de CPMAI tienen puntos en común con enfoques que conocemos: gestión iterativa, validación progresiva, análisis de riesgos, gestión de interesados o evaluación del valor.
Lo que me parece útil es que nos obliga a prestar atención a aspectos específicos de los proyectos de IA que podríamos infravalorar si utilizáramos sin más nuestros esquemas habituales.
La calidad y disponibilidad de datos, la necesidad de experimentar, los límites de precisión, los sesgos, la explicabilidad o el deterioro del rendimiento del modelo son cuestiones que pueden condicionar tanto el desarrollo como su utilización posterior.
Por eso me parece interesante abordar CPMAI como un complemento a las prácticas de gestión de proyectos que ya conocemos. No como una metodología que pretenda resolver todos los problemas de un proyecto, sino como un enfoque específico para gestionar mejor las particularidades de los proyectos de inteligencia artificial.
Sigo avanzando en la preparación de PMI-CPMAI, aunque todavía me queda contenido por estudiar y, sobre todo, completar el curso oficial para poder presentarme al examen de certificación. De momento, una de las cuestiones que más me está haciendo reflexionar es hasta qué punto la madurez de una organización en la gestión de sus procesos y datos condiciona su capacidad real para desarrollar proyectos de IA.
Porque podemos tener acceso a modelos muy avanzados y, sin embargo, carecer de información fiable, procesos suficientemente definidos o criterios claros para determinar si una solución está aportando los resultados esperados.
Y eso me lleva a una pregunta con la que me gustaría cerrar esta reflexión:
¿Estamos dedicando suficiente esfuerzo a comprender los problemas y preparar nuestras organizaciones para utilizar la inteligencia artificial, o seguimos dedicando la mayor parte de la atención a las herramientas y modelos que queremos implantar?
Documentación de referencia
El contenido relativo a la metodología y la certificación se ha contrastado con documentación oficial del Project Management Institute:
- PMI-CPMAI Examination Content Outline and Specifications (septiembre de 2025). Estructura del examen, dominios, tareas, porcentajes y requisitos.
- CPMAI Methodology Overview (PMI, 2025). Descripción de las seis fases, actividades y siete patrones de IA.
- PMI-CPMAI Exam Prep Course & Certification. Información oficial del curso, módulos y certificación.