Cuando, a mediados de los años ochenta, los ordenadores personales comenzaron a colarse en las oficinas, las empresas reaccionaron con una mezcla de fascinación y escepticismo. Quienes apostaron pronto por la novedad aprendieron rápido que el rendimiento real no provenía de la máquina, sino de la disciplina que se construía a su alrededor: procesos, métricas, cultura, estrategia. Algo similar está ocurriendo con la inteligencia artificial generativa. Los chatbots que establecen conversaciones con nuestros clientes y las imágenes que se crean con una frase parecen magia, pero, como toda magia, solo se convierte en ventaja cuando se domina el arte detrás del truco.

Una cifra basta para ilustrar la velocidad de la ola: el 71 % de las organizaciones declara usar GenAI de forma regular en al menos una función de negocio, según la última encuesta global de McKinsey publicada en marzo de 2025  .  No se trata ya de “probar” un modelo, sino de integrarlo en marketing, servicio al cliente o desarrollo de productos. Sin embargo, Gartner advierte que la mayoría de las compañías todavía se mueve en los peldaños iniciales de madurez, sobre todo por el gobierno de datos, arquitectura y cultura  .  En otras palabras: estamos adoptando rápidamente la herramienta, pero no siempre la disciplina que asegura su retorno.

Cinco posibles luces en el tablero de un equipo GenAI

A la hora de evaluar esa disciplina, proponemos imaginar un tablero de vuelo con cinco indicadores luminosos que se encienden —o parpadean— según el desempeño del equipo:

1. Capacidad técnica de GenAI.
   Aquí medimos cuán ágilmente el equipo experimenta con modelos, afina prompts y evalúa resultados. Un síntoma de madurez es ir reduciendo paulatinamente el time-to-model* cuando surge una hipótesis de negocio.
2. Prácticas Ágiles y Flujo.
   La IA generativa puede acelerar los flujos de trabajo, pero su despliegue se atasca si los cimientos de entrega siguen siendo rígidos. Adaptar las métricas DORA —frecuencia de despliegue, lead time, tasa de fallos, MTTR— a un pipeline con modelos y datos es un paso ineludible.
3. Entrega de valor.
   Un feature no es valor hasta que impacta a personas reales. Los equipos que sobresalen vinculan cada iteración a un KPI de negocio claro: tiempo ahorrado, ingresos incrementales, reducción de errores humanos.
4. Cultura y colaboración.
   La seguridad psicológica —ese permiso tácito para equivocarse y aprender— es combustible para la experimentación. Sin ella, la IA se vuelve un juguete caro que pocos se atreven a tocar.
5. Contexto y sostenibilidad.
   La mejor solución genAI se desmorona si el dominio al que sirve no la adopta o si el uso infringe principios éticos. Por eso, la transferencia de conocimiento y la protección de datos personales son parte integral de la madurez.

Dimensión	Pregunta clave que responde	Señal de madurez alta
GenAI Técnica	¿Podemos entrenar, refinar y evaluar modelos con agilidad?	Experimentación continua y time-to-model *< 24 h
Prácticas Ágiles y Flujo	¿Entregamos de forma predecible y de calidad?	DORA adaptado: deploy diarios y < 5 % change failure
Entrega de Valor	¿Liberamos impacto medible, no solo “features”?	KPI de negocio ligado a cada iteración
Cultura & Colaboración	¿Existe seguridad psicológica y aprendizaje sistemático?	Retro-checks mensuales + presupuesto explícito para I+D
Contexto & Sostenibilidad	¿La solución escala éticamente y se integra al dominio?	Evidencia de transferencia de conocimiento y reuse

(*) Detallaremos el time-to-model más adelante.

Los cinco peldaños de progreso

Quien haya pasado por un plan de mejora sabe que las etiquetas importan porque orientan el lenguaje de las decisiones. Una posible visión a iterar es la adaptada —y simplificada— a la lógica de CMMI en cinco peldaños:  

1. Explorador – Hacks y demos dispersos, sin métricas.
2. Estructurado – Flujos básicos repetibles; primeros indicadores.
3. Estandarizado – Procesos y roles definidos, tablero de métricas vivo.
4. Optimizado – Mejora continua basada en datos, predictive analytics operando.
5. Innovador – Equipo autónomo que marca tendencias y comparte best practices fuera de la organización.

(Inspirado en las curvas de madurez de Gartner y la distinción “managed vs. optimizing” del CMMI )

El Explorador vive de “pruebas de concepto”; el Estructurado repite algunos flujos; el Estandarizado documenta todo lo crítico; el Optimizado mide y ajusta en ciclos cortos; y el Innovador no solo innova para la propia organización, sino que comparte best practices con la comunidad.

Lo relevante no es la etiqueta en sí, sino la conversación que provoca: ¿por qué seguimos en el nivel dos si cargamos con meses de experimentación exitosa? Tal vez porque carecemos de métricas, o porque ningún equipo tiene una cuota semanal para refactorizar prompts.

Por qué importa el Time-to-Model (TtM)

Time-to-Model (TtM) es el intervalo que transcurre desde que surge una hipótesis de negocio o necesidad de producto basada en IA hasta que existe un modelo entrenado, evaluado y listo para integrarse en un entorno de pruebas (o producción piloto).

En ese sentido, time-to-model es al desarrollo de IA lo que el lead time es al software tradicional: el termómetro que indica qué tan rápido puede tu equipo transformar una idea en un modelo que empiece a generar aprendizaje y, finalmente, valor. Una forma de medirlo podría ser:

1. Marca de inicio
   • Puede ser la creación de la historia de usuario, el ticket de experimentación o el commit inicial que define el nuevo experimento.
2. Marca de cierre
   • El momento en que el modelo está empaquetado (p. ej., en un artefacto reproducible), pasa las pruebas de validación y está disponible en el repositorio de modelos o en el pipeline de inferencia.

Es importante entender que si tu equipo hace “continuous training”, la métrica se aplica a cada ciclo de retraining.

Importancia:

• Agilidad de aprendizaje: cuanto menor sea el TtM, más rápido puedes validar o descartar hipótesis y liberar valor.
• Ventaja competitiva: acortar semanas a días permite iterar antes que la competencia y capturar feedback real.
• Eficiencia operativa: revela cuellos de botella en datos, infraestructura o aprobaciones que, de otro modo, pasan desapercibidos.

Buenas prácticas para reducirlo:

• Automatizar el pipeline (CI/CD/MLOps) para que el entrenamiento y la validación se disparen con un solo commit.
• Usar datos “listos para IA” mediante feature stores o catálogos versionados.
• Aprovechar modelos base pre-entrenados y fine-tuning incremental.
• Políticas de gobierno claras que eliminen fricciones en aprobaciones de seguridad y compliance.

Visión General:
Métricas que dan oxígeno (y las que quitan aire)

Un error frecuente es suponer que, por ser IA, el éxito se reduce a la precisión de un modelo.  Esa métrica —útil, sí— necesita un espejo operativo y un espejo de negocio.  En el primer espejo se reflejan los abdominales de la entrega continua: lead time, tasa de fallos, MTTR.  En el segundo, los músculos estratégicos: usuarios activos, ahorro de horas, incremento de ingresos.  Cuando ambos espejos muestran coherencia, la foto global adquiere nitidez.

Métrica	Qué mide	Indicador de alto desempeño*
Frecuencia de despliegue (Deployment Frequency)	Cuántas veces se pone en producción (o en un entorno de referencia) código listo para uso.	Varias veces al día (equipos “Elite”).
Tiempo de entrega de cambios (Lead Time for Changes)	Tiempo desde que un cambio entra al control de versiones → hasta que se ejecuta en producción.	< 1 día.
Tasa de fallos al cambiar (Change Failure Rate)	Porcentaje de despliegues que causan incidentes, revertidos o requieren hot-fix.	≤ 15 %.
Tiempo medio de recuperación (Mean Time to Restore/Repair, MTTR)	Duración promedio para restaurar el servicio tras un fallo en producción.	< 1 hora.

(*) Los valores “Elite” provienen del último State of DevOps Report de Google/DORA; actúan simplemente como referencia.

Un ritmo trimestral para respirar y avanzar

He visto evaluaciones de madurez que consumen más energía de la que generan.  Para evitarlo, proponemos un ritmo de noventa días.  La primera semana se capturan datos automáticos y se lanza una encuesta de salud al equipo.  La segunda se mapean brechas y tendencias en una sesión franca, cara a cara.  La tercera se pacta un breve plan de mejora: tres acciones, responsables claros, métricas-objetivo.  Y luego, manos a la obra.

Así, la evaluación deja de ser auditoría estática y se convierte en respiración: inhalo datos, exhalo mejoras.

Pequeñas victorias que se pueden conseguir mañana

• Conectar el pipeline CI/CD a un tablero que calcule en tiempo real el lead time de entrega de un nuevo modelo.
• Instituir un “AI Tech Friday” en el que el equipo comparta aprendizajes de prompt engineering.
• Catalogar los casos de uso existentes y vincular cada uno con un KPI de negocio negociado con quien patrocina el proyecto. 

Son gestos simples, de bajo costo, pero altos en señal: comunican que la experimentación no es azarosa; sigue un método.

De la moda al modelo

Al final del día, la pregunta no es si adoptaremos GenAI —esa ola ya nos alcanzó—, sino cómo la convertiremos en ventaja sostenible.  Eso requiere más que invertir en GPU o contratar prompt engineers estrella.  Requiere un marco transparente que permita al equipo mirar su propio reflejo y decidir, con datos y propósito, el siguiente paso.  Quien domina ese hábito no solo juega bien la partida presente: aprende a reinventar el juego cuando el tablero cambie.

En itera llevamos años ayudando a los equipos a recorrer ese camino; hemos comprobado que el “sexto sentido” de la experiencia nace, en realidad, de prácticas bien cimentadas y revisadas con rigor.  Si tu organización siente que programa modelos pero no remueve inercias, quizás sea hora de alumbrar el tablero de madurez y pilotar con instrumentos fiables.

¿Conversamos? La próxima innovación empieza por medir lo que importa.