Matriz de priorización de casos de uso de IA

La pregunta no es si la inteligencia artificial sirve para tu operación, sino por cuál de las diez cosas que se te ocurren conviene empezar. Esta matriz puntúa cada candidato en cuatro ejes y devuelve un número con un corte, para que la discusión deje de resolverse por quién habla más fuerte en la junta.

Puntos clave

• Sin escalas escritas, cada persona puntúa con la suya y la matriz no compara nada.
• La sensibilidad del dato divide, no suma: un caso muy sensible cae aunque el impacto sea alto.
• Las horas al mes se estiman con quien hace el trabajo, no con dirección. Es el número que más se infla desde arriba.

¿Qué mide y cómo puntúa?

Cuatro ejes de 1 a 5, con la definición de cada nivel en su propia pestaña. El puntaje sale de multiplicar lo que juega a favor y dividir entre lo que juega en contra:

puntaje = impacto × calidad del dato ÷ (esfuerzo × sensibilidad) × 2

Los cortes: 6 o más se hace ya, entre 3 y 6 va a piloto acotado, menos de 3 se revisa en seis meses. La hoja trae cinco ejemplos resueltos que van de 8.0 a 0.6, para ver cómo se comporta la fórmula antes de meter los tuyos.

Caso de ejemplo	Impacto	Esfuerzo	Sensibilidad	Calidad	Puntaje
Clasificar correos entrantes	4	2	2	4	8.0
Resumir llamadas al CRM	3	2	2	4	6.0
Redactar borradores de propuestas	4	3	2	3	4.0
Responder dudas de facturación	3	4	5	2	0.6

El último es el que más enseña. En una junta suena excelente: noventa consultas al mes, dieciocho horas de trabajo. La matriz lo manda al fondo porque toca datos financieros con información que además está mal estructurada. No dice que sea imposible; dice que primero es una conversación con legal y una limpieza de datos, no un proyecto de IA.

¿Por qué la calidad del dato pesa tanto?

Porque es la diferencia entre un proyecto de tres semanas y uno de seis meses. Un caso con impacto alto y datos dispersos, sin dueño y con duplicados no está listo: lo que se contrata como automatización termina siendo un saneamiento de información con un modelo encima.

Si varios de tus casos puntúan bajo por esta columna, la conclusión no es que la IA no aplique. Es que el trabajo que toca primero es otro, y está descrito en cómo limpiar los datos de tu CRM.

¿Cómo se llena sin que se vuelva un ejercicio de opinión?

Con las escalas a la vista. La pestaña Escalas define qué es un 1, un 3 y un 5 en cada eje, y sin ella la matriz no compara nada: dos personas puntúan el mismo caso con cuatro puntos de diferencia y el orden final refleja quién llenó la hoja, no qué conviene hacer.

La otra columna delicada es horas al mes hoy. Se estima preguntándole al equipo que hace el trabajo. Es sistemáticamente el número que más se infla cuando lo calcula dirección, y como entra en el impacto, arrastra todo el orden.

Cuando ya tengas el primer caso aprobado, lo siguiente es escribir qué debe hacer exactamente y qué no: eso es la ficha de especificación de un agente.

Preguntas frecuentes

¿Por qué la fórmula divide entre la sensibilidad del dato?

Porque un caso de uso que toca datos personales o financieros no se vuelve buena idea por ser rentable. Al dividir, la sensibilidad castiga el puntaje en lugar de sumarse como un factor más, y un caso muy sensible cae al fondo aunque su impacto sea alto.

¿Qué cuenta como un caso de uso y qué no?

Un caso de uso nombra una tarea concreta con un verbo. «Redactar el primer borrador de propuestas» es un caso de uso; «usar IA en ventas» es un área. Si no puedes estimar cuántas veces al mes ocurre, todavía no es un caso de uso y no se puede puntuar.

¿Para qué sirve puntuar la calidad del dato?

Para no empezar por donde no se puede terminar. Un caso con impacto alto y datos dispersos, sin dueño y con duplicados no está listo: el proyecto se convierte en una limpieza de datos disfrazada. La matriz lo empuja hacia abajo para que primero se arregle el dato.