La IA asumió disponibilidad completa incorrecta. El director ajusta el cronograma para reflejar la disponibilidad real, documenta los supuestos corregidos y usa el plan ajustado como baseline.
Revisar la lista completa con el equipo, conservar los riesgos relevantes, descartar los irrelevantes y agregar riesgos específicos del sector salud que la IA no identificó.
El PMBOK 8 trata la IA como tema transversal que atraviesa todos los dominios de desempeño, con énfasis en uso responsable, supervisión humana, transparencia y accountability.
CPI incorrecto detectado en el informe: corregir el valor, revisar si hay otras inconsistencias y enviar el informe corregido al comité directivo.
B — alucinaciones. C — sesgos en datos de entrenamiento. E — exposición de información confidencial al ingresar datos en herramientas externas.
Antes de usar la herramienta con datos de historial crediticio: verificar si cumple la regulación de protección de datos, las políticas internas del banco y los acuerdos de confidencialidad con los clientes.
Incorrectas: distribuir acta con acuerdos incorrectos sin leer (✗) · aceptar recomendación de cierre sin análisis propio (✗) · cargar contrato en IA pública (✗).
Sesgo identificado: modelo entrenado con datos de solo el 23% de la base de clientes. Documentar como riesgo del producto, incluirlo en el backlog con prioridad e informar al Product Owner.
1. Revisar la recomendación y verificar que los datos son correctos → 2. Evaluar el impacto de la reasignación → 3. Tomar la decisión con criterio propio → 4. Implementar si se aprueba → 5. Documentar la decisión.
La alerta está basada en datos desactualizados. Actualizar los datos, confirmar que la proyección corregida refleja las 4 semanas reales y comunicar el estado correcto al patrocinador.
En proyectos regulados, el uso de sistemas automatizados puede requerir validación regulatoria específica. Evaluar si el uso propuesto cumple ese requisito antes de autorizar la herramienta.
Alucinación (1) = información plausible pero incorrecta (C) · Sesgo algorítmico (2) = resultados sistemáticamente incorrectos por datos de entrenamiento (A) · Dependencia excesiva (3) = pérdida de razonamiento independiente (B) · Falta de explicabilidad (4) = no se puede justificar el razonamiento (D).
Las estimaciones son un buen punto de partida, pero fueron validadas contra el contexto específico del proyecto antes de aceptarse como baseline.
Procesamiento de datos de menores de edad en servidores internacionales: verificar si cumple la legislación de protección de datos del país, requisitos de soberanía de datos y contratos de confidencialidad.
Precisión del 94% con falta de explicabilidad: evaluar si cumple los requisitos regulatorios y si el 6% de errores puede generar consecuencias legales. Incorporar un módulo de explicabilidad o evaluar un modelo alternativo.
El director de proyectos es responsable de verificar la precisión del análisis antes de presentarlo al comité. El accountability no se transfiere a la herramienta de IA.
Suspender inmediatamente el uso de la herramienta, evaluar qué información fue procesada, verificar si viola políticas de confidencialidad o regulaciones, y establecer lineamientos formales.
B — las decisiones con impacto significativo requieren revisión y aprobación humana; D — el accountability del director no se transfiere a ninguna herramienta.
Antes de presentar el análisis al comité de control de cambios: revisar los datos de entrada, validar las cifras clave contra el plan del proyecto y confirmar que el impacto estimado es razonable.
Usar la IA para generar un borrador inicial basado en datos del proyecto, y complementarlo con una sesión de revisión del equipo para agregar el aprendizaje experiencial.
Establecer con el equipo que las recomendaciones generadas con IA deben ser revisadas y validadas antes de presentarlas al cliente, y definir con transparencia el nivel de asistencia de IA que se usará.
Borrador de agenda (1) → el PM revisará antes de usar ✓. Aprobar reasignación de equipo (2) → requiere decisión humana ✗. Resumen de riesgos para revisión del PM (3) → supervisión incorporada ✓. Recomendar cierre anticipado (4) → impacto en interesados, requiere decisión humana ✗.
Antes de presentar al directorio un análisis de viabilidad con supuestos no trazables: identificar y validar los supuestos que sustentan el ahorro del 18% antes de usar el análisis como base presupuestaria.
Lección aprendida: el equipo desarrolló una dependencia excesiva en la herramienta de IA, perdiendo la capacidad de razonar de forma independiente.
Caso integrado: Sistema de aprobación de créditos con IA, Colombia.
Tasa de error tres veces mayor para clientes rurales puede constituir discriminación crediticia. Sofía debe condicionar el lanzamiento a resolver el sesgo antes de ir a producción.
La Superintendencia Financiera exige trazabilidad. Incorporar un módulo de explicabilidad o evaluar un modelo alternativo más interpretable.
Datos del período de crisis pueden haber introducido sesgos históricos. Documentar el riesgo, evaluar el impacto con el equipo de ciencia de datos y determinar si es necesario reentrenar o ponderar diferente ese período.