Llevar la IA de la fase piloto a la producción en ITSM

Así pues, de esto se trata. La mayoría de los proyectos piloto de IA en ITSM se consideran un éxito y luego no llegan a ninguna parte. Las condiciones que hacen que un proyecto piloto triunfe son las mismas que desaparecen cuando se lleva a cabo el despliegue en producción. Un proyecto piloto funciona con un alcance limitado, un equipo motivado y una supervisión estrecha, y nada de ello sobrevive al pasar a un entorno real a gran escala. Las cifras del sector lo respaldan. El estudio del MIT de 2025 titulado  «The GenAI Divide» concluyó que el 95 % de los proyectos piloto de IA empresarial no generaron ningún retorno financiero medible, y Gartner informa de una crisis de valor de la IA.

Este artículo analiza la brecha entre una prueba de concepto con éxito y algo en lo que pueda confiar el conjunto de la organización, así como qué hace falta para cerrarla, incluidos los siguientes aspectos:

• Por qué los proyectos piloto tienen éxito y los despliegues fracasan, y en qué suele consistir la brecha entre ambos
• Qué debe cumplirse en relación con los procesos, los datos y la gobernanza antes de escalar
• Cómo elaborar una justificación interna para pasar del proyecto piloto a la producción
• Cómo es un despliegue por fases y cómo gestionar el cambio organizacional que requiere

Por qué los proyectos piloto tienen éxito y los despliegues fracasan, y en qué suele consistir la brecha entre ambos

Muchísimas personas se hacen la pregunta: ¿por qué nuestro proyecto piloto tuvo éxito y, después, salió tan mal el despliegue posterior? La realidad es que no se pueden comparar ambas cosas. Los proyectos piloto se llevan a cabo en entornos controlados, seguros y aislados.

El alcance es limitado, las integraciones son reducidas y normalmente hay muchas personas implicadas en él, porque —seamos sinceros— a todo el mundo le interesa que el piloto salga bien. Otro factor que ayuda a proteger el piloto es que, en la mayoría de los casos, los datos se limitan para mantener el control y evitar que el sistema se sobrecargue.

Desplegar la IA en un entorno de producción real es una propuesta completamente diferente. La vida real no es controlada ni segura. Es desordenada y compleja, y hay mucha más variación cuando incorporamos a los usuarios finales. Dado que la IA actúa como amplificador, las cosas pueden pasar de estar controladas a volverse caóticas con muchísima rapidez.

Qué debe cumplirse en relación con los procesos, los datos y la gobernanza antes de escalar

Calidad de los datos

El éxito de cualquier implementación de AIOps depende de la calidad de los datos. Así que, si nuestros datos lo son todo, deben encontrarse en el mejor estado posible. Tenga un plan claro para establecer una línea base y gestionar sus datos, de forma que sean correctos y sigan siéndolo. Si le cuesta saber por dónde empezar, vuelva a centrarse en el valor y los resultados. Piense en el resultado empresarial que quiere obtener con su proyecto AIOps. Si el objetivo es retener a los clientes, los primeros datos que convendría analizar podrían ser las métricas de satisfacción del cliente. Si se trata de mejorar la calidad del servicio, eche un vistazo a sus datos de incidencias, problemas, solicitudes y cambios. Al contar con un punto de partida concreto, puede crear un plan de calidad de datos que establezca prioridades y que respalde sus resultados empresariales.

Una vez revisados los datos, asegúrese de que estén optimizados para que los use la IA, por ejemplo, estableciendo rangos estándar para los datos numéricos y convenciones de nomenclatura para los datos de categorías, de modo que la IA pueda reconocerlos de forma coherente. Un último punto que hay que recordar sobre la calidad de los datos es que no se trata de un ejercicio que se hace una vez y ya está. Al igual que la práctica de mejora continua de ITIL, los datos no son estáticos. En el caso de AIOps, sus datos son una aportación clave; evolucionarán a medida que el negocio crezca y cambie con el tiempo, por lo que es el momento de implementar sistemas para hacer un seguimiento de los indicadores clave de calidad y configurar alertas mediante su proceso de gestión de eventos para notificar a los equipos de soporte cuando los datos se aproximen a esos umbrales de calidad. Al tratar la calidad y la gestión de los datos como un ciclo de vida continuo, podemos crear una base sostenible para la prestación de AIOps.

Establezca una línea base para sus procesos

Asegúrese de que sean adecuados para su propósito y se hayan diseñado pensando en la escalabilidad, que estén actualizados y se hayan revisado recientemente. Todo empieza con su personal, sus datos y sus procesos. Si no dispone de los fundamentos adecuados, su proyecto AIOps tendrá dificultades porque habrá carencias. Antes de avanzar más allá de la fase piloto, revise sus procesos, compruebe que siguen cumpliendo los resultados requeridos y compruebe si existe alguna carencia. Si no se toma el tiempo necesario para analizar sus procesos, se le escaparán cosas y acabará intentando incorporar mejoras de procesos de forma retrospectiva mientras se encuentra en plena implementación de AIOps y, realmente, nadie quiere eso.

Comprenda la complejidad de su entorno

Cada ecosistema de TI es diferente, pero muchas organizaciones cuentan con una configuración de TI que se parece a algo así: incluye servicios en la nube, infraestructura local, plataformas SaaS, contenedores, API, endpoints, redes, aplicaciones empresariales, aplicaciones internas u otras aplicaciones personalizadas, impresoras, equipos audiovisuales y unos 47 lugares distintos donde pueden saltar chispas sin que uno se dé cuenta. Es mucho y, dado que la IA puede amplificar lo que ya ocurre, debemos asegurarnos de que tenemos la casa en orden, solucionar fallos del sistema como datos fragmentados, código defectuoso o flujos de trabajo poco ágiles, y permitir que la IA haga su trabajo y mejore la prestación del servicio en lugar de añadir riesgos.

Gobernanza

Establezca las salvaguardas y responsabilidades adecuadas para mantenerlo todo bajo control. Al pasar del proyecto piloto a la producción, tendrá que establecer un marco de gobernanza integral que defina la propiedad de los datos, las responsabilidades sobre su calidad, los procesos de habilitación de cambios y procedimientos claros de escalado. Un principio clave de la gobernanza es la calidad de los datos, porque si la IA va a tomar decisiones que afecten a nuestro entorno real, queremos que esas decisiones se lleven a cabo basándose en la información correcta. Una parte fundamental de su estrategia de gobernanza debería ser implementar controles de calidad periódicos con métricas definidas para garantizar que los datos sigan siendo precisos, completos y estén actualizados. Cree catálogos de datos fiables que indiquen qué datos tiene, de dónde proceden y cómo sustentan su herramienta ITSM, de modo que pueda ver exactamente dónde se están tomando las decisiones, dónde se ven influidas o dónde están fallando sin que nadie lo advierta.

Asigne una titularidad clara de sus conjuntos de datos, con propietarios que asuman la responsabilidad y gestores específicos encargados de velar por la calidad de los datos. Ya hemos hablado de KPI de calidad y umbrales de alerta, pero la gobernanza también debe extenderse a los procesos de corrección y a las políticas de retención de datos. Una vez que la IA pasa a producción, las organizaciones también deben pensar mucho más seriamente en la auditabilidad y en la responsabilidad sobre las decisiones. Si un modelo de IA suprime una alerta, activa un cambio o reduce la prioridad de un incidente, las personas deben entender por qué se tomó esa decisión, quién aprobó ese nivel de automatización y quién sigue siendo responsable del resultado cuando algo sale mal. La excusa de «lo hizo la IA» no va a funcionar demasiado bien al revisar un incidente grave o en una auditoría. Es como cuando externalizamos parte de nuestra oferta de TI; podemos externalizar las tareas del día a día, pero la responsabilidad sigue siendo nuestra.

También tendrá que considerar la exposición regulatoria y las obligaciones relacionadas con el tratamiento de datos, especialmente cuando los datos operativos puedan incluir información de clientes financiera o sensible. Los marcos de gobernanza deberían definir cómo se accede a los datos, cómo se utilizan, gestionan y protegen, junto con controles sobre la responsabilidad de los proveedores si participan plataformas de terceros o proveedores de servicios gestionados en el ecosistema de AIOps. Al igual que ocurre con la calidad de los datos y la mejora continua, la gobernanza no puede tratarse como un ejercicio puntual que se completa durante la implementación. Tenemos que planificar el cambio porque los modelos de IA y nuestros entornos de producción evolucionarán con el tiempo. Necesitaremos crear procesos para revisar la eficacia, reevaluar los riesgos y validar el valor continuo si queremos que AIOps siga siendo fiable una vez integrado en las operaciones diarias.

Cómo construir el ejemplo interno para pasar del piloto a producción

Al intentar pasar del proyecto piloto a producción, es importante contar con un ejemplo sólido para disponer de una base de referencia consensuada y poder mantener la fase de implementación según lo previsto. Un ejemplo sólido incluye:

• Centrarse en el valor y definir qué significa hacerlo bien mediante KPI y métricas contundentes. Cuantifique el ROI y los beneficios empresariales. Adáptelo a su organización. Este no es el momento de utilizar mediciones estándar como  «mejora de la eficiencia operativa» o «mejor soporte de TI»; analice qué es importante para su organización y sus personas y trabaje a partir de ahí. Esto nos lleva directamente a KPI y métricas claros y basados en datos, como la reducción del ruido de alertas, un triaje más rápido, una mejora de la precisión en el enrutamiento de incidentes y solicitudes, una reducción del MTTR, una mejora de la respuesta ante incidentes graves y una mejor experiencia del personal. Su proyecto piloto ha funcionado como punto de referencia, así que utilice los datos que ha recopilado para mejorar cuando pase a producción.
  
• Crear un plano técnico. Incluirá herramientas de monitorización, fuentes de datos, relaciones de servicio de la CMDB, controles de seguridad, límites de automatización y puntos de integración. Un plano bien definido reflejará la situación técnica, las dependencias operativas y las consideraciones de escalabilidad, lo que permitirá que los equipos de soporte obtengan el máximo beneficio posible de las implementaciones de AIOps.
  
• Gestionar el riesgo. Gestionar el riesgo en las implementaciones de AIOps exige que las organizaciones establezcan un equilibrio entre la innovación y la velocidad con el control operativo y las obligaciones organizacionales de GRC. Colabore con su organización para crear un registro de riesgos específico de AIOps, de modo que los riesgos puedan registrarse, debatirse, priorizarse y abordarse.
  
• Construir un modelo operativo sostenible. Esto incluirá establecer una titularidad clara, una gestión adecuada de los modelos acompañada de soporte operativo, responsabilidad sobre la calidad de los datos y la integración de la mejora continua en el trabajo diario. También significa supervisar, ajustar, cuestionar y perfeccionar constantemente cómo se generan las recomendaciones de IA, porque los entornos operativos cambian, las prioridades empresariales evolucionan y lo que es suficientemente bueno en este momento podría convertirse silenciosamente en un riesgo futuro si no nos mantenemos al tanto.
  
• Hacer que el enfoque esté centrado en las personas. Es muy fácil dejarse llevar por la nueva y deslumbrante tecnología, pero enfocarse más en las personas mejorará el compromiso del personal y aumentará su apoyo a la implementación. Al pasar del proyecto piloto a la producción, haga el proceso teniendo en cuenta a las personas: reduzca las tareas repetitivas, mejore la visibilidad y acelere la toma de decisiones, porque estas son las cosas que ayudarán a sus técnicos a responder ante los problemas de forma más eficaz bajo presión. Una comunicación honesta y clara sobre las recomendaciones de IA, la implicación de los equipos operativos en el despliegue y la creación de confianza mediante un valor práctico en el día a día son elementos fundamentales para garantizar que la IA se perciba como una herramienta que ayuda a las personas y no como algo que se les impone.

Cómo es un despliegue por fases y cómo gestionar el cambio organizacional que requiere

Un plan de despliegue por fases da tiempo a la empresa para acostumbrarse al concepto de AIOps y mitigar el riesgo. Un despliegue por fases podría parecerse a lo siguiente:

Fase 1: Modo en la sombra

Esta es la fase en la que «la IA se sienta tranquilamente en un rincón y demuestra que sabe comportarse». La plataforma está conectada, observa eventos, identifica patrones, genera recomendaciones y, en general, intenta impresionar a todo el mundo, pero lo importante es que todavía no toma decisiones operativas reales en producción. Sus equipos de soporte siguen manteniendo el control total.

Y, sinceramente, esta etapa es muy importante porque normalmente es aquí donde descubre que sus datos de monitorización generan más ruido del esperado, que algunas de las relaciones de CI en la CMDB son, como mínimo, cuestionables, o que su capa de integración tiene varias herramientas que alertan sobre lo mismo. Ya se hace una idea. El Modo en la sombra le proporciona el margen necesario para probar escenarios, ajustar y perfeccionar modelos, mejorar la calidad de los datos y generar confianza sin estresar a su equipo técnico ni poner en riesgo la continuidad del servicio. También ayuda a los equipos de soporte a familiarizarse con las recomendaciones en un entorno seguro. Piense en ello como una etapa de «dejar que genere confianza antes de tocar nada importante».

Fase 2: Alcance limitado

Una vez que la IA ha demostrado cierto valor y ha dejado de atemorizar a todo el mundo, el siguiente paso consiste en empezar a introducirla cuidadosamente en escenarios de producción controlados. Este paso suele ser el momento en el que AIOps empieza a ayudar con aspectos como la duplicación de alertas, los resúmenes de tickets, las recomendaciones de enrutamiento y las sugerencias de causa raíz. La expresión clave aquí es «adopción controlada»: sigue manteniendo a las personas plenamente implicadas en la toma de decisiones, pero empieza a permitir que AIOps elimine parte de la carga operativa repetitiva a la que se enfrentan diariamente los equipos de soporte. Esta fase consiste en demostrar confianza. Su equipo técnico necesitará comprobar que los resultados impulsados por IA son útiles; los responsables de TI requieren pruebas de que el proyecto puede aportar valor y su equipo de GRC tiene que saber que los controles funcionan. También es la fase en la que establecemos qué ocurre cuando la IA se equivoca dentro de un entorno controlado.

Fase 3: Producción completa

También conocida como la fase en la que AIOps ha dejado de ser parte de un proyecto piloto y se ha convertido en parte de la vida operativa normal. Los modelos de gobernanza están establecidos. La titularidad está clara. Los procesos de calidad de datos están implantados. Los equipos de soporte lo entienden y se sienten más cómodos con su uso. La organización tiene suficiente confianza para aumentar y escalar la automatización y las capacidades predictivas cuando sea apropiado.

Esta es la etapa en la que todo el trabajo que hemos llevado a cabo en torno a la gobernanza cobra importancia, porque la corrección autónoma suena fenomenal en una demostración de un proveedor, pero la realidad es muy distinta cuando la IA decide reiniciar algo importante en producción a las 2 de la madrugada. Lo que debemos recordar es que totalmente en producción no significa que el trabajo haya terminado. AIOps no es una funcionalidad para «implementarla y esperar que salga bien». Lo único que podemos saber con absoluta certeza es que las cosas cambiarán y evolucionarán con el tiempo, por lo que las organizaciones que tienen éxito suelen ser aquellas que continúan ajustando, revisando, gobernando y cuestionando los resultados mucho después de que haya pasado el entusiasmo inicial del despliegue.