Solución · AI Operations
Formar al equipo para operar la IA no es un curso de ChatGPT. Es montarles una función.
Ante la IA en producción hay tres caminos: contratar el equipo, que lo opere otro, o que lo opere la gente que ya tienes. El tercero es el más rápido de arrancar y el que peor se ejecuta, porque se confunde con un taller de un día. Diseñamos la función, formamos a tu gente sobre tus sistemas reales y nos quedamos hasta que la sostiene sola.
El problema
La IA ya está en producción. Operarla no es el trabajo de nadie en concreto.
- La IA en producción la sostienen dos personas que nunca aceptaron ese trabajo: lo hacen encima del suyo, sin turno, sin criterio escrito y sin que aparezca en su evaluación.
- Cuando una salida es rara, cada uno decide por su cuenta si la corrige, la ignora o la escala. Sin criterio común, el mismo caso se resuelve de tres formas distintas según quién esté de guardia.
- Las excepciones —lo que el sistema no sabe resolver— se amontonan en un canal de chat en vez de en una cola con dueño y tiempo de respuesta, y se atienden por orden de quien insiste más.
- Hiciste una formación de IA hace meses. Tu gente sabe escribir prompts y sigue sin saber qué hacer cuando el sistema se desvía un martes a las nueve.
- Nadie mira el consumo hasta que llega la factura, y entonces la conversación es contable en vez de operativa.
- Cada vez que el proveedor mueve el modelo hay una semana rara: la calidad cambia, nadie sabe si es el modelo, el prompt o el dato, y se decide por sensación.
Coste de seguir igual
Pagaste el sistema y no la operación. Mientras la IA acierta, ese hueco es invisible; el día que se desvía, lo descubre un cliente y se paga entero. Y hay un segundo coste, más lento y más caro: como operar no es el trabajo de nadie, tampoco es el trabajo de nadie mejorarlo, así que el sistema se queda exactamente donde lo dejaste el día del despliegue mientras el mercado sigue moviéndose. Las otras dos salidas tampoco son gratis: abrir una vacante te mete en un proceso de selección para un rol con el título inflado, y entregar la función entera fuera deja el criterio operativo de tu negocio en casa ajena.
La solución
Diseñamos la función, formamos a tu gente para operarla y nos soltamos por fases
- 1Empezamos por el mapa, no por el aula: qué sistemas de IA tienes vivos, qué decisiones toman, qué pasa cuando fallan y quién está tapando ese hueco hoy sin que figure en ningún sitio.
- 2Definimos la función y la repartimos: quién supervisa salidas y con qué muestreo, quién atiende la cola de excepciones, quién escala y a quién, quién mantiene las listas de comprobación de calidad y quién revisa el consumo. Con nombres, turnos y tiempos de respuesta —no con un organigrama teórico.
- 3Formamos sobre tu sistema, con tus casos y tus fallos reales. Nada de ejercicios de manual: tu gente practica con las salidas que produjo tu IA la semana pasada, incluidas las que salieron mal, y aprende a distinguir un fallo del modelo de un fallo del dato.
- 4Dejamos escrito el criterio: qué se corrige, qué se acepta, qué se escala y qué se para en seco. Ese documento es lo que convierte el juicio de una persona en el estándar de un equipo, y es también lo que hace que un relevo no reinicie el aprendizaje.
- 5Metemos las dos piezas que separan operar de mirar: versionar los prompts —que un cambio se pruebe antes de subir y se pueda revertir— y leer los costes en operación, para que el equipo detecte el gasto raro antes que finanzas.
- 6Acompañamos en producción y nos soltamos por fases: primero operamos nosotros con ellos delante, después ellos con nosotros mirando, y al final solos, con las métricas de la función en su propio tablero y una revisión periódica con nosotros.
Lo que cambia
Lo que dejas de perder
Operar la IA deja de ser un favor y pasa a ser un trabajo con dueño, turno y criterio escrito, dentro de gente que ya conoce tu operación, tus clientes y tus excepciones.
Mecanismo
El criterio deja de vivir en la cabeza de dos personas: queda escrito, se entrena con casos reales y sobrevive a las vacaciones, a las bajas y al relevo.
Mecanismo
El sistema vuelve a mejorar: cuando hay alguien con el mandato de tocarlo y una forma segura de probar y revertir un cambio, la IA deja de congelarse en el punto donde se desplegó.
Mecanismo
Qué medimos: % de salidas revisadas según el muestreo acordado, tiempo de atención de la cola de excepciones, % de bloqueos escalados por el camino correcto, listas de comprobación de calidad ejecutadas a tiempo y desviaciones de consumo detectadas por el equipo antes que por finanzas.
Qué medimos
Ficha técnica
- Trabajo que elimina
- que operar la IA sea un favor invisible de dos personas: sin turno, sin criterio escrito, sin cola de excepciones y sin nadie mirando la calidad ni el coste
- Implementación habitual
- 6–10 semanas
- Entrada
- tus sistemas de IA ya en producción, el equipo que tienes hoy y todo lo que se hace a mano cuando algo se desvía
- Salida
- una función operativa repartida entre tu gente —supervisión, excepciones, escalado, listas de calidad, versionado de prompts y lectura de costes—, con criterio escrito, métricas propias y capacidad de sostenerla sin nosotros
- Compatible con
- OpenAIAnthropicAzure OpenAIGoogle Vertex AILangSmithLangfuseJiraLinearServiceNowNotionMicrosoft 365Google Workspace
- Puede conectarse con
- Tu cola de incidencias y tu proceso de guardia actualesTus registros de producción, de donde salen los casos reales de formaciónTu gestión de prompts y tu panel de consumoTu marco de gobierno de IA y tu inventario de sistemas
- Qué medimos
- % de salidas revisadas según el muestreo acordadotiempo de atención de la cola de excepciones% de bloqueos escalados por el camino correctolistas de comprobación de calidad ejecutadas a tiempodesviaciones de consumo detectadas por el equipo antes que por finanzas
- Adecuado para
- empresas con IA ya en producción y equipo propio que conoce la operación —CIO, COO o responsable de IA— que prefieren desarrollar la capacidad dentro antes que abrir una vacante o entregar el criterio operativo a un tercero
- No adecuado para
- quien todavía no tiene nada de IA en producción —ahí no hay función que operar, hay que construir primero— ni quien busca una formación general de IA para toda la plantilla: eso es adopción, y es otro servicio
Preguntas frecuentes
Son las tres vértices del mismo triángulo y la elección no es ideológica, es de tiempo, coste y control. Montar el equipo es contratar los roles que faltan y darles mandato: es la vía si la IA va a ser núcleo de tu negocio y puedes esperar al proceso de selección. Externalizar es que la función la opere otro sobre tu stack: es la vía si necesitas que funcione ya y prefieres pagar por capacidad hecha. Formar es la tercera: la gente que ya conoce tu operación, tus clientes y tus excepciones aprende a operar el sistema, y el criterio se queda en casa. Es la más barata en dinero y la más cara en atención de dirección, porque exige que alguien de dentro cambie de trabajo de verdad, no que asista a un taller. Muchas empresas acaban en mixto: formamos al equipo y operamos con ellos mientras la capacidad madura.
No, y la diferencia se nota en el primer día. Un curso enseña a usar la herramienta: escribir mejores prompts, conocer las funciones, sacar partido al chat. Esto enseña a sostener un sistema que ya está tomando decisiones con clientes delante: cómo se muestrean las salidas, qué se hace con una que huele raro, cuándo se para el sistema entero, cómo se atiende una cola de excepciones con tiempo de respuesta, cómo se prueba un cambio antes de subirlo y cómo se lee el consumo. Y no termina con un certificado: termina con una función repartida, un criterio escrito y unas métricas que tu equipo mira cada día. Si lo que necesitas es lo primero, es adopción y es un servicio distinto —también lo hacemos, pero no lo llamamos igual.
La mayor parte de la función no es ingeniería: es criterio operativo. Distinguir una salida buena de una mala en tu negocio, saber qué caso merece parar y cuál se corrige y sigue, entender qué excepción es un fallo puntual y cuál es un patrón que hay que arreglar aguas arriba. Eso lo hace mejor quien lleva años viendo tus procesos que quien acaba de llegar con un título de moda. Las dos partes técnicas —versionar prompts y leer costes— se enseñan concretas, sobre tus herramientas, y no exigen escribir código. Donde sí hace falta perfil técnico, lo decimos y lo dejamos por escrito en el reparto en vez de fingir que cualquiera lo cubre.
Por eso el entregable no es la persona formada: es la función escrita. El criterio, el reparto, los tiempos de respuesta, las listas de comprobación y las métricas quedan documentados y vivos, así que un relevo entra a leer y practicar en vez de a reconstruir. Además repartimos siempre entre más de una persona y dejamos definido el suplente de cada pieza —una función que depende de un nombre propio no es una función, es una dependencia—. Y si el hueco es grande, lo cubrimos nosotros mientras entra el relevo, sin que la operación se pare.
¿Lo montamos en tu negocio?
Tú tienes el problema localizado. Nosotros lo dejamos funcionando y medido.