Cuestionario de madurez

    Estrategia

    1. No tenemos ninguna estrategia definida.2. Tenemos una estrategia local, pero aún no hemos comenzado a desplegar ningún caso de uso.3. Tenemos una estrategia clara, un sponsor de alto nivel dentro de la organización y estamos lanzando algunos pilotos para explorar la tecnología.4. Tenemos una estrategia clara, un sponsor de alto nivel dentro de la organización y estamos desplegando casos de uso.


    1. No hemos realizado aún ningún experimento o estamos explorando pequeños experimentos desestructurados con terceros.2. Hemos lanzado algunos pilotos internamente orientados a aprender sobre estas tecnologías y a dar visibilidad al valor que ésta nos puede aportar.3. Hemos desarrollado algunos Quick wins con éxito dentro de nuestra organización.4. Conocemos el valor de la IA y estamos escalado los casos de éxito, pasando de MVPs a casos productivos.


    1. Puede existir cierta conciencia sobre la necesidad de medir el impacto, pero probablemente no existen las capacidades, herramientas o enfoques adecuados para medirlo.2. La necesidad de medir el impacto para el negocio es evidente y se trabaja en una justificación inicial del caso antes de tomar ninguna decisión de implementación.3. La medición recurrente del impacto de cada caso forma parte intrínseca de la definición y puesta en marcha de la iniciativa4. Existe una fuerte cultura de medición y cuantificación del impacto de cada caso consolidada en todos los niveles de la organización, de forma recurrente a lo largo del ciclo de vida del caso.


    1. Se está desarrollando una analítica descriptiva dentro de la organización, orientada a comprender a partir de los datos qué está pasando o qué ha pasado.2. Existe una conciencia sobre un análisis predicitvo para poder anticipar hitos futuros.3. Mi organización empieza a acostumbrarse al uso de algoritmos como parte del proceso de decisión.4. Existe una fuerte cultura de medición y cuantificación del impacto de cada caso consolidada en todos los niveles de la organización, de forma recurrente a lo largo del ciclo de vida del caso.


    1. No hemos puesto aún ningún caso de uso en producción o lo hemos hecho de forma manual, sin ningún procedimiento definido.2. Conocemos la metodología MLOps, pero sólo la estamos usando en el ciclo de desarrollo y despliegue hasta producción. Y aún no está estandarizada dentro de nuestra organización.3. Usamos la metodología MLOps no solo durante el ciclo de desarrollo de IA, sino también en la fase posterior de operación para monitorizar la precisión de los modelos y reentrenarlos, si hiciera falta.4. MLOps es un estándar dentro de la compañía y todos os casos en producción cumplen con las políticas definidas.


    1. Cada departamento o grupo de usuarios tiene una solución específica para acceder a los datos y explotarlos, normalmente en base a ficheros Excel o bases de datos estructuradas aisladas del resto de la organización.2. Usamos plataformas de datos corporativas, compartidas entre diferentes departamentos, que nos permiten explotar información estructurada y no estructurada (imágenes, vídeos, documentos) apoyándonos en departamentos de IT.3. Existe una creciente necesidad por parte de los usuarios de poder tener acceso a los datos para auto consumo y por ello, se han desplegado herramientas de gobierno del dato, a modo de Catálogo y herramientas de auto-servicio que facilitan esta labor.4. La organización facilita a terceros y a otras empresas el consumo de sus propios datos, contribuyendo así al desarrollo de una nueva economía del dato basada en la creación de espacios de datos compartidos entre múltiples organizaciones.


    1. No existen políticas de calidad y seguridad definidas en torno al dato.2. Se considera relevante contar con políticas que garanticen la seguridad y calidad de los datos, pero la definición de las mismas se ha hecho de manera teórica y aún no se ha llevado a la práctica.3. Existen unas políticas bien definidas dentro de la organización, que todo proyecto puede consultar y debe seguir para garantizar la calidad y seguridad de los datos.4. Se mide el nivel de cumplimiento de estas políticas en todos los proyectos y se establecen planes de remediación bien definidos, si aplica.


    1. Modelo departamental o 'fragmentado'. Los datos se utilizan por cada área sin un marco de gobierno específico, los equipos adquieren conocimientos locales que no se comparten con otras áreas.2. Modelo Centralizado, donde existe un Centro de Excelencia, que gestiona todas las iniciativas IA de la organización dando servicio a aquéllos departamentos que lo necesiten.3. Modelo Hub and Spoke: existe una base centralizada (HUB) de gobierno, metodología y conocimiento, pero las áreas de negocio (spokes) pueden llevar a cabo sus propias iniciativas de IA de manera autónoma siguiendo las directrices del Hub..4. Modelo Descentralizado.Permiten el gobierno de datos e inteligencia artificial definido por las áreas de negocio bajo una estrategia común corporativa de procedimientos, recursos y conocimiento.


    1. Departamental. Cada departamento dedica parte de su presupuesto anual a financiar iniciativas de Inteligencia Artificial.2. Corpoativo. Una vez se ha demostrado el valor de la IA, existe un apoyo formal por parte de empresa al desarrollo de nuevos casos de uso de IA dentro de la organización.3. Híbrido. Cada departamento de negocio co-financia parte de los desarrollos de IA y la parte Corporativa sirve de acelerador, impulsor del desarrollo de la tecnología, además de actuar como garante de una visión global conjunta que fomenta la compartición de conocimiento y buenas prácticas.4. Embebido en la estrategia de negocio. La financiación de las iniciativas de Inteligencia Artificial forma parte de un programa que está incluido dentro del plan estratégico de la empresa.


    1. No existe un plan formativo como tal, si lo hay tiene pocas o ninguna habilidad específica de IA. Normalmente se resuelve con campañas de concienciación o divulgación de alto nivel sobre la importación de los datos y la necesidad de explotarlos.2. Algunos departamentos solicitanplanes de formación concretosa los que se les ofrece una formación externa ya sea en un curso reglado por una universidad o academia digital.3. Creación de una academia o plan formativo dedicado dentro de la empresa que busca mejorar el conocimiento de manera transversal. Democratización del conocimiento.4. Cursos masivos abiertos a todos los empleados de la empresa. La formación en Inteligencia Artificial es parte obligatoria de la formación de todos los empleados.


    1. Existe cierta conciencia sobre la necesidad de aplicar Inteligencia Artificial y tener espacios de datos compartidos, pero solo en ciertos departamentos o áreas de negocio, que no suelen estar en comunicación. No existe un claro liderazgo desde los niveles ejecutivos de la empresa.2. En algunas áreas de la empresa, se evidencia la necesidad de tener datos de calidad, y compartidos. Existen comportamientos iniciales de adopción y gestión del cambio. Se empieza a crear la necesidad de tener equipos multidisciplinares donde se une ingeniería de datos, científicos de datos y especialistas de IA. Empieza a ser visible el apoyo de la organización.3. La gestión de datos empiezan a alcanzar a toda la organización. El dato está en el centro de las iniciativas de IA. Existe colaboración entre las distintas áreas, con equipos multidisciplinares.4. Cultura de datos sólida y consolidada en la que capturar, compartir y utilizar datos en todos los niveles. Se ddispone de la figura de Citizen Data Scientist. Toda la organización, apoyan y comunican el valor de la IA.


    1. La organización no considera aspectos éticos de los sistemas IA en las decisiones relevantes. Solo se consideran aspectos de negocio.2. Se han definido y publicado los principios éticos que quiere respetar en las decisiones sobre el uso de la IA para su negocio. Pero, no se ha definido cómo implementarlo en su organización.3. Además de lo anterior, existen herramientas que ayudan a tratar los aspectos éticos del uso de la IA: Cuestionarios, detección de sesgos, etc…4. La ética de la IA está integrada en toda la organización con claras responsabilidades, roles y procesos. Existen roles específicos y comités éticos.


    1. Escasa medición del impacto mediambiental en el uso de algoritmos en los sistemas de IA.2. Esfuerzos iniciales para establecer principios que impulsen cómo se construye una IA sostenible.3. Conciencia del impacto medioambiental de la IA no solo a nivel organizacional o empresarial, sino también a nivel de personas y sociedad. Diseño de IA para que cumpla los principios definidos.4. Cultura de IA sostenible en todos los ámbitos de la empresa. Alta conciencia del impacto de la IA en el medioambiente y la sociedad en general.