El Agile Manifesto comienza diciendo: “Estamos descubriendo mejores formas…”
No hace mucho pasé por un proceso de solicitud de hipoteca y estuve muy molesto con la experiencia porque noté mucha ineficiencia. Quise investigar un poco cómo la inteligencia artificial y la automatización podría mejorar esa experiencia y aquí les comparto un poco de lo que aprendí.
Es impresionante lo que tardan muchos bancos. Según The Mortgage Reports, el cierre de un préstamo hipotecario puede tardar hasta 60 días. ¡En mi caso fue más!
Accenture da un pronóstico más optimista y sugiere una disminución de costos del 80% con la robótica en finanzas para ciertas tareas.
Beneficios Combinados de la Inteligencia Artificial (IA) y la Automatización de Procesos Robóticos (RPA, en inglés) en el proceso de solicitud de un préstamo hipotecario incluyen:
Eficiencia mejorada: La RPA automatiza tareas repetitivas, como la recopilación de documentos y la verificación de datos, acelerando el proceso de solicitud.
Procesamiento más rápido: La IA puede analizar rápidamente la información del solicitante y proporcionar una respuesta preliminar más rápida sobre la aprobación del préstamo.
Mayor precisión: La RPA reduce los errores al realizar cálculos y verificaciones de manera consistente, mientras que la IA puede identificar posibles riesgos crediticios de manera más precisa.
Mejora la atención al cliente: La IA puede proporcionar respuestas automáticas a preguntas frecuentes de los solicitantes, lo que mejora la experiencia del cliente y reduce la carga de trabajo del personal. A veces son molestosos, pero han mejorado bastante últimamente.
Gestión de documentos eficiente: La RPA puede escanear y organizar automáticamente los documentos presentados, lo que facilita la revisión y verificación de la información por parte del equipo de préstamos.
Detección de fraude: La IA puede detectar patrones sospechosos o actividades fraudulentas en los documentos o en la información proporcionada por el solicitante. La RPA puede procesar y dar seguimiento a las alertas.
Cumplimiento regulatorio: La RPA puede ayudar en la gestión de documentos y registros necesarios para el cumplimiento de las regulaciones hipotecarias.
Análisis de riesgos avanzado: La IA puede evaluar de manera más profunda la capacidad crediticia de los solicitantes, considerando múltiples factores y datos históricos.
Seguimiento automatizado: La RPA puede enviar recordatorios automáticos a los clientes o el personal, lo que mejora la gestión de préstamos.
Comparación de Características de la IA y RPA
Características
Inteligencia Artificial (IA)
Automatización de Procesos Robóticos (RPA)
Enfoque
Tareas cognitivas y de toma de decisiones
Tareas rutinarias y repetitivas
Tecnología necesaria
Algoritmos complejos, aprendizaje automático
Robots de software y reglas predefinidas
Capacidad de aprendizaje
Puede aprender y mejorar con datos y feedback
Sigue reglas predefinidas sin aprender
Flexibilidad
Puede adaptarse a varias tareas y procesos
Diseñado para procesos específicos
Intervención humana
Puede operar de manera autónoma
A menudo requiere supervisión humana
Tiempo de implementación
Puede ser más largo debido a la complejidad
Puede implementarse rápidamente
Habilidades necesarias
Peritaje en ciencia de datos y aprendizaje automático
Habilidades generales de desarrollo de software
Costo
Puede ser costoso debido a la tecnología avanzada
Suelen ser más económicos y de rápido retorno
Escalabilidad
Puede ser altamente escalable y adaptable
Puede requerir programación adicional para escalabilidad
Casos de uso
Detección de fraude, análisis predictivo, procesamiento de lenguaje natural
Entrada de datos, extracción de datos, generación de informes
Integración
Puede requerir integración compleja
Puede integrarse más fácilmente con sistemas existentes
Algunas Herramientas de IA y RPA
Inteligencia Artificial (IA)
Automatización de Procesos Robóticos (RPA)
* IBM Watson * SAS Banking Analytics * Microsoft Azure AI * Google Cloud AI * Amazon SageMaker * Alteryx * DataRobot * UiPath * Oracle Financial Services Analytics * Temenos
Gestión Predictiva vs. Adaptativa: Enfrentando los desafíos de los proyectos
En el entorno empresarial actual, caracterizado por cambios acelerados, incertidumbre constante y evolución tecnológica continua, la forma en que gestionamos proyectos y equipos se ha convertido en un factor determinante para lograr resultados sostenibles.
Tradicionalmente, la gestión predictiva y la gestión adaptativa se han presentado como enfoques opuestos. Sin embargo, la práctica moderna ha demostrado que ambos representan alternativas válidas dentro de un espectro de desarrollo. Hoy, las organizaciones más maduras combinan estos enfoques estratégicamente, seleccionando el más adecuado según el nivel de complejidad, incertidumbre y necesidad de aprendizaje del trabajo a realizar.
Este artículo explora las diferencias fundamentales entre ambos enfoques y cómo continúan evolucionando dentro del contexto actual del Project Management y Agile.
1) Construcción separada vs. Construcción como un todo
La gestión predictiva se fundamenta en la construcción separada y la ejecución secuencial del trabajo. En este enfoque, el proyecto se planifica en detalle desde el inicio, definiendo entregables, actividades y dependencias con el objetivo de minimizar variaciones durante la ejecución.
Este modelo funciona particularmente bien cuando el alcance es estable, los requisitos son conocidos y la incertidumbre es baja.
Por otro lado, la gestión adaptativa se basa en la construcción como un todo mediante ciclos iterativos e incrementales. En lugar de intentar anticipar todas las variables, el trabajo se desarrolla en ciclos cortos que permiten validar resultados continuamente, aprender del proceso y ajustar el rumbo según la información obtenida.
Por ejemplo, mientras un proyecto predictivo podría desarrollar un sistema completo antes de liberarlo al usuario, un enfoque adaptativo podría entregar funcionalidades utilizables desde etapas tempranas, permitiendo validar valor real en cada incremento.
Este enfoque reduce riesgos al transformar la ejecución en un proceso continuo de inspección y adaptación.
2) Requerimientos detallados de antemano vs. Requerimientos en intervalos frecuentes
En la gestión predictiva, se invierte un esfuerzo significativo en documentar requerimientos completos antes de iniciar la ejecución. Esto permite establecer una línea base clara que facilita la planificación, estimación y control del proyecto.
Este enfoque resulta altamente efectivo cuando las necesidades del cliente son estables y el entorno del negocio presenta bajo nivel de cambio.
La gestión adaptativa reconoce que los requerimientos pueden evolucionar a medida que el equipo adquiere mayor entendimiento del problema. En este enfoque, los requisitos se refinan progresivamente mediante ciclos frecuentes de retroalimentación con usuarios y stakeholders.
Por ejemplo, equipos de desarrollo de productos digitales suelen liberar versiones tempranas de funcionalidades para validar hipótesis de negocio antes de invertir en soluciones completas. Esto permite tomar decisiones basadas en evidencia real y no únicamente en suposiciones iniciales.
3) Gestión de costos y riesgos según análisis detallado vs. Gestión según emerja el alcance
La gestión predictiva utiliza análisis detallados del alcance, cronograma y presupuesto para anticipar riesgos y establecer controles desde el inicio del proyecto. Este enfoque busca minimizar desviaciones mediante planificación exhaustiva y seguimiento estructurado.
En contextos donde el cumplimiento regulatorio, contractual o de seguridad es crítico, este modelo ofrece altos niveles de previsibilidad y control.
En la gestión adaptativa, el alcance puede evolucionar durante la ejecución. Los riesgos se identifican y gestionan conforme emergen, utilizando ciclos cortos de trabajo que permiten validar decisiones rápidamente y ajustar prioridades según el aprendizaje obtenido.
Por ejemplo, en iniciativas de innovación o desarrollo de nuevos productos, intentar estimar todos los riesgos desde el inicio puede ser poco realista. En estos casos, la reducción del riesgo ocurre mediante experimentación continua y entregas incrementales de valor.
Este modelo favorece la toma de decisiones basada en evidencia generada durante la ejecución.
4) Tareas asignadas externamente vs. Autoasignación interna
En entornos predictivos, la asignación de tareas suele realizarse desde estructuras jerárquicas donde líderes o gerentes definen responsabilidades, tiempos y métodos de ejecución.
Este modelo puede ser efectivo cuando el trabajo requiere coordinación altamente estructurada o cuando existen dependencias complejas entre múltiples áreas funcionales.
En la gestión adaptativa, los equipos participan activamente en la organización de su propio trabajo. Los miembros del equipo seleccionan tareas basándose en sus habilidades, experiencia y capacidad disponible.
Este enfoque fomenta mayor compromiso, responsabilidad compartida y aprovechamiento del conocimiento colectivo del equipo. También acelera la toma de decisiones operacionales al reducir dependencias de aprobación externa.
En organizaciones modernas, esta práctica ha demostrado mejorar la colaboración y la calidad de los resultados al permitir que las decisiones técnicas sean tomadas por quienes ejecutan el trabajo.
5) Gestión de equipo externa vs. Autogestión del equipo
En la gestión predictiva, el liderazgo tradicional suele concentrar la planificación estratégica y la toma de decisiones operacionales del proyecto. El rol del gerente se enfoca en dirigir, controlar y asegurar el cumplimiento del plan establecido.
La gestión adaptativa introduce el concepto de equipos autogestionados, donde el liderazgo evoluciona hacia un rol facilitador. En este modelo, el liderazgo se enfoca en remover impedimentos, alinear objetivos estratégicos y crear entornos donde los equipos puedan desempeñarse de forma efectiva.
La autogestión no implica ausencia de liderazgo. Representa una transformación del liderazgo hacia un enfoque basado en empoderamiento, colaboración y desarrollo continuo del equipo.
Este cambio ha demostrado ser particularmente efectivo en entornos complejos donde la rapidez en la toma de decisiones y la adaptación constante son factores críticos de éxito.
Conclusión
La gestión predictiva y la gestión adaptativa continúan siendo enfoques relevantes dentro del Project Management moderno. La gestión predictiva aporta estabilidad, control y previsibilidad cuando los requisitos son claros y el entorno es relativamente estable. La gestión adaptativa aporta flexibilidad, aprendizaje continuo y rapidez de respuesta en entornos complejos e inciertos.
La madurez organizacional no radica en elegir uno sobre el otro, sino en desarrollar la capacidad de seleccionar y combinar enfoques según el contexto del problema que se busca resolver.
Las organizaciones que logran integrar ambos enfoques mediante modelos híbridos pueden aprovechar lo mejor de cada uno: la estructura necesaria para mantener dirección estratégica y la adaptabilidad requerida para responder a la incertidumbre del mercado actual.
Versiones: Original: Mayo 2023 Actualización: Febrero 2026
Javier A Miranda es un Gerente de Proyectos Ágil certificado que ha adiestrado a miles de profesionales de diversas industrias y disciplinas a través de múltiples organizaciones educativas y firmas de consultoría.
Javier fue educado en las mejores prácticas de Project Management utilizando la 1ra edición del PMBOK® Guide (1996) y pasó el examen PMP® utilizando la 2da edición (2000). Ha enseñado cursos preparatorios para PMP® desde la 3ra edición (2004) hasta la versión más reciente con mayor contenido Agile.
Javier posee experiencia directa en varios métodos, guías y estructuras de gerencia de proyectos y ha aplicado Prácticas Ágiles en los proyectos desde el año 2000. Ha enseñado sobre varios métodos Ágiles como Scrum, XP, FDD y tópicos relacionados como parte de la pasadas comunidades de tecnología y empresarismo DevTitans, el PR .Net Users Group (PRdotNet), los Tours del Microsoft Developer Network (MSDN) y el PR Developers Group (PRDG).
En su más reciente aportación a una empresa Fortune 500, Javier adaptó Agile / Scrum para ser utilizado fuera del ambiente de IT para resolver problemas complejos de negocio y para la creación rápida de nuevos programas y servicios de negocio desempeñado roles como Agile Coach y Scrum Master.
Recientemente, el Sr. Miranda trabajó como consultor internacional para el Banco Inter-Americano de Desarrollo (BID) y sus clientes ofreciendo talleres y coaching sobre Agile / Scrum en el Caribe y las Américas. Además, mejoró la adopción de Agile / Scrum en Abarca Health entre 8 equipos de desarrollo y sus líderes (+50 personas).
Javier alcanzó las siguientes certificaciones globales: * Project Management Professional (PMP) * PMI Agile Certified Practitioner (PMI-ACP) * Agile Coaching Certified (ICP-ACC) * PM4R Agile Coach (PM4R-AC) * PMO Certified Practitioner (PMO-CP) * SAFe 6 Practice Consultant (SPC) * Scaled Prof. Scrum (SPS) * Prof. Agile Leadership I (PAL) * Prof. Scrum Master I (PSM) * Prof. Scrum Product Owner I (PSPO) * Prof. Scrum Kanban (PSK) * Prof. Scrum UX I (PSU) * Management 3.0 (M3.0) * Disciplined Agile Senior Scrum Master (DASSM) * Certified Scrum Master (CSM) * Certified Scrum Product Owner (CSPO) * Microsoft Certified Applications Developer (MCAD)
