BILBOKO
INGENIARITZA ESKOLA
ESCUELA
DE INGENIERÍA DE BILBAO
Cu so: 2024-2025
Di ec o /Di ec o a: Toledo Ganda ias, Ne ea
Es udian e: Mo cillo Fuen es, Héc o
In eg ación de la in eligencia a i icial en la ges ión ágil de p oyec os:
Una hoja de u a pa a su adopción en en o nos eales.
MÁSTER UNIVERSITARIO EN DIRECCIÓN DE PROYECTOS
TRABAJO FIN DE MÁSTER
Fecha: Bilbao, 27 de julio de 2025
2 / 48
1.
INTRODUCCIÓN
..........................................................................................................
3
2.
CONTEXTO
..................................................................................................................
4
3.
OBJETIVOS Y ALCANCE DEL TFM
..................................................................................
5
4.
BENEFICIOS QUE APORTA EL TFM Y RELACIÓN CON LOS ODS
.......................................
6
5.
ANÁLISIS DEL ESTADO DEL ARTE
..................................................................................
7
1. EVOLUCIÓN DE LA IA APLICADA A LA GESTIÓN DE PROYECTOS
.............................................................
7
2. APLICACIONES ACTUALES DE IA EN LA GESTIÓN DE PROYECTOS
..........................................................
8
3. INTEGRACIÓN DE IA EN ENTORNOS ÁGILES
....................................................................................
9
4. RETOS Y BARRERAS PARA LA ADOPCIÓN DE INTELIGENCIA ARTIFICIAL EN GESTIÓN ÁGIL
............................
11
5. MARCOS TEÓRICOS Y VACÍOS IDENTIFICADOS
...............................................................................
13
6.
DESCRIPCIÓN DE LA SOLUCIÓN PROPUESTA
.............................................................
14
7.
DISEÑO DE ALTO NIVEL
..............................................................................................
15
8.
DESCRIPCIÓN DE TAREAS O FASES
............................................................................
18
FASE 1: EXPLORACIÓN Y SENSIBILIZACIÓN
......................................................................................
18
FASE 2: IMPLEMENTACIÓN FOCALIZADA
.........................................................................................
25
FASE 3: ESCALADO DE IA
...........................................................................................................
34
9.
ANÁLISIS DE RESULTADOS ESPERADOS
.....................................................................
43
RESULTADOS ESPERADOS A NIVEL METODOLÓGICO
...........................................................................
43
IMPACTO ORGANIZACIONAL ESPERADO
..........................................................................................
43
RESULTADOS PRÁCTICOS Y APLICABILIDAD
......................................................................................
44
LIMITACIONES Y CONSIDERACIONES
..............................................................................................
44
10.
CONCLUSIONES
....................................................................................................
45
11.
BIBLIOGRAFÍA
.......................................................................................................
47
3 / 48
1. In oducción
La ges ión de p oyec os ha cambiado mucho en las úl imas décadas. Las
o ganizaciones han enido que adap a se a nue as ecnologías y o mas de abaja ,
buscando mane as más e ec i as de planifica , ejecu a y en ega alo a sus
clien es.
Los p oyec os son cada ez más complejos, las emp esas necesi an adap a se
ápidamen e a los cambios y exis e además una p esión cons an e po en ega
esul ados en menos iempo. Po es as azones, muchas o ganizaciones han
adop ado me odologías ágiles, que o ecen la flexibilidad necesa ia pa a
esponde an e la ince idumb e. Sin emba go, es os en oques equie en oma
decisiones ápidas, coo dina equipos di e sos y ges iona el conocimien o de
o ma eficien e.
En es e con ex o, las écnicas de in eligencia a ificial (IA) pueden se de g an
ayuda. He amien as como el ap endizaje au omá ico, el p ocesamien o de
lenguaje na u al y los modelos gene a i os ienen el po encial de mejo a el
endimien o de los p oyec os, an icipa iesgos y ayuda a los equipos a oma
mejo es decisiones. No obs an e, in eg a es as ecnologías en la ges ión de
p oyec os ágiles aún es á en sus p ime as ases y p esen a impo an es desa íos.
Aunque la comunidad académica y la indus ia mues an un in e és c ecien e en la
IA, implemen a la en en o nos ágiles en en a múl iples obs áculos. Exis en
ba e as écnicas elacionadas con la calidad de los da os his ó icos, ba e as
o ganiza i as como la esis encia al cambio, y desa íos me odológicos de i ados de
la al a de ma cos de adopción bien es ablecidos. La escasez de guías p ác icas y
ma cos adap ados a si uaciones eales dificul a su implemen ación sis emá ica, lo
que jus ifica la necesidad de in es iga más a ondo cómo acili a es a in eg ación.
Es e abajo iene como obje i o abo da es a b echa median e el desa ollo de
un oadmap p ác ico pa a la in eg ación de IA en en o nos ágiles eales. A a és
de una e isión sis emá ica de la li e a u a, se iden ifican las mejo es p ác icas, se
analizan las ba e as exis en es y se p opone una hoja de u a es uc u ada que
acili e es a adopción en con ex os o ganizacionales di e sos.
4 / 48
2. Con ex o
La adopción de me odologías ágiles se ha ex endido conside ablemen e más allá
de su o igen en el desa ollo de so wa e. Ac ualmen e, sec o es como los
se icios financie os, la consul o ía, el ma ke ing digi al, la manu ac u a e incluso
la adminis ación pública es án implemen ando es os en oques. Las
o ganizaciones ecu en a la agilidad p incipalmen e po es mo i os: la necesidad
de esponde ápidamen e a cambios del me cado, la demanda de educi los
iempos de en ega de p oduc os y se icios, y la búsqueda de mayo colabo ación
en e equipos mul idisciplina es.
Sin emba go, la expe iencia ha demos ado que las me odologías ágiles no son una
solución in alible. Su éxi o depende de una implemen ación cuidadosa que
incluye el es ablecimien o cla o de p incipios o ganizacionales, la definición de
ma cos de abajo bien es uc u ados, la co ec a adap ación de la planificación a
cada con ex o y, especialmen e, un cambio cul u al p o undo en la o ma de
abaja . Muchas o ganizaciones han descubie o que adop a ce emonias ágiles
sin es os undamen os puede gene a más con usión que beneficios.
A es o, hay que añadi que los p oyec os ac uales son cada ez más complejos.
Los equipos ges ionan múl iples uen es de in o mación, desde mé icas de
endimien o has a eedback de usua ios, da os de calidad y análisis de me cado.
Es a complejidad c ecien e hace que la oma de decisiones manual sea más len a
y menos p ecisa, limi ando así las en ajas que o ece la agilidad.
Es aquí donde la in eligencia a ificial puede ma ca la di e encia. En los úl imos
años, la IA ha expe imen ado a ances muy des acables, especialmen e con el
desa ollo y la accesibilidad de modelos de lenguaje a anzados. Lo que an es
eque ía equipos especializados y g andes in e siones, aho a es á al alcance de
o ganizaciones de cualquie amaño y usua ios pe sonales.
El po encial es eno me: la IA puede au oma iza a eas epe i i as, analiza g andes
olúmenes de da os pa a de ec a pa ones, p edeci iesgos, op imiza la
asignación de ecu sos y acili a la oma de decisiones basada en da os eales. Sin
emba go, exis e una b echa impo an e en e es e po encial y la ealidad. La
mayo ía de las o ganizaciones econocen el alo de la IA, pe o no saben cómo
in eg a la e ec i amen e en sus p ocesos ágiles exis en es. Es a si uación c ea la
necesidad u gen e de ma cos de adopción p ác icos que guíen es a in eg ación
de mane a p og esi a y sos enible.
5 / 48
3. Obje i os y alcance del TFM
El obje i o p incipal de es e abajo es c ea una guía paso a paso pa a in eg a
g adualmen e la in eligencia a ificial en la ges ión de p oyec os ágiles. Es a guía se
basa en in es igaciones académicas, y es á pensada pa a su uso p ác ico en
o ganizaciones eales.
Pa a log a es e obje i o p incipal, el abajo se p opone consegui lo siguien e:
1.
Es udia cómo ha e olucionado y cuál es la si uación ac ual del uso de IA en
ges ión de p oyec os, p es ando especial a ención a me odologías ágiles
como Sc um y Kanban.
2.
Iden ifica y clasifica las o mas en que se es á usando la IA en las a eas
p incipales del abajo ágil.
3.
Recopila y o ganiza los obs áculos que dificul an el uso e ec i o de IA en
en o nos ágiles, así como las es a egias que se han p opues o pa a
supe a los.
4.
C ea una hoja de u a de adopción di idida en ases p og esi as que cub a
las a eas ágiles.
5.
O ece una guía p ác ica con a eas específicas, indicado es de éxi o y
aspec os a conside a pa a cada ase de la hoja de u a.
El abajo se en oca en la in eg ación de IA en ma cos ágiles sin limi a se a sec o es
específicos, pe o buscando pa ones y p incipios que se puedan aplica en
di e en es con ex os. No incluye el desa ollo écnico de soluciones de IA ni
p uebas expe imen ales di ec as, sino que se basa en el análisis sis emá ico de
li e a u a académica.
La hoja de u a es á diseñada pa a adap a se a di e en es ni eles de madu ez
digi al de las o ganizaciones, man eniendo siemp e los alo es undamen ales
de la agilidad: au onomía del equipo, anspa encia, capacidad de adap ación
al cambio y en ega con inua de alo .
6 / 48
4. Bene icios que apo a el TFM y elación con los ODS
Es e T abajo de Fin de Más e busca ealiza una apo ación p ác ica y ú il al campo
de la ges ión de p oyec os. Su p opues a es un oadmap es uc u ado que ayude a
las o ganizaciones a in eg a g adualmen e la in eligencia a ificial en sus p ocesos
ágiles. A di e encia de o os en oques excesi amen e eó icos o écnicos, es e
abajo se cen a en la aplicación p ác ica, o eciendo soluciones adap ables y
alineadas con es ánda es econocidos como el PMBOK 7. Con es a hoja de u a,
se p e ende ce a la b echa que exis e en e las posibilidades que o ece la
ecnología y su uso eal en equipos de abajo.
En elación con los Obje i os de Desa ollo Sos enible de las Naciones Unidas
(ODS), es a in es igación con ibuye especialmen e a dos de ellos:
•
ODS 8: T abajo decen e y c ecimien o económico
•
ODS 9: Indus ia, inno ación e in aes uc u a
Figu a 1. Iconos de los ODS elacionados con el abajo
El ma co p opues o omen a el uso de ecnologías eme gen es de g an po encial,
como la IA, pa a op imiza la ges ión de p oyec os y aumen a el alo gene ado po
los equipos de abajo. Además, aplica IA no solo impulsa el c ecimien o de la
indus ia y la inno ación en múl iples sec o es, sino que ambién ep esen a una
opo unidad pa a mejo a cuali a i amen e muchos pues os de abajo,
con ibuyendo así a un desa ollo económico más eficien e y sos enible.
7 / 48
5. Análisis del es ado del a e
1. E olución de la IA aplicada a la ges ión de p oyec os
En pocas décadas, la IA ha dejado de se una idea u u is a pa a con e i se en una
ecnología usada en el día a día de muchas o ganizaciones. Al p incipio, se aplicaba
p incipalmen e pa a au oma iza a eas epe i i as y c ea sis emas que ayuda an
a oma decisiones en si uaciones muy específicas (Chin a, 2021; Hasmukh, 2024).
Más a de, con el desa ollo de écnicas como el ap endizaje au omá ico y el
p ocesamien o de lenguaje na u al, la IA empezó a demos a capacidades más
a anzadas: p edeci esul ados, op imiza p ocesos y analiza g andes can idades
de da os (Taboada e al., 2023; Uddin e al., 2023).
Es e p og eso ha cambiado p o undamen e la o ma en que las o ganizaciones
oman decisiones, ges ionan el conocimien o y mejo an su eficiencia ope a i a
(Cub ic, 2020). En el campo de la ges ión de p oyec os, la in es igación sob e IA ha
c ecido de mane a cons an e desde 2018, despe ando el in e és an o de
in es igado es como de p o esionales (Ben o e al., 2022; Taboada e al., 2023).
Al p incipio, el uso de IA en p oyec os se limi aba a modelos de p edicción sencillos
y a eas básicas de planificación, especialmen e pa a es ima el es ue zo necesa io
y p og ama ac i idades en el iempo. F idgei sson e al. (2023) y Hasmukh (2024)
des acan que es as ue on las p ime as á eas en mos a beneficios cla os, ya que
educían los e o es humanos y mejo aban la p ecisión de las es imaciones.
Después, el pe eccionamien o de los algo i mos de ap endizaje au omá ico
pe mi ió abo da aplicaciones más complejas, como de ec a pa ones de iesgo o
asigna ecu sos de mane a óp ima (Uddin e al., 2023; Taboada e al., 2023).
Más ecien emen e, la llegada de modelos gene a i os y g andes modelos de
lenguaje han ma cado una nue a e apa en la elación en e IA y ges ión de
p oyec os. Es as he amien as pueden gene a documen os de planificación,
edac a in o mes o sin e iza in o mación de di e en es s akeholde s, o eciendo
un alo muy in e esan e en á eas como la ges ión au oma izada del conocimien o
y la comunicación del equipos (Felice i e al., 2024; Ba caui & Mona , 2023).
A pesa de odos es os a ances, los es udios coinciden en que la adopción de IA
en ges ión de p oyec os sigue siendo limi ada. És a se emplea p incipalmen e en
en oques adicionales o híb idos, siendo menos común en ma cos ágiles como
Sc um o Kanban (Ka im Zadeh e al., 2024; Campo e de Mo ales, 2024). Es a
di e encia sugie e que, a pesa de la e olución de las capacidades écnicas de la IA,
implemen a la en con ex os ágiles equie e conside a las ca ac e ís icas
pa icula es de es os ma cos de abajo. Po an o, exis e una necesidad cla a de
8 / 48
desa olla me odologías que pe mi an una in eg ación p og esi a, sos enible
y alineada con los p incipios ágiles.
2. Aplicaciones ac uales de IA en la ges ión de p oyec os
Aunque su uso oda ía es á en las p ime as ases, ya exis en casos documen ados
de o ganizaciones que han implemen ado ecnologías de IA y han conseguido
mejo as eales en di e en es á eas de la ges ión de p oyec os.
Una de las á eas donde más se es á aplicando la IA es en la es imación de cos es.
Los algo i mos de ap endizaje au omá ico, como las edes neu onales, la eg esión
o los á boles de decisión, pueden analiza da os de p oyec os an e io es y hace
p edicciones p ecisas sob e p esupues os, du ación de a eas y asignación de
ecu sos. Los esul ados son más consis en es y se ob ienen más ápido en
compa ación con los mé odos adicionales (Uddin e al., 2023; Hasmukh, 2024;
Ayeni, 2025).
O a á ea con buenos esul ados documen ados es la planificación de p oyec os.
Las écnicas de IA des acan po su capacidad pa a c ea c onog amas que se
adap an a las es icciones y ecu sos disponibles, de ec a cuellos de bo ella y
op imiza la asignación de pe sonal según sus habilidades y las dependencias en e
a eas (Ka im Zadeh e al., 2024).
En la ges ión de iesgos, Hashfi & Raha jo (2023) u iliza on algo i mos de
ap endizaje au omá ico y mé odos es adís icos pa a iden ifica pa ones en
g andes can idades de da os, lo que les pe mi ió an icipa e en os c í icos y
p opone medidas de p e ención adap adas a cada si uación. Los modelos
gene a i os y asis en es con e sacionales, basados en g andes modelos de
lenguaje, ambién pueden ayuda en la oma de decisiones, analizando
in o mación y o eciendo ecomendaciones en si uaciones donde hay muchos
da os que p ocesa y se necesi an espues as ápidas (Felice i e al., 2024).
Figu a 2. Aplicaciones de IA en ges ión de p oyec os según la e idencia seleccionada (Taboada e al., 2023).
9 / 48
Sin emba go, la mayo ía de es as aplicaciones oda ía se encuen an en ase de
p ueba o en en o nos con olados, sin es a comple amen e in eg adas en las
me odologías de abajo de los equipos. Y la e idencia disponible se concen a
p incipalmen e en p oyec os adicionales o híb idos, siendo menos ecuen e
en ma cos pu amen e ágiles como Sc um o Kanban (Ka im Zadeh e al., 2024).
3. In eg ación de IA en en o nos ágiles
Si bien muchas de las aplicaciones de la IA en ges ión de p oyec os se desa olla on
inicialmen e pa a en o nos adicionales, su in eg ación en ma cos ágiles es á
eme giendo como una endencia impo an e. Va ios es udios señalan que las
ca ac e ís icas p opias de es os en o nos (i e aciones con inuas, adap ación al
cambio, au onomía de los equipos y en ega g adual de alo ) hacen especialmen e
in e esan e inco po a ecnologías in eligen es que acili en la oma de decisiones
y aumen en la capacidad de espues a de los equipos (Ka im Zadeh e al., 2024;
Chin a, 2021).
Un ejemplo pa icula men e ele an e es Sc um, el ma co ágil más u ilizado, donde
se han documen ado aplicaciones de IA en cada ase del p oceso. Campo e de
Mo ales (2024) iden ifica usos específicos en la iden ificación de s akeholde s, la
p io ización au omá ica de p oduc backlogs, la es imación de his o ias de
usua io y el análisis de e ospec i as.
En la ase de inicio, la IA puede ayuda a iden ifica y clasifica s akeholde s
au omá icamen e, o ma equipos basándose en habilidades complemen a ias y
cons ui p oduc backlogs p io izados según inpu s humanos o da os his ó icos
(Campo e de Mo ales, 2024; Taboada e al., 2023). Los modelos p edic i os
ambién pe mi en gene a planes de lanzamien o más ealis as basados en la
elocidad de los equipos y la complejidad de las a eas.
Du an e la planificación, los algo i mos de ap endizaje au omá ico acili an la
es imación del es ue zo y la p io idad de las his o ias de usua io, lo que ayuda a
defini el sp in backlog de mane a más cohe en e con la capacidad del equipo
(Campo e de Mo ales, 2024; Uddin e al., 2023).
En la ejecución del sp in , la IA se u iliza pa a au oma iza a eas ope a i as,
gene a in o mes de p og eso, p edeci cuellos de bo ella y de ec a
des iaciones del plan. También se ha explo ado su aplicación pa a ecomenda
easignaciones de a eas o gene a documen ación au omá ica en he amien as de
ges ión como JIRA (Chin a, 2021; Hasmukh, 2024; Felice i e al., 2024).
Finalmen e, en las ases de e isión y e ospec i a, se han documen ado
modelos capaces de analiza mé icas de endimien o y de ec a pa ones de
16 / 48
Fase 2: Implemen ación ocalizada
Obje i o:
Inco po a capacidades p edic i as básicas en p ocesos de planificación y ges ión
de iesgos, alidando beneficios medibles.
Ta eas ágiles obje i o:
•
Planificación de sp in : Es imación de es ue zo y capacidad del equipo.
•
Ges ión de iesgos: Iden ificación emp ana de imp e is os median e
análisis de da os his ó icos.
•
Ges ión del backlog: Sopo e en la p io ización median e análisis de alo
his ó ico.
Tecnologías de IA aplicadas:
•
Algo i mos de machine lea ning pa a es imación de es ue zo (Uddin e al.,
2023; Hasmukh, 2024).
•
Redes neu onales pa a p edicción de du ación de a eas basada en
complejidad y capacidad his ó ica (Hasmukh, 2024).
•
Análisis p edic i o básico pa a de ección de pa ones de iesgo, según
p oyec os simila es (Hashfi & Raha jo, 2023).
C i e ios de éxi o:
•
Mejo a del 20% en p ecisión de es imaciones.
•
Reducción del 25% en iempo de planificación de sp in s.
•
Iden ificación de al menos el 60% de iesgos ma e ializados.
17 / 48
Fase 3: Escalado de IA
Obje i o:
Ex ende capacidades de IA a p ocesos más complejos, inco po ando análisis de
lenguaje na u al.
Ta eas ágiles obje i o:
•
Re ospec i as y mejo a con inua: Análisis au oma izado de eedback y
sín esis de conclusiones.
•
Ges ión del backlog: P io ización au omá ica basada en análisis semán ico
de alo y dependencias.
•
Planificación de sp in : Asignación dinámica de a eas según habilidades y
ca ga de abajo.
•
Ejecución y seguimien o: P edicción de cuellos de bo ella y
ecomendaciones de easignación.
Tecnologías de IA aplicadas:
•
P ocesamien o de lenguaje na u al pa a análisis de e ospec i as y
eedback ex ual (Campo e de Mo ales, 2024; Felice i e al., 2024).
•
Mine ía de ex o pa a clasificación au omá ica de backlog (Campo e de
Mo ales, 2024).
•
Modelos p edic i os a anzados pa a op imización de ecu sos
conside ando habilidades complemen a ias (Taboada e al., 2023).
•
Paneles in eligen es con análisis en iempo eal y ale as p edic i as
(Hasmukh, 2024).
C i e ios de éxi o:
•
Au oma ización del 40% del análisis de e ospec i as.
•
Mejo a del 30% en p ecisión de p io ización de backlog.
•
Reducción del 35% en iempo de iden ificación de cuellos de bo ella.
18 / 48
8. Desc ipción de a eas o ases
A con inuación se de allan las es ases que componen el oadmap p opues o,
cada una con obje i os especí icos, a eas conc e as necesa ias pa a su
implemen ación y c i e ios de éxi o ajus ables a cada caso.
En caso de no supe a los c i e ios de éxi o es ablecidos en alguna a ea, se
ecomienda e alua los mo i os y elabo a un documen o de diagnós ico con
acciones o al e na i as pa a alcanza dichos c i e ios. Después, epe i y e alua
nue amen e la a ea.
Fase 1: Explo ación y sensibilización
Ta ea 1.1: E aluación de madu ez digi al
Obje i o:
Diagnos ica el ni el ac ual de p epa ación del equipo y la o ganización pa a la
adopción de ecnologías de IA: o alezas, gaps y opo unidades iniciales.
Sub a eas:
1. Audi o ía de da os disponibles:
o In en a ia uen es de da os his ó icos (JIRA, T ello, Asana, e c.).
o E alua la calidad, es uc u a y accesibilidad de los da os.
o Iden i ica los acíos c í icos en la cap u a de in o mación.
2. E aluación de compe encias écnicas:
o Mapea los conocimien os ac uales del equipo en IA.
o Iden i ica los oles cla e y su ni el de amilia idad con he amien as
digi ales.
o De ec a necesidades de o mación básica.
3. Análisis de esis encias cul u ales:
o Realiza encues as sob e pe cepciones de IA.
o Iden i ica p eocupaciones especí icas del equipo.
o E alua la p edisposición al cambio y adopción ecnológica.
Recu sos necesa ios:
• Roles in oluc ados en el análisis: Sc um Mas e , P oduc Owne ,
desa ollado es senio .
• He amien as: Fo mula ios de e aluación, so wa e de encues as,
he amien as de análisis de da os básicas,
C i e ios de éxi o:
• In en a io comple o de al menos 3 uen es de da os his ó icos u ilizables.
19 / 48
• Mapa de compe encias del equipo, con iden i icación de al menos 2
pe sonas con conocimien os básicos en ecnología.
• Iden i icación de máximo 3 esis encias p incipales, pe o con es a egias de
mi igación de inidas.
Conside aciones de implemen ación:
• Resis encias espe adas: Temo al eemplazo labo al, descon ianza en la
ecnología, echazo de p opues as.
• Mi igación: Comunica cla amen e que la IA ac ua á como asis en e, no
como sus i u o.
• Fac o es c í icos: In oluc a al equipo en el p oceso de e aluación pa a
gene a owne ship.
20 / 48
Ta ea 1.2: Implemen ación de un cha bo básico
Obje i o:
In oduci la p ime a he amien a de IA isible que demues e alo inmedia o
acili ando el acceso a in o mación del p oyec o.
Sub a eas:
1. Iden i icación de consul as ecuen es:
o Analiza pa ones de comunicación elacionados con el p oyec o en
las pla a o mas de mail y cha .
o Ca aloga las 10-15 p egun as más epe i i as sob e el p oyec o.
o P io iza las po ecuencia e impac o en p oduc i idad.
2. Con igu ación del cha bo :
o Selecciona una pla a o ma de bo s (p e e iblemen e, in eg ables
con la he amien a de ges ión u ilizada).
o En ena el bo con espues as es ánda a consul as iden i icadas.
o In eg a con he amien as de comunicación exis en es.
3. Pilo o con olado:
o Desplega lo en un canal especí ico, o g upo educido.
o Moni o ea las in e acciones y ajus a sus espues as.
o Recopila eedback del equipo du an e su uso.
Recu sos necesa ios:
• Roles in oluc ados: Desa ollado con conocimien os básicos de APIs,
Sc um Mas e .
• He amien as suge idas: Mic oso Bo F amewo k, APIs de aplicaciones
de mensaje ía (Slack, Teams, Google Cha ).
C i e ios de éxi o:
• Respues as au omá icas co ec as en un 80% de las consul as.
• Reducción del 30% de in e upciones po consul as epe i i as.
• Sa is acción del equipo supe io al 70% en encues a pos -implemen ación.
Conside aciones de implemen ación:
• Resis encias espe adas: P e e encia po comunicación humana,
descon ianza en espues as au omá icas.
• Mi igación: Comenza con consul as muy básicas (ho a ios, enlaces,
p ocedimien os), en ena el bo con las consul as más ecuen es.
• Fac o es c í icos: Comenza simple, mejo a i e a i amen e escuchando
las necesidades de los equipos. No busca capacidades demasiado
a anzadas en ases emp anas.
21 / 48
Ta ea 1.3: Au oma ización básica de epo ing de p og eso
Obje i o:
Elimina
a eas manuales epe i i as en la gene ación de in o mes de es ado,
libe ando iempo pa a ac i idades de mayo alo y demos ando beneficios
angibles de la au oma ización
.
Sub a eas:
1. Análisis de in o mes ac uales:
o Documen a los in o mes que se gene an manualmen e (daily
epo s, sp in summa ies, minu as de eunión).
o Iden i ica las uen es de da os pa a cada mé ica.
o Mapea el iempo in e ido ac ualmen e en es as a eas.
2. Con igu ación de dashboa ds au oma izados:
o Conec a las he amien as de ges ión (JIRA/T ello) con pla a o mas
de isualización (Powe BI, Tableau, o G a ana).
o C ea plan illas básicas pa a los indicado es de sp in más
empleados (sp in bu ndown, eloci y cha s, comple ion a es).
3. Gene ación au omá ica de epo es:
o Implemen a sc ip s simples pa a ac ualiza y/o ex ae da os.
o C ea plan illas de in o mes con mé icas cla e.
o Con igu a el en ío au omá ico a s akeholde s.
Recu sos necesa ios:
• Roles in oluc ados: Analis a de da os, Sc um Mas e , P oduc Owne .
• He amien as: Powe BI/Tableau, APIs de JIRA/T ello, Py hon/Powe Shell.
C i e ios de éxi o:
• Au oma ización del 100% de los in o mes de es ado u ina ios.
• Reducción del 50% en iempo dedicado a epo ing manual.
• Dashboa ds ac ualizados en iempo eal con da os de al menos 3 mé icas
cla e.
• Sa is acción de s akeholde s con la calidad y pun ualidad de in o mes
supe io al 80%.
Conside aciones de implemen ación:
• Resis encias espe adas: Descon ianza en la p ecisión de da os
au omá icos, p e e encia po epo es manuales.
• Mi igación: Comenza con mé icas simples y obje i as, pe mi i e isión
manual an es del en ío inicial.
• Fac o es c í icos: Asegu a calidad de da os desde el o igen, man ene
o ma o cla o y amilia pa a s akeholde s.
22 / 48
Ta ea 1.4: Implemen ación de es imaciones con apoyo de IA
Obje i o:
In oduci una he amien a de análisis au omá ico que mejo e la p ecisión en las
es imaciones de iempo, y que es é basada en el análisis de da os his ó icos del
equipo.
Sub a eas:
1. P epa ación de da os his ó icos:
o Ex ae y o ganiza los da os de p oyec os an e io es (es imación
inicial s. iempo eal).
o Iden i ica las a iables ele an es (complejidad, ipo de a ea,
desa ollado asignado, echas).
o C ea una base de da os con al menos 100 his o ias de usua io
comple adas.
2. Implemen ación de he amien as de análisis:
o Con igu a una he amien a de análisis de pa ones sencilla, basada
en modelos de eg esión.
o Valida su u ilidad compa ando con las es imaciones de los úl imos
3 meses.
o C ea una in e az simple pa a ob ene suge encias de es imación.
3. In eg ación con lujo de abajo:
o Inco po a la he amien a en el p oceso de planning.
o Con igu a la pa a mos a suge encias, no decisiones inales.
o C ea mecanismo de e oalimen ación pa a mejo a con inuamen e
las ecomendaciones
Recu sos necesa ios:
• Roles in oluc ados: Desa ollado con conocimien os básicos de análisis
de da os, Sc um Mas e , equipo comple o.
• He amien as suge idas: He amien as de análisis de da os disponibles
conec adas con aplicaciones de ges ión de p oyec os (JIRA, T ello) pa a
ex acción de da os.
C i e ios de éxi o:
• He amien a con igu ada que apo e suge encias ú iles pa a el equipo.
• In eg ación exi osa en al menos el 50% de las sesiones de planning.
Conside aciones de implemen ación:
• Resis encias espe adas: Descon ianza en las es imaciones au omá icas,
emo a pe de au onomía en el planning.
23 / 48
• Mi igación: Posiciona los esul ados como suge encia, man ene la
decisión inal en el equipo.
• Fac o es c í icos: Calidad de da os his ó icos, anspa encia sob e cómo
unciona la he amien a, i e ación basada en eedback del equipo.
24 / 48
Mé icas gene ales de la Fase 1
KPIs de adopción:
• Po cen aje de miemb os del equipo que u ilizan al menos una he amien a
de IA implemen ada: >80%.
• Reducción en iempo dedicado a a eas adminis a i as: >30%.
• Sa is acción del equipo con las he amien as implemen adas: >70%.
C i e ios de ansición a Fase 2:
1. Todas las a eas de Fase 1 han cumplido con los c i e ios de éxi o indicados.
2. El equipo se sien e cómodo con las he amien as básicas implemen adas.
3. Se cuen a con da os his ó icos su icien es y de calidad pa a modelos más
complejos.
4. Se iden i ican al menos 2 p ocesos ágiles pa a op imiza en Fase 2.
5.
Apoyo del managemen y s akeholde s pa a con inua con la adopción.
FASE
TAREA
Fase 1:
Explo ación y sensibilización
1.1. E aluación de madu ez digi al.
1.2. Implemen ación de cha bo básico.
1.3. Au oma ización básica de epo ing.
1.4. Es imaciones con apoyo de IA.
Tabla 3. Resumen de a eas de la Fase 1.
25 / 48
Fase 2: Implemen ación ocalizada
Ta ea 2.1: Es imación a anzada con análisis p edic i o
Obje i o:
Desa olla he amien as de análisis más so is icadas que mejo en la p ecisión en
la es imación de es ue zo y iempo, eniendo en cuen a más a iables de con ex o
del p oyec o.
Sub a eas:
1. Expansión y en iquecimien o de la base de da os:
o Inco po a a iables adicionales: dependencias, desa ollado
asignado, complejidad écnica, ipo de his o ia.
o Recopila da os de al menos 200 his o ias comple adas, con
mé icas de calidad.
o In eg a da os de múl iples uen es (JIRA, eposi o ios, he amien as
de es ing).
2. Desa ollo de he amien as de análisis a anzadas:
o Implemen a algo i mos más so is icados, como edes neu onales o
machine lea ning.
o Analiza los da os pa a iden i ica pa ones ocul os en las
es imaciones.
o Valida la u ilidad de las he amien as compa ando con mé odos
an e io es.
3. In eg ación a anzada con he amien as ágiles:
o Implemen a una in e az que pe mi a ajus a ac o es con ex uales.
o Con igu a un sis ema de e oalimen ación con inua pa a mejo a
las ecomendaciones.
Recu sos necesa ios:
• Roles in oluc ados: Especialis a en análisis de da os, Sc um Mas e ,
P oduc Owne .
• He amien as suge idas: He amien as de análisis de da os, APIs de JIRA,
paneles de isualización.
C i e ios de éxi o:
• In eg ación exi osa con la he amien a de ges ión p incipal.
• Uso en el 80% de las es imaciones de nue as his o ias.
• Mejo a medible del 25% en p ecisión espec o a es imaciones manuales
Conside aciones de implemen ación:
32 / 48
Ta ea 2.5: In eg ación luida con he amien as de ges ión exis en es
Obje i o:
Asegu a que odas las capacidades de IA implemen adas se in eg en de mane a
na u al en el lujo de abajo dia io, sin c ea icciones adicionales.
Sub a eas:
1. Desa ollo de conec o es y APIs:
o C ea in eg aciones na i as con las he amien as del equipo.
o Desa olla unciones de ac ualización en iempo eal.
o Implemen a APIs pa a acceso desde múl iples in e aces.
2. Uni icación de expe iencia de usua io
o C ea un panel cen al que uni ique odas las capacidades de IA.
o Desa olla ex ensiones/plugins pa a he amien as p incipales.
3. Au oma ización de lujos de abajo
o Con igu a igge s au omá icos pa a análisis p edic i os.
o C ea lujos de abajo que combinen múl iples capacidades de IA.
o Implemen a no i icaciones in eligen es según con ex o y
p e e encias.
Recu sos necesa ios:
• Roles in oluc ados: Desa ollado ull-s ack, diseñado UX, Sc um Mas e
( alidación de lujos).
• He amien as suge idas: APIs de pla a o mas usadas, amewo ks de
desa ollo web, he amien as de es ing de in eg ación.
C i e ios de éxi o:
• In eg ación sin in e upciones en wo k low dia io (0 pasos adicionales).
• Reducción en núme o de he amien as di e en es u ilizadas po el equipo.
• Sa is acción del equipo con expe iencia de usua io >85%.
Conside aciones de implemen ación:
• Resis encias espe adas: Resis encia al cambio de he amien as
habi uales, complejidad adicional.
• Mi igación: Implemen ación g adual, p ese a in e aces conocidas,
p opo ciona o mación especí ica, comunica en ajas conc e as.
• Fac o es c í icos: Es abilidad de las in eg aciones.
33 / 48
Mé icas gene ales de la Fase 2
KPIs de e iciencia ope a i a:
• Mejo a en p ecisión de es imaciones: >85%.
• Reducción en iempo de sp in planning: >25%.
• Iden i icación p oac i a de iesgos: >70%.
• Mejo a en cumplimien o de obje i os de sp in : >20%.
KPIs de adopción y sa is acción:
• Po cen aje de uncionalidades de IA u ilizadas egula men e: >75%.
• Sa is acción gene al del equipo con he amien as implemen adas: >80%.
• Reducción en iempo dedicado a a eas adminis a i as adicional: 20%.
KPIs de alo de negocio:
• Mejo a en mé icas de calidad de en ega (de ec os, e abajos): >15%.
• Aumen o en elocidad p omedio del equipo: >10%.
• Mejo a en sa is acción de s akeholde s con p edic ibilidad: >25%.
C i e ios de ansición a Fase 3:
1. Todas las a eas de Fase 2 comple adas con c i e ios de éxi o alcanzados.
2. Modelos p edic i os ope ando con p ecisión demos ada >80%.
3. In eg ación luida de he amien as, sin impac o nega i o en p oduc i idad.
4. Equipo capaci ado pa a in e p e a y ac ua sob e insigh s de IA.
5. Iden i icación de p ocesos pa a op imización a anzada en Fase 3.
6. Mayo olumen de da os de calidad pa a so is ica los modelos.
7. Apoyo con inuado del managemen con e idencia de ROI posi i o.
FASE
TAREA
Fase 2:
Implemen ación ocalizada
2.1. Es imación a anzada con análisis p edic i o.
2.2. Sis ema p edic i o ges ión de iesgos.
2.3. Op imización plani icación sp in s.
2.4. P io ización in eligen e de backlog.
2.5. In eg ación luida he amien as.
Tabla 4. Resumen de a eas de la Fase 2.
34 / 48
Fase 3: Escalado de IA
Ta ea 3.1: Sis ema a anzado de análisis de e ospec i as
Obje i o:
Implemen a capacidades de p ocesamien o de lenguaje na u al pa a analiza
au omá icamen e eedback de e ospec i as, iden i ica pa ones de mejo a y
gene a ecomendaciones con ex uales pa a el equipo.
Sub a eas:
1. Recopilación y es uc u ación de da os his ó icos de e ospec i as:
o Ex ae y ca aloga el eedback ex ual de e ospec i as de al menos
12 meses.
o Clasi ica los comen a ios po ca ego ías: p ocesos, he amien as,
comunicación, bloqueos écnicos.
o C ea cue pos de ex o pa a en enamien o de modelos NLP.
2. Desa ollo de modelos de análisis semán ico:
o Implemen a análisis de sen imien os pa a de ec a á eas de
us ación s sa is acción.
o C ea modelo de iden i icación de p oblemas ecu en es,
o ganizados po emas.
3. Sis ema de análisis au omá ico pa a mejo a con inua:
o Con igu a un algo i mo de iden i icación de pa ones ecu en es en
los inciden es epo ados.
o Desa olla un sis ema de ecomendaciones basado en soluciones
exi osas p e ias.
o Implemen a seguimien o au omá ico de e ec i idad de acciones
implemen adas.
4. In e az in e ac i a pa a e ospec i as asis idas:
o C ea una he amien a que acili e la cap u a es uc u ada de
eedback du an e e ospec i as.
o Implemen a un sis ema de suge encias de acciones conc e as
basadas en análisis his ó ico.
Recu sos necesa ios:
• Roles in oluc ados: Da a Scien is con especialización en NLP, Sc um
Mas e ( alidación), Diseñado UX.
• He amien as suge idas: Py hon, APIs de OpenAI, bases de da os de ex o.
35 / 48
C i e ios de éxi o:
• Iden i icación au omá ica del 85% de emas ecu en es en e ospec i as.
• Reducción del 40% en iempo dedicado a análisis manual de eedback.
• Mejo a del 30% en seguimien o y esolución de acciones iden i icadas.
Conside aciones de implemen ación:
• Resis encias espe adas: Pé dida de ma ices humanos en la e ospec i a.
• Mi igación: T anspa encia sob e qué se analiza, p ese a la discusión
humana.
• Fac o es c í icos: P i acidad del eedback.
36 / 48
Ta ea 3.2: P io ización au omá ica de backlog
Obje i o:
Desa olla un sis ema so is icado que combine el análisis de equisi os, la
e aluación de alo de negocio y la op imización de secuencias pa a una
p io ización in eligen e del p oduc backlog.
Sub a eas:
1. Sis ema a anzado de análisis de his o ias de usua io:
o Implemen a he amien as de compa ación au omá ica en e
his o ias de usua io.
o Ex acción au omá ica de in o mación cla e de his o ias.
o Ag upación au omá ica de his o ias.
2. Sis ema de e aluación au omá ica del alo de negocio:
o Con igu a he amien as que es imen au omá icamen e el alo de
las his o ias basándose en esul ados his ó icos.
o Inco po a análisis de comen a ios de usua ios y mé icas de uso
después del lanzamien o.
o C ea sis ema de pun uación según los esul ados eales ob enidos.
3. He amien a de op imización de secuencias de abajo:
o Con igu a un sis ema que ayude a o dena las his o ias de usua io
conside ando sus dependencias écnicas, alo de negocio y
es ue zo eque ido.
o Implemen a un análisis que mues e cómo el cambio de p io idad
de una his o ia a ec a a o as elacionadas.
o C ea una he amien a de simulación que pe mi a al equipo p oba
di e en es es a egias de p io ización an es de decidi .
4. In e az con e sacional pa a ges ión de backlog:
o Implemen a un nue o cha bo que pe mi a consul as na u ales
sob e p io ización.
o C ea un sis ema de explicación au omá ica de decisiones de
p io ización.
o Desa olla las capacidades de ajus e in e ac i o de c i e ios y pesos
po los equipos.
Recu sos necesa ios:
• Roles in oluc ados: Ingenie o NLP, P oduc Owne , ingenie o de da os.
• He amien as suge idas: Py hon, algo i mos de op imización.
C i e ios de éxi o:
• Aumen o de la p ecisión en p edicción de alo >80%.
• Reducción del 50% en iempo de discusiones de p io ización.
37 / 48
• Adopción de ecomendaciones del sis ema en >70% de los casos.
• Capacidad de p ocesa y e-p io iza el backlog comple o en <5 minu os.
Conside aciones de implemen ación:
• Resis encias espe adas: Descon ianza en c i e ios au omá icos de e-
p io ización y asignación de alo .
• Mi igación: Jus i icación comple a de las decisiones au omá icas,
posibilidad de co ección manual.
• Fac o es c í icos: De inición cla a y medible de " alo ", calidad de da os
his ó icos de alo .
38 / 48
Ta ea 3.3: Op imización dinámica de asignación de ecu sos y
habilidades
Obje i o:
Implemen a un sis ema in eligen e que op imice la asignación de a eas y ecu sos
en iempo eal, conside ando las habilidades indi iduales, la ca ga de abajo, las
dependencias en e a eas y los obje i os del sp in .
Sub a eas:
1. Modelado a anzado de compe encias y endimien o indi idual:
o C ea pe iles dinámicos de habilidades basados en his o ial de
a eas comple adas.
o Desa olla modelos de p edicción de endimien o según el con ex o
y el ipo de a ea.
2. Sis ema de op imización dinámica en iempo eal:
o Con igu a las he amien as pa a que easignen au omá icamen e
las a eas cuando cambien las condiciones del p oyec o.
o Implemen a un sis ema de op imización gene al: elocidad de
en ega, calidad del abajo, cambios de p io idad.
o C ea he amien as de dis ibución de ca ga de abajo, que
p e engan bu nou y omen en el c ecimien o p o esional.
3. Sis ema de de ección an icipada dependencias c í icas:
o Implemen a he amien as que mapeen au omá icamen e las
dependencias en e a eas e iden i iquen los pun os c í icos del
p oyec o.
o Mejo a el sis ema de ale as pa a que an icipe posibles bloqueos
an es de que impac en en el abajo de los equipos.
o Desa olla un sis ema de ecomendación de acciones p e en i as.
4. Dashboa d in eligen e de ges ión de ecu sos:
o C ea isualización en iempo eal del es ado de ca ga y
compe encias del equipo.
o Implemen a simulaciones in e ac i as de di e en es es a egias de
asignación.
Recu sos necesa ios:
• Roles in oluc ados: Da a Scien is , A qui ec o de So wa e, Sc um Mas e .
• He amien as suge idas: Py hon, he amien as de isualización a anzada.
C i e ios de éxi o:
• Mejo a del 35% en el equilib io de ca ga del equipo.
• P edicción de cuellos de bo ella con 72 ho as de an elación.
• Reducción del 30% en el iempo de a eas bloqueadas po dependencias.
39 / 48
• Mejo a del 20% en la sa is acción del equipo con la asignación de a eas.
Conside aciones de implemen ación:
• Resis encias espe adas: Sensación de mic o-managemen , pé dida de
au onomía en au o-asignación.
• Mi igación: Man ene la capacidad de decisión, posiciona los esul ados
como suge encias.
• Fac o es c í icos: Modelado p eciso de habilidades, espe o po
p e e encias indi iduales.
40 / 48
Ta ea 3.4: Modelos gene a i os pa a asis encia en plani icación y
documen ación
Obje i o:
Implemen a capacidades de IA gene a i a que asis an en la c eación de
documen ación de p oyec o, al e na i as de plani icación y bo ado es de
e ospec i as, man eniendo la supe isión humana.
Sub a eas:
1. Sis ema gene a i o pa a documen ación écnica:
o Implemen a he amien as de gene ación de bo ado es de
documen ación écnica, basadas en código y comen a ios
exis en es.
o C ea un sis ema que gene e au omá icamen e las no as de e sión
a pa i de los cambios ealizados.
o Desa olla un asis en e pa a la edacción de his o ias de usua io y
c i e ios de acep ación.
2. Ges o de al e na i as de plani icación:
o Implemen a un sis ema que p oponga di e en es al e na i as pa a la
plani icación del sp in .
o C ea un sis ema de gene e explicaciones comp ensibles sob e las
es imaciones ealizadas.
o Desa olla un sis ema capaz de gene a au omá icamen e planes de
con ingencia.
3. Asis en e in eligen e pa a e ospec i as:
o C ea un modelo que gene e bo ado es de e ospec i as basados
en mé icas y e en os del sp in .
o Implemen a un sis ema que sugie a p egun as pe sonalizadas pa a
cada e ospec i a.
o Desa olla una he amien a que p oponga acciones de mejo a
basándose en los p oblemas iden i icados.
4. Sis ema de mejo a con inua:
o C ea mé icas de u ilidad y de p ecisión del con enido gene ado.
o Implemen a un mecanismo de e oalimen ación, pa a mejo a la
calidad y consis encia del con enido gene ado.
o Desa olla un sis ema que ap enda las p e e encias del equipo pa a
pe sonaliza las suge encias.
Recu sos necesa ios:
• Roles in oluc ados: Ingenie o de IA con expe iencia en LLMs, Sc um
Mas e .
• He amien as suge idas: APIs de IA.
41 / 48
C i e ios de éxi o:
• 80% del con enido gene ado u ilizable (con mínimas ediciones).
• Reducción del 60% en iempo de c eación de documen ación u ina ia.
• Gene ación de al menos 3 al e na i as iables de plani icación po sp in .
• Sa is acción del equipo con la calidad de con enido gene ado >75%.
• Adopción egula de suge encias en >50% de las e ospec i as.
Conside aciones de implemen ación:
• Resis encias espe adas: Descon ianza en la calidad del con enido
au omá ico, pé dida de c ea i idad humana.
• Mi igación: Man ene la e isión humana obliga o ia, ap eciando el
con enido au omá ico como un bo ado .
• Fac o es c í icos: Calidad y cohe encia del con enido.
48 / 48
Ka im Zadeh, H., Gheza a i, V., & Baghe pou , M. (2024). In eg a ing AI o agile p ojec
managemen : Inno a ions, challenges, and bene i s. Jou nal o In elligen
Manu ac u ing, 35(7), 1763–1779.
Taboada, H. A., Zhang, X., Ochoa, S., & Ca dozo, J. (2023). A i icial in elligence enabled
p ojec managemen : A sys ema ic li e a u e e iew. IEEE Access, 11, 123456–
123470. h ps://doi.o g/10.3390/app13085014
Uddin, S., Ong, S., Lu, H., & Ma ous, P. (2023). In eg a ing machine lea ning and ne wo k
analy ics o model p ojec cos , ime and quali y pe o mance. P oduc ion Planning
& Con ol, 34(12), 1150–1167. h ps://doi.o g/10.1080/09537287.2023.2196256
Beck, K., Beedle, M., an Bennekum, A., Cockbu n, A., Cunningham, W., Fowle , M.,
G enning, J., Highsmi h, J., Hun , A., Je ies, R., Ke n, J., Ma ick, B., Ma in, R. C.,
Mello , S., Schwabe , K., Su he land, J., & Thomas, D. (2001). Mani es o o Agile
So wa e De elopmen . Agile Alliance. h ps://agilemani es o.o g/
Beck, K., Beedle, M., an Bennekum, A., Cockbu n, A., Cunningham, W., Fowle , M.,
G enning, J., Highsmi h, J., Hun , A., Je ies, R., Ke n, J., Ma ick, B., Ma in, R. C.,
Mello , S., Schwabe , K., Su he land, J., & Thomas, D. (2001). P inciples behind he
Agile Mani es o. Agile Alliance. h ps://agilemani es o.o g/p inciples.h ml
