Fases de un proyecto de IA: entregables, plazos y criterios de paso

Publicado: 2026-03-09 · Actualizado: 2026-10-28

Por Goiko, Founder & AI Solutions CTO de GUGŌ Creative

Las fases de un proyecto de IA —diagnóstico, prueba de concepto, MVP, producción y operación— con sus entregables, plazos y criterios para pasar de fase.

Un proyecto de inteligencia artificial pasa por cinco fases: diagnóstico, para decidir si el caso merece la pena y es viable; prueba de concepto, para demostrar con datos reales que el modelo resuelve la tarea; MVP, para que usuarios reales lo usen en su trabajo con un alcance mínimo; producción, para integrarlo en el proceso con seguridad y soporte, y operación, para mantenerlo medido y al día. Cada fase termina con entregables concretos y una decisión explícita: avanzar, repetir con cambios o parar.

Como orientación, el diagnóstico dura de unos días a tres semanas; la prueba de concepto, de una a cuatro, y el MVP con su paso a producción, de cuatro semanas a tres meses. Esta es la visión de proyecto: qué ocurre dentro de un proyecto una vez elegido el caso. Cómo priorizar casos, lograr la adopción y gobernar la IA en toda la organización se explica en cómo implementar IA en una empresa.

Las fases de un proyecto de IA de un vistazo

Cada fase responde a una pregunta distinta y reduce un riesgo concreto: primero el de negocio, después el técnico, luego el de uso y, por último, el operativo.

Fase	Pregunta que responde	Entregables	Duración orientativa	Criterio para pasar a la siguiente
Diagnóstico	¿Merece la pena y es viable?	Ficha del caso, línea base medida, inventario de datos y sistemas, mapa de riesgos y plan de prueba	De unos días a 3 semanas	Hay una métrica de negocio medida, datos accesibles y un riesgo aceptable
Prueba de concepto	¿Resuelve el modelo la tarea con nuestros datos?	Conjunto de evaluación, prototipo de extremo a extremo, informe de resultados y propuesta de arquitectura	1-4 semanas	Supera el umbral de calidad pactado con un coste por caso asumible
MVP	¿Lo usan personas reales en su trabajo?	Sistema mínimo integrado, grupo piloto, registro de uso y errores, y lista de lo que falta	3-8 semanas	Uso sostenido y mejora de la métrica de negocio frente a la línea base
Producción	¿Aguanta el uso real con seguridad y soporte?	Integraciones completas, permisos, objetivos de servicio, monitorización, despliegue gradual y formación	1-4 semanas	Objetivos de servicio cumplidos y un responsable de negocio que lo asume
Operación	¿Sigue funcionando y compensa?	Revisiones periódicas, evaluación ante cada cambio, registro de incidencias y plan de mantenimiento	Continua	Cada revisión decide mantener, mejorar, ampliar o retirar

Los plazos son orientativos y se comprimen en los casos acotados. Como referencia, nuestro informe de precios 2026 sitúa el desarrollo completo de una automatización acotada en 4-6 semanas, el de un asistente con RAG en 4-8 y el de un copiloto interno en 6-12.

Fase 1: diagnóstico del caso de IA

El diagnóstico parte de un caso ya elegido y lo convierte en un problema que se puede probar: qué se quiere mejorar y cuánto vale hoy, con qué datos y sistemas se cuenta, y qué riesgo tiene equivocarse.

Entregables del diagnóstico

Ficha del caso: proceso, usuarios, volumen y descripción de la tarea sin mencionar la tecnología.
Línea base medida: tiempo por caso, tasa de error o casos atendidos hoy. Sin ella, nadie podrá demostrar después la mejora.
Inventario de datos y sistemas: dónde está la información, cómo se accede, quién la mantiene y qué permisos aplica.
Mapa de riesgos: datos personales, impacto de un error, si el uso está regulado y qué revisión humana hará falta.
Plan de la prueba de concepto: casos de evaluación, umbral de éxito, plazo y presupuesto.

Cuándo pasar a la prueba de concepto

Se avanza si hay una métrica de negocio medida, los datos son accesibles al menos en una muestra representativa y el riesgo es aceptable con los controles previstos. Parar también es un buen resultado si una regla, una integración o una herramienta estándar resuelve el problema. Más detalle en auditoría técnica de IA y en cómo preparar los datos de tu empresa para IA.

Fase 2: prueba de concepto con datos reales

La prueba de concepto contesta una sola pregunta técnica: ¿resuelve el modelo esta tarea con nuestros datos y con la calidad necesaria? No es una demo para convencer, sino un experimento que puede fallar.

Lo primero es el conjunto de evaluación: casos reales con su respuesta correcta, revisados por quien conoce el proceso. La guía de evaluación de OpenAI recomienda evaluar pronto y a menudo, y la de Anthropic sobre criterios de éxito pide que sean específicos, medibles, alcanzables y relevantes: «acierta la categoría en al menos 9 de cada 10 correos de prueba» sirve como criterio; «responde bien», no.

Entregables de la prueba de concepto

Conjunto de evaluación versionado, con casos normales, casos difíciles y casos que el sistema debería rechazar.
Prototipo de extremo a extremo del flujo principal, sin interfaz cuidada.
Informe de resultados: calidad frente al umbral, errores clasificados por tipo, latencia y coste estimado por caso.
Propuesta de arquitectura para el MVP: técnica y proveedor de modelo; ver fine-tuning o RAG y cómo elegir GPT, Claude o Gemini.

Cuándo pasar al MVP

Se avanza si el prototipo supera el umbral pactado y el coste por caso es compatible con el valor del proceso. Si se queda cerca, se repite una vez con cambios concretos —mejores fuentes, otra técnica u otro modelo— y un criterio nuevo. Si queda lejos, se para o se replantea el alcance.

Fase 3: MVP de IA con usuarios reales

El MVP es la versión mínima que personas reales usan en su trabajo diario. Su riesgo ya no es técnico sino de uso: si encaja en el proceso, si la gente se fía de las respuestas lo justo y si la métrica de negocio mejora.

Alcance mínimo no significa sin cimientos: desde el MVP hacen falta inicio de sesión con los permisos de cada usuario, registro de cada petición y respuesta, y una forma sencilla de marcar errores, que pasan a ser nuevos casos de evaluación.

Entregables del MVP

Sistema integrado con la fuente principal de datos y, si propone acciones, con aprobación humana antes de ejecutarlas.
Grupo piloto con una formación breve y una persona que recoge las incidencias.
Panel con uso, errores marcados, coste por caso y métrica de negocio frente a la línea base.
Lista priorizada de lo que falta para producción.

Cuándo pasar a producción

Se avanza cuando los usuarios piloto lo usan de forma sostenida, la métrica de negocio mejora y no hay errores graves sin control. Un MVP que el equipo deja de usar no está listo aunque funcione: antes de ampliar hay que entender por qué. Si es un producto para clientes, aplica también cómo lanzar un MVP con inteligencia artificial.

Fase 4: paso a producción

En producción, el proceso depende del sistema, y lo que en el MVP se toleraba —un fallo del proveedor, una integración caída, una respuesta lenta— deja de ser aceptable. Sculley y otros (2015) ya advertían de que es habitual que los sistemas de aprendizaje automático en producción acumulen deuda técnica y de que sus resultados rápidos no salen gratis.

Entregables de producción

Integraciones completas con los sistemas de origen y destino, con reintentos y control de duplicados.
Permisos y seguridad revisados: credenciales propias del sistema, datos mínimos y protección frente a instrucciones ocultas en documentos; ver seguridad y privacidad en proyectos de IA.
Objetivos de servicio: según el libro de SRE de Google, un valor objetivo para un indicador medido; aquí, latencia, disponibilidad, tasa de error, calidad y coste por caso.
Monitorización y alertas sobre esos indicadores, con la evaluación ejecutada antes de cada cambio.
Despliegue gradual y vuelta atrás: un canary release, como lo describe Martin Fowler, lleva la versión nueva primero a pocos usuarios.
Documentación y formación para usuarios y para quien dará soporte.

Cuándo cerrar el proyecto y pasar a operación

El proyecto se cierra cuando el sistema cumple sus objetivos de servicio con uso real durante el periodo acordado, un responsable de negocio lo asume y el soporte está asignado. Si el uso es de alto riesgo según el Reglamento europeo de IA, el cumplimiento se revisa antes: el artículo 26 exige supervisión humana a cargo de personas con competencia, formación y autoridad, y conservar los registros al menos seis meses, desde el 2 de diciembre de 2027 para los sistemas del anexo III según el artículo 113.

Fase 5: operación y mejora continua

Un sistema de IA cambia aunque nadie lo toque: cambian los documentos, los datos de entrada, los hábitos de los usuarios y el propio modelo. Los proveedores retiran versiones; Anthropic, por ejemplo, documenta en su página de retiradas que las peticiones a un modelo retirado fallan, avisa con al menos 60 días de antelación y recomienda probar las aplicaciones con los modelos nuevos mucho antes de la retirada.

Entregables de la operación

Revisión periódica de calidad, uso, coste y métrica de negocio, más frecuente en los primeros meses.
Evaluación automática antes de cada cambio de modelo, de instrucciones o de fuentes.
Registro de incidencias y de errores marcados por los usuarios, que alimenta el conjunto de evaluación.
Plan de mantenimiento con presupuesto anual.

Qué decidir en cada revisión

Cada revisión termina en una de cuatro decisiones: mantener, mejorar, ampliar a otro equipo o retirar si ha dejado de compensar. Ampliar a un caso nuevo devuelve al diagnóstico, que será más corto porque reutiliza integraciones y parte de la evaluación. Cómo saber si compensa está en cómo medir el ROI de un proyecto de IA.

Ejemplo hipotético: las cinco fases en un clasificador de avisos de avería

Escenario hipotético, no un caso de cliente: una empresa de mantenimiento recibe por correo y formulario los avisos de avería, y un coordinador los clasifica y asigna a mano.

Diagnóstico. Se mide durante dos semanas el tiempo hasta la asignación, se inventaría el histórico de avisos clasificados y se descartan los datos personales innecesarios.
Prueba de concepto. El coordinador revisa 300 avisos históricos como conjunto de evaluación y se fija el umbral antes de probar. El prototipo lo supera en las categorías frecuentes y falla en las raras, que irán siempre a revisión humana.
MVP. El sistema propone categoría y técnico, y el coordinador acepta o corrige con un clic. Cada corrección se guarda como caso de evaluación.
Producción. Integración con el sistema de órdenes de trabajo, alertas si sube la tasa de correcciones y despliegue primero en una sola delegación.
Operación. Revisión mensual de correcciones y tiempos. Cuando el proveedor anuncia la retirada del modelo, se repite la evaluación con el sustituto antes de cambiarlo.

Errores frecuentes al saltarse fases

Sin diagnóstico: no hay línea base, y el éxito del MVP se convierte en una opinión.
Prueba de concepto sin conjunto de evaluación: la demo convence en la reunión y falla con los casos difíciles.
MVP sin registro: los errores reales se pierden y no hay con qué mejorar.
Cerrar el proyecto al desplegar: sin operación, el sistema se degrada sin que nadie lo vea.
Repetir fases sin límite: sin un cambio concreto y un criterio nuevo en cada vuelta, el piloto se vuelve eterno.

Para preparar las pruebas de cada fase, ver testing de sistemas de IA.

Cuánto cuesta cada fase de un proyecto de IA

Nuestro informe de precios de software e IA en España 2026 publica rangos por tipo de sistema, no por fase. Diagnóstico y prueba de concepto no tienen rango publicado: dependen del acceso a los datos y del número de casos a evaluar, y conviene contratarlos como trabajos cerrados con su propio entregable. El MVP y la producción se presupuestan con el rango del sistema que se construye:

Flujo de automatización acotado, con revisión humana: 10.000-20.000 €.
Asistente con RAG, con fuentes y panel de gestión: 10.000-25.000 €.
Copiloto interno con permisos por rol: 20.000-50.000 €.
Agente de IA: 20.000-35.000 € si se limita a una tarea y 35.000-60.000 € si es multiherramienta.

La operación es coste recurrente: mantenimiento del 15 al 25 % del desarrollo al año, uso de modelos por API desde unos 100 € al mes con poco volumen y de 2.000 a 5.000 € al mes con volumen alto, e infraestructura cloud de 50 a 500 € al mes. El desglose está en cuánto cuesta desarrollar una solución de IA.

Preguntas frecuentes

¿Cuáles son las fases de un proyecto de inteligencia artificial?

Cinco: diagnóstico, para comprobar valor, datos y riesgo; prueba de concepto, para demostrar con datos reales que el modelo resuelve la tarea; MVP, para validar el uso con personas reales; producción, para integrarlo con seguridad y soporte, y operación, para mantenerlo medido y al día.

¿Cuánto dura un proyecto de IA?

Como orientación, el diagnóstico lleva de unos días a tres semanas y la prueba de concepto, de una a cuatro. Según nuestro informe de precios 2026, el desarrollo completo va de 4-6 semanas para una automatización acotada a 6-12 para un copiloto interno.

¿Qué diferencia hay entre una prueba de concepto y un MVP de IA?

La prueba de concepto demuestra, contra un conjunto de evaluación, que el modelo resuelve la tarea con tus datos. El MVP demuestra que personas reales lo usan en su trabajo y que la métrica de negocio mejora. La primera reduce el riesgo técnico; el segundo, el riesgo de uso.

¿Cuándo se pasa de piloto a producción?

Cuando los usuarios piloto lo usan de forma sostenida, la métrica de negocio mejora frente a la línea base, no hay errores graves sin control y hay un responsable de negocio con presupuesto para operarlo. El despliegue es gradual y con plan de vuelta atrás.

¿Qué hay que decidir antes de empezar un proyecto de IA?

Qué caso abordar y con qué reglas. Priorizar los casos de uso, aprobar una política de uso y nombrar a un responsable son decisiones de empresa previas al proyecto; las explicamos en cómo implementar IA en una empresa.