Módulo 6 — La última milla: del piloto a la práctica

Apuntes redactados con palabras propias a partir del material del curso. Las referencias bibliográficas se reproducen íntegras por ser datos factuales.

---

Índice

1. Enfoque y objetivos de aprendizaje
2. Capítulo 1 — Agentes de voz: síntesis, sistemas telefónicos y aplicaciones en tiempo real
3. Capítulo 2 — Integración de la última milla
4. Capítulo 3 — Resistencia interna y gestión del cambio
5. Capítulo 4 — Monitoreo del desempeño: métricas, KPI y bucles de retroalimentación
6. Preguntas de autoevaluación con respuestas
7. Glosario del módulo
8. Preguntas de reflexión
9. Tareas del módulo
10. Cifras y datos clave para memorizar
11. Vídeos, Padlets y recursos multimedia
12. Notas de discrepancia entre la web y la guía PDF

---

1. Enfoque y objetivos de aprendizaje

Enfoque del módulo

El módulo trata la transición que separa un piloto de IA que funciona de una implementación real a escala de empresa. Arranca con un caso ficticio de fracaso —un agente de voz en una clínica de salud— y a partir de ese ejemplo negativo desmonta por qué tantas iniciativas de IA se atascan en la "última milla" pese a resultados piloto prometedores. Se examinan los tres planos que determinan el desenlace: el técnico (integración, datos, MLOps), el organizativo (resistencia, cultura, gobernanza) y el humano (miedo, confianza, competencias). Cierra con el instrumento que hace sostenible todo lo anterior: la medición del desempeño mediante métricas, KPI y bucles de retroalimentación.

La estructura sigue una lógica de causa y remedio:

Objetivos de aprendizaje

Al terminar el módulo, el participante podrá:

1. Estudiar implementaciones fallidas de sistemas de IA para anticipar a los líderes las dificultades que pueden aparecer.
2. Analizar los desafíos de la integración en la última milla y explicar por qué los pilotos de IA habitualmente no escalan.
3. Identificar las fuentes comunes de resistencia interna al despliegue de agentes y proponer estrategias básicas de gestión del cambio.
4. Diseñar un marco de monitoreo del desempeño de los agentes con métricas, KPI y bucles de retroalimentación adecuados.

Índice de contenidos del módulo (según la plataforma)

1. Agentes de voz: síntesis, sistemas telefónicos y aplicaciones en tiempo real
- Cuando el teléfono deja de sonar: la lucha de una clínica de salud para implementar su primer agente de voz
- Configuración del estudio de caso ficticio: la clínica y el piloto
- Comienza la implementación real: qué es lo que falla
- Lecciones aprendidas: por qué el piloto no predijo esto
- Más allá de la ficción: implementaciones reales

2. Integración de la última milla: por qué los pilotos tienen éxito, pero los despliegues se detienen
- Introducción
- Por qué los pilotos tienen éxito, pero fallan en el lanzamiento
- Por qué las implementaciones a menudo se detienen
- Estrategias clave para una integración exitosa en la última milla

3. Resistencia interna y gestión del cambio
- Comprender la resistencia interna a la implementación de agentes de IA
- Marcos de gestión del cambio para la implementación de agentes de IA
- Estrategias integrales de gestión del cambio
- Mejores prácticas para un cambio sostenible

4. Monitoreo del desempeño de los agentes (métricas, KPI, bucles de retroalimentación)
- Monitoreo del desempeño: métricas, KPI y bucles de retroalimentación
- Del concepto a la medición: diseñar KPI que sean importantes
- Cerrar el bucle: sistemas de retroalimentación que realmente funcionen
- Desafíos de implementación y estrategias prácticas
- Conclusión: la medición es mantenimiento

---

2. Capítulo 1 — Agentes de voz: síntesis, sistemas telefónicos y aplicaciones en tiempo real

2.1 Por qué la voz importa estratégicamente

El profesor Abel Sanchez introduce el capítulo señalando que, aunque el debate sobre transformación digital gravita casi siempre alrededor del texto, la interacción humana cotidiana es mayoritariamente hablada. Eso convierte a las tecnologías capaces de transitar sin fricción entre voz y texto en una pieza estratégica, no en un accesorio.

2.2 Qué es un agente de voz

Un agente de voz es un sistema impulsado por IA que interactúa con las personas mediante habla natural. Se diferencia de la telefonía automatizada clásica (IVR con marcación por teclado y locuciones grabadas) en que comprende y produce lenguaje natural en lugar de recorrer un árbol de opciones fijas.

Arquitectura básica en tres bloques:

Como en el resto de la IA agéntica vista en el curso, estos sistemas combinan capacidades generativas con una superestructura agéntica que coordina el comportamiento: memoria de la conversación, llamadas a herramientas y sistemas externos, políticas de escalamiento, etc.

Usos típicos en salud: programación y cambio de citas, información de horarios de atención, renovación de recetas, notificación de resultados de pruebas. La motivación es absorber el volumen creciente de llamadas, reducir el agotamiento del personal administrativo y ofrecer disponibilidad 24/7, liberando a los humanos para lo complejo y lo sensible.

2.3 El caso ficticio: Clínica Familiar Maple Heights

Contexto. Centro de salud de tamaño medio en una ciudad densamente poblada. Atiende alrededor de 150 pacientes al día, en su mayoría adultos trabajadores y residentes mayores del entorno. La atención clínica está bien valorada, pero el equipo administrativo vive saturado: las mañanas empiezan con una acumulación de mensajes de voz y las líneas telefónicas siguen congestionadas hasta la tarde.

Decisión. El director de operaciones propone un agente de voz con IA para descargar a recepción y eliminar las esperas telefónicas. Tras evaluar proveedores, se selecciona un sistema con tres funciones: (1) reservar citas, (2) informar horarios de atención, (3) derivar la llamada a una persona cuando haga falta.

Diseño del piloto. Se ejecuta internamente, con empleados que simulan ser pacientes siguiendo guiones predefinidos y frases limpias del tipo "quisiera programar un chequeo físico para el próximo martes". El sistema responde de forma fiable en ese entorno controlado y la dirección aprueba el lanzamiento en vivo.

El defecto central ya está sembrado aquí: el piloto validó la capacidad del agente para seguir un guion, no su capacidad para sostener conversación humana real.

2.4 Los cuatro modos de fallo en producción

(1) Desajuste entre entrenamiento y realidad

Los pacientes reales no hablaban como los probadores. Personas mayores con habla lenta o poco clara, expresiones coloquiales, interrupciones a mitad de frase. Ejemplo del material: una madre intenta reprogramar la vacuna antigripal de su hijo desde un coche en marcha mientras el GPS interfiere; el agente no interpreta la petición, repite el mismo prompt y termina colgando.

El problema de fondo no era solo reconocimiento acústico sino conciencia del contexto: el sistema no estaba preparado para interrupciones naturales, discurso fragmentado ni varias intenciones dentro de una misma frase. Funcionaba con entradas "de manual" y colapsaba ante la variabilidad real.

(2) Fallos de integración del sistema

La conexión con el sistema de programación de la clínica resultó frágil. En momentos de alta demanda la API devolvía información desactualizada, de modo que el agente ofrecía huecos de agenda que ya no existían. Consecuencia: citas duplicadas y ausencias. Pacientes que se presentaban y no figuraban en el sistema; recepción improvisando para atenderlos; retrasos en cascada por toda la clínica; erosión de la confianza interna y externa en el sistema de IA.

(3) Fallas en las vías de escalamiento

La lógica de derivación era literal: solo se activaba con fórmulas concretas como "hablar con alguien" o "hablar con una persona". Un paciente mayor que dijo "necesito hablar con la enfermera sobre mi nivel de azúcar en la sangre" no fue reconocido como señal de escalamiento y volvió al menú principal. Otro paciente, angustiado tras un alta hospitalaria, colgó sin recibir ayuda al no poder llegar a un humano.

Lección: el escalamiento no puede depender de coincidencia de palabras clave; debe detectar intención y estado emocional, incluidas señales no estándar de urgencia o angustia.

(4) Pérdida de confianza del paciente

En una semana aparecieron quejas públicas en sitios de reseñas: pacientes que sentían que se había sustituido a las personas por un robot que no escucha, y familiares de personas mayores que perdieron su cita por no poder comunicarse. La moral del personal también se resintió: en lugar de reducir carga, el agente generó trabajo nuevo (atender reclamos, reprogramar manualmente citas perdidas). La mejora de eficiencia esperada nunca llegó.

2.5 Lecciones: por qué el piloto no lo predijo

• El piloto fue engañosamente exitoso: midió obediencia al guion, no robustez conversacional.
• No hubo pruebas de resistencia con audio superpuesto, ruido de fondo, jerga inesperada ni acentos multilingües.
• No existía capacidad de aprendizaje: sin panel de monitoreo del desempeño, sin etiquetado de interacciones fallidas y sin canal estructurado para que el personal reportara problemas.
• Formulación resumen del capítulo: la clínica resolvió el problema técnico (construir un agente de voz funcional) pero no el problema operativo (integrarlo de forma segura en la experiencia del paciente).

2.6 Contraejemplo real: Cencora e "Eva" (Infinitus)

Frente a la ficción negativa, el módulo presenta una implementación real exitosa. Cencora, gran distribuidor y operador de clínicas de salud en Estados Unidos, desplegó un agente de voz con IA llamado Eva, desarrollado por Infinitus, para automatizar llamadas administrativas críticas: verificación de beneficios y gestión de servicios farmacológicos.

Resultados y salvaguardas destacados:

La diferencia con Maple Heights no está en la tecnología sino en el andamiaje: alcance acotado a tareas administrativas de back office, triaje explícito hacia humanos y auditoría continua desde el primer día.

---

3. Capítulo 2 — Integración de la última milla: por qué los pilotos tienen éxito, pero los despliegues se detienen

3.1 El "purgatorio del piloto"

Muchos pilotos de IA —agentes de voz, soluciones conversacionales agénticas— rinden de forma impresionante en entorno controlado y se estancan al intentar el despliegue corporativo. El material llama a este patrón "purgatorio del piloto" y lo cuantiza:

• Afecta al 70–90 % de las iniciativas de IA.
• Por cada 33 prototipos desarrollados, solo alrededor de 4 llegan a producción.
  (Agility at Scale, 2025)

3.2 Definición: integración de la última milla

Integración de la última milla: proceso complejo de trasladar una tecnología piloto exitosa a operaciones comerciales rutinarias a gran escala; es decir, cerrar la brecha entre una prueba localizada y un impacto generalizado en toda la organización.

Por qué es difícil:

• Escalabilidad ausente en la infraestructura empresarial. Un agente de voz autónomo creado como prueba de concepto no encaja sin más en telefonía heredada, bases de datos CRM ni flujos de orquestación en tiempo real.
• Falta de MLOps. Sin operaciones de aprendizaje automático sólidas, despliegue automatizado y control de versiones, los pilotos no pueden supervisarse, reproducirse ni mantenerse con fiabilidad a escala.
• Problemas de datos. El piloto corre sobre conjuntos estáticos o seleccionados en entornos de prueba; en producción la IA recibe datos en flujo continuo de fuentes heterogéneas (llamadas, transcripciones, registros operativos). La fragmentación, los formatos inconsistentes y la mala calidad producen deriva del modelo, inexactitudes y fallos.

Idea clave del módulo: la última milla es el punto donde el valor teórico de la IA se convierte en impacto comercial tangible. Subestimar la complejidad de esta etapa arriesga la inversión completa y daña la experiencia del cliente.

Definición complementaria del material: agente de voz con IA = sistema de software que usa IA para interactuar con usuarios en conversaciones naturales en tiempo real. Ejemplo citado: el banco ING en Turquía utiliza un agente de voz con IA para atender llamadas de atención al cliente y reducir la carga de los agentes humanos.

3.3 Por qué los pilotos tienen éxito (los cuatro pilares)

Metáfora del material: los pilotos son las "ruedas de entrenamiento" del agente de voz con IA. Sirven para aprender y adaptarse de forma manejable antes de enfrentar los desafíos completos de la expansión. Demuestran valor y viabilidad, pero no acreditan por sí solos capacidad de operar a escala real.

"Construir una IA avanzada es como lanzar un cohete. El primer desafío es maximizar la aceleración, pero una vez que empieza a ganar velocidad, también hay que centrarse en dirigirlo." — Jaan Tallinn (citado en Versión 2, 2024)

3.4 Por qué las implementaciones se detienen

3.5 Ejemplos reales de fracaso

3.6 Las seis estrategias clave para la última milla

1. Definir casos de uso claros y enfocados. Partir de problemas de negocio específicos en lugar de intentar resolverlo todo. Casos acotados con métricas de éxito explícitas hacen la implementación manejable y medible; automatizar consultas rutinarias o programación son victorias tempranas que generan impulso. (Sumrak, 2025)
2. Planificación sólida de integración. Anticipar el acoplamiento con sistemas de respaldo heredados, aislados o complejos. Middleware moderno y APIs suelen cerrar la brecha. Garantizar flujo de datos en tiempo real e interoperabilidad para no crear cuellos de botella en la interacción con el cliente ni en los flujos internos. (Verma, 2025)
3. Diseñar flujos de conversación centrados en el usuario. Mapear los recorridos esperados y diseñar diálogos que anticipen variaciones de formulación, acentos y malentendidos. Incluir recuperación de errores fluida y escalamiento sencillo a humanos. Probar exhaustivamente antes de desplegar. (Sumrak, 2025)
4. Preparación y gobernanza rigurosas de los datos. Evaluar la preparación del dato antes de escalar: disponibilidad, limpieza, diversidad y seguridad. Constituir un grupo de trabajo de gobernanza de IA que asegure uso responsable, cumplimiento e integridad. (Rajadurai, Fulton y Haldipur, 2025)
5. Gestión integral del cambio y capacitación. La resistencia interna es una de las principales causas de estancamiento. Comunicación clara, participación de las partes interesadas y formación estructurada reducen la ansiedad y aceleran la adopción; involucrar al personal de primera línea en el diseño genera confianza y competencia. (Rajadurai et al., 2025)
6. Diseño centrado en el cliente y creación de confianza. Interacciones naturales y fluidas, incorporación de la retroalimentación de usuarios en la mejora del sistema y transiciones transparentes hacia agentes humanos para preservar la calidad del servicio. (Verma, 2025)

3.7 Conclusión del capítulo

Los pilotos triunfan porque son experimentos controlados y simplificados. La producción exige resolver la última milla: integrar con lo existente, manejar datos en tiempo real, mantener modelos y alinear la tecnología con los objetivos estratégicos del negocio. La resistencia organizacional, la falta de habilidades y la ausencia de respaldo ejecutivo ensanchan aún más esa distancia.

---

4. Capítulo 3 — Resistencia interna y gestión del cambio

4.1 Punto de partida

Un agente de IA es un sistema de software autónomo capaz de percibir su entorno, decidir y actuar para alcanzar objetivos con intervención humana mínima (Gosden, 2024). A diferencia de la automatización tradicional, se adapta a condiciones cambiantes, aprende de las interacciones y maneja tareas complejas y no estructuradas en distintas funciones del negocio. Precisamente por eso su despliegue genera respuestas humanas que exceden lo tecnológico.

El capítulo sostiene una tesis fuerte: la resistencia a la IA es primero un problema humano y solo después técnico, arraigado en mecanismos neurológicos de supervivencia. El cerebro interpreta el sistema nuevo como amenaza a rutinas establecidas y a la seguridad laboral. El principio operativo recomendado es "mantenerlo simple y directo" apoyado en marcos comprobados.

4.2 Fuentes de resistencia

A) Psicología humana

• Hasta el 70 % de los programas de cambio fracasan por oposición de los empleados o apoyo insuficiente de la administración (Cloud Security Alliance, 2025).
• La introducción de agentes desafía las normas vigentes, genera incertidumbre sobre el futuro y obliga a la gente a enfrentar posibles cambios de rol y responsabilidad. Eso activa mecanismos defensivos naturales que se manifiestan como resistencia.

B) Preocupaciones a nivel de empleado

C) Barreras organizacionales

• Inercia y escepticismo del liderazgo. Los ejecutivos pueden resistirse a abandonar prácticas tradicionales y mirar la IA con desconfianza, lo que retrasa la transformación digital, ya que el cambio efectivo debe empezar arriba (Marr, 2024).
• Resistencia cultural a la innovación, una de las mayores barreras. Se manifiesta como (Miesbauer, 2025):
• Preferencia por los procesos establecidos
• Toma de decisiones con aversión al riesgo
• Pensamiento departamental aislado (silos)
• Restricciones prácticas: presupuestos limitados, falta de experiencia técnica interna, prioridades en conflicto y presupuestos de capacitación insuficientes.

D) Desafíos técnicos y de gobernanza

• Dificultad de integrar los agentes con sistemas existentes, sobre todo infraestructura antigua.
• Baja calidad de datos y problemas de conectividad de APIs, que reducen la confianza en la solución.
• Políticas poco claras y supervisión insuficiente (Allganize, 2025): sin marcos de gobernanza adecuados, los empleados resisten por preocupaciones de rendición de cuentas, ética y cumplimiento.

4.3 Marcos de gestión del cambio

Modelo ADKAR aplicado a la IA

Marco de bloques secuenciales para el cambio individual (De Sousa, 2025; Creasey, 2025):

Modelo de 8 pasos de Kotter adaptado a la IA (YouAccel, s. f.)

1. Generar urgencia en torno a la adopción de la IA, resaltando presiones competitivas.
2. Crear una coalición guía de defensores de la IA en todos los departamentos.
3. Desarrollar una visión clara de colaboración entre humanos e IA.
4. Comunicar la visión por múltiples canales y con historias de éxito.
5. Potenciar la acción generalizada eliminando barreras y aportando recursos.
6. Lograr resultados a corto plazo mediante pilotos y victorias rápidas.
7. Consolidar logros y producir más cambio con mejoras iterativas.
8. Integrar los cambios en la cultura y las prácticas organizacionales.

¿Sabía que...? Las compañías que mantienen transparencia en la toma de decisiones de IA experimentan significativamente menos resistencia de los empleados y mayores tasas de adopción (Creasey, 2025).

4.4 Estrategias integrales de gestión del cambio

1. Comunicación y visión (IBM, 2025; Nasstar, 2024)
- Diálogo abierto y honesto sobre la implementación.
- Foros abiertos periódicos para atender preocupaciones.
- Explicaciones claras de cómo el agente complementa el trabajo humano en vez de reemplazarlo.
- Respuestas directas a temores y conceptos erróneos.
- Visión convincente que posicione a los agentes como socios colaborativos, no como sustitutos, y que subraye cómo la IA amplía capacidades humanas y crea nuevas oportunidades de trabajo significativo.

2. Educación y capacitación (Nasstar, 2024; Schwartz, 2024)
- Talleres prácticos con las interfaces reales de los agentes.
- Programas de certificación en alfabetización en IA.
- Mentoría y apoyo continuos.
- Desmitificar la tecnología con ejemplos prácticos, compartir casos de éxito de otros departamentos u organizaciones y dar contexto claro sobre el uso previsto.

3. Participación y compromiso de las partes interesadas (Schwartz, 2024; Cprime, s. f.)
- Comités multifuncionales de implementación de IA.
- Solicitar aportes sobre casos de uso y prioridades.
- Diseño conjunto de los enfoques de implementación con los usuarios finales.
- Identificar y empoderar defensores/embajadores de la IA que ofrezcan una perspectiva creíble y cercana entre pares.

4. Implementación y apoyo (Gosden, 2024)
- Lanzar al 100 % desde el día uno es demasiado arriesgado. Secuencia recomendada:
Pruebas internas con personal seleccionado → lanzamientos beta con grupos limitados → despliegue general según lecciones aprendidas.
- Infraestructura de soporte: servicio de asistencia dedicado a preguntas de IA, asesoramiento y orientación continuos, y mecanismos regulares de recopilación y respuesta a comentarios.

4.5 Mejores prácticas para un cambio sostenible

Construir una cultura preparada para la IA
- Crear seguridad psicológica: entorno donde se puedan expresar preocupaciones, preguntar y experimentar con los agentes sin miedo a juicios o consecuencias.
- Instalar una cultura de educación y adaptación continua, asumiendo que la tecnología seguirá evolucionando.

Medición y monitoreo del progreso — métricas de adopción a seguir:
- Tasas de adopción de agentes de IA por departamento
- Satisfacción de los empleados con las herramientas de IA
- Mejoras de productividad
- Incidentes de resistencia y tiempos de resolución
- Evaluaciones periódicas de preparación para el cambio (change readiness) para detectar resistencia emergente y ajustar la estrategia

Importante: el objetivo no es eliminar toda resistencia. Cierto escepticismo es sano y produce mejores decisiones de implementación. Lo que se busca es canalizar la resistencia hacia diálogo constructivo y resolución colaborativa de problemas, lo que acaba fortaleciendo el despliegue y la resiliencia organizacional.

4.6 Conclusión del capítulo

Desplegar agentes de IA con éxito exige tratar el proyecto como una transformación centrada en el ser humano, no como una actualización técnica. Las organizaciones que invierten en comunicación transparente, educación integral, participación inclusiva y sistemas de apoyo sólidos convierten el escepticismo en entusiasmo y la resistencia en colaboración, y crean valor tanto para el negocio como para sus empleados.

---

5. Capítulo 4 — Monitoreo del desempeño de los agentes (métricas, KPI y bucles de retroalimentación)

Este es el capítulo nuclear para la entrega sobre KPI. Se detalla al máximo.

5.1 Por qué la supervisión es esencial

Desplegar un agente no es la meta, es el punto de partida de una administración continua. Una vez que opera en condiciones reales, su comportamiento debe observarse, evaluarse y mejorarse de forma permanente; es la única manera de garantizar que produzca valor empresarial medible.

Analogía rectora del módulo: tratar al agente como a un empleado nuevo. Ninguna organización incorpora personal sin un mecanismo para evaluar rendimiento, guiar desarrollo y exigir responsabilidad frente a estándares. Con la IA aplica lo mismo.

Frase clave: si no se mide el desempeño del agente, no se está gestionando: se está adivinando.

El caso de Maple Heights lo ilustra: un sistema técnicamente competente puede rendir mal si sus acciones no se supervisan ni se interpretan en contexto. La supervisión convierte capacidad teórica en fiabilidad operativa.

5.2 Marco de las cinco dimensiones del desempeño

El desempeño de un agente no se captura con una sola métrica. Debe evaluarse en varias dimensiones, según la función del agente, su entorno y su nivel de riesgo (Chinoy y Liu, 2024).

Priorización por caso de uso. Las dimensiones se ponderan selectivamente. Ejemplos del material:
- Un agente de resumen legal prioriza gobernanza y exactitud por encima de la experiencia de usuario.
- Un chatbot minorista pone la UX en primer lugar.

5.3 Del concepto a la medición: diseñar KPI que importen

Principio de diseño. Los KPI hacen medible el desempeño, pero no deben elegirse de forma genérica ni heredarse por defecto del panel del proveedor. Se adaptan a la función específica del agente y a los objetivos de la unidad de negocio a la que sirve.

Regla de exclusión. Evitar métricas abstractas o internas del sistema (por ejemplo, uso de tokens) salvo que estén claramente ligadas a resultados que importan a la organización.

Las cinco categorías de KPI con ejemplos

Aplicación retrospectiva al caso Maple Heights

Los KPI que el equipo debió haber supervisado, y que habrían revelado el problema antes del daño reputacional:

Mapa útil: dimensión → categoría de KPI

5.4 Cerrar el bucle: sistemas de retroalimentación que funcionan

Premisa: las métricas solo valen si informan decisiones. El monitoreo debe incluir bucles integrados que vinculen la medición con el cambio efectivo del sistema.

Evolución de la madurez del monitoreo:

1. Implementaciones tempranas → dependen de la supervisión humana.
2. Sistemas de etapa intermedia → usan correcciones basadas en reglas.
3. Implementaciones avanzadas → pueden incluir agentes autónomos que se ajustan entre sí a partir de los datos de desempeño.

5.5 Desafíos de implementación y estrategias prácticas

Desafíos

Estrategias

5.6 Conclusión: la medición es mantenimiento

El desempeño del agente no se revisa después de un fallo: es una disciplina diaria. Sin medición, los agentes se desvían; con medición, maduran. Métricas, KPI y bucles de retroalimentación no son burocracia añadida, son las herramientas que hacen que la IA agéntica sea sostenible, responsable y valiosa en el tiempo. Igual que los empleados humanos crecen mediante evaluación y retroalimentación, los agentes prosperan bajo el mismo principio.

---

6. Preguntas de autoevaluación con respuestas

Actividad del capítulo 2 — Verdadero o falso

Justificación del ítem 2: el estancamiento se explica sobre todo por la complejidad de integración, el foco tecnológico en lugar del foco de negocio, la incorporación insuficiente y los costes de cómputo subestimados. La inercia del liderazgo es una barrera organizacional, pero no la causa principal.

Actividad del capítulo 3 — Opción múltiple

Pregunta 1. ¿Cuál es el objetivo principal de aplicar marcos comprobados de gestión del cambio durante el despliegue de agentes de IA?

• Para acelerar únicamente la integración técnica.
• ✅ Para abordar tanto los factores humanos como los técnicos.
• Para aumentar los precios de los productos.
• Para reemplazar al liderazgo.

Pregunta 2. ¿Cuál es una forma efectiva de abordar el miedo de los empleados de que la IA vuelva obsoletas sus habilidades?

• Ignorar sus preocupaciones.
• Reducir los presupuestos de capacitación.
• ✅ Destacar cómo la IA complementa la experiencia humana y fomentar la mejora de habilidades.
• Restringir el acceso a las herramientas de IA.

Pregunta 3. ¿Cuál de las siguientes opciones refleja mejor una barrera cultural para un despliegue exitoso de agentes de IA?

• Uso de la computación en la nube.
• ✅ Aferrarse a los flujos de trabajo tradicionales y escepticismo sobre la disrupción tecnológica.
• Acceso limitado a recursos financieros.
• Subcontratación de funciones de TI.

---

7. Glosario del módulo

(Traducción de contenido del Glosario_M6.pdf oficial, reformulada.)

Términos adicionales que aparecen en el contenido (no en el glosario oficial)

---

8. Preguntas de reflexión

Reflexión incluida en el capítulo 2 (contenido web)

• ¿Cuál es nuestra estrategia para pasar de un piloto exitoso a una adopción más amplia? ¿Estamos preparados para una mayor complejidad y variabilidad?

Reflexión de la guía de referencia del módulo (PDF)

• ¿Cómo pueden las organizaciones predecir mejor qué desafíos surgirán al pasar de la fase piloto a la producción?
• ¿Qué papel deberían desempeñar los empleados de primera línea en el diseño de estrategias de implementación de IA?
• ¿Cómo podría evolucionar el equilibrio entre la eficiencia de la automatización y la supervisión humana a medida que los agentes de IA maduren?
• ¿Qué métricas capturan verdaderamente el valor de la colaboración entre humanos e IA frente a la simple automatización de tareas?

---

9. Tareas del módulo

Nota de estudio para la entrega: el conjunto de 3–5 KPI gana solidez si (a) cubre varias de las cinco categorías —no todos operacionales—, (b) cada KPI se ancla a una dimensión de desempeño y a un objetivo de la unidad de negocio, (c) evita métricas internas del sistema sin vínculo con resultados, y (d) declara para cada KPI su umbral de acción y el bucle de retroalimentación que dispara.

---

10. Cifras y datos clave para memorizar

---

11. Vídeos, Padlets y recursos multimedia

Lecturas y vídeos obligatorios según la página "Recursos" del módulo: los ítems 3 y 4 de la tabla anterior.

---

12. Notas de discrepancia entre la web y la guía PDF

---

Apuntes elaborados el 16 de agosto de 2026 a partir del contenido del Módulo 6 del curso. Ver Modulo-6-referencias.md para el listado completo de referencias con URL verificadas.