Office Hours — Ezequiel Astrada
Cohorte con perspectiva de director de transformación digital: Astrada es Chief Digital Transformation Officer de la Universidad de Monterrey, además de facilitador en el MIT y en Stanford. Sus diapositivas son en buena parte diagramas, así que el texto extraíble es escaso — pero la sesión 7 contiene la estructura completa del proyecto final, y eso la hace la más útil de todas. Enlaces en Sesiones en directo › Office Hour con Ezequiel Astrada.
El proyecto final, sección por sección
| # | Sección | Qué pide |
|---|---|---|
| 1 | Contexto | Identificar el sector y tipo de negocio; especificar el departamento, proceso o función donde se implementará la IA |
| 2 | Elección de la tecnología | Qué sistema o sistemas de IA se utilizarán y por qué |
| 3 | Consideraciones de costes | Estimación que incluya gastos de capital, gastos operativos y cualquier gasto de personal o capacitación |
| 4 | Plan de seguridad | Cómo se abordarán la privacidad de los datos, la ciberseguridad y la mitigación de riesgos |
| 5 | Gestión del cambio y capacitación | Plan de adopción por parte de los empleados, comunicación y capacitación |
| 6 | Estrategia de escalado | Cómo se llevará a cabo la implementación usando el modelo de madurez gatear, caminar, correr |
| 7 | Gobernanza y cumplimiento | Cómo se garantizará el cumplimiento de las regulaciones y estándares relevantes |
| 8 | Indicadores clave de desempeño | Indicadores medibles para evaluar el éxito de la implementación |
El marco de trabajo de la cohorte
Todas las sesiones cierran con la misma consigna, que resume su tesis:
Foco en las personas. Make AI human. La disrupción es digital; la transformación es humana.
Y el lema operativo: piensa en grande, empieza pequeño, escala rápido.
Cuatro dimensiones del cambio
El reto que enuncia es convertir las inversiones digitales en resultados financieros sostenidos, y lo ordena en cuatro preguntas:
| Dimensión | Pregunta |
|---|---|
| Experiencia del cliente | ¿Cuáles son las experiencias que exceden las expectativas? |
| Datos y tecnología | ¿Cómo transformarán el mercado y la organización? |
| Innovación y entrega | ¿Cómo incrementar el valor y el time to market de nuevas ideas, productos y procesos? |
| Personas y cultura | ¿Cuáles son las nuevas habilidades, conocimientos y estructuras para la agilidad? |
El entorno competitivo, en cifras
Datos de Accenture con los que abre la serie:
| Dato | Cifra |
|---|---|
| Empresas de la lista Fortune 500 de 1955 que seguían en ella en 2016 | 12 % |
| Empresas de Fortune 500 que serán reemplazadas por nuevas para 2034 | 50 % |
| Directivos preocupados por si su compañía seguirá siendo relevante en los próximos dos años | 70 % |
| Líderes que ven a las startups de su sector como competidores mayores que las grandes corporaciones | 57 % |
Recorrido por sesiones
Sesión 1 — Fundamentos y encuadre
09/07/2026. Traza la genealogía de la disciplina con cuatro hitos: On Computable Numbers de Turing (1936), Runaround de Asimov (1942, donde aparecen las tres leyes de la robótica), las redes neuronales de Marvin Minsky (1951) y la acuñación del término «inteligencia artificial» por John McCarthy (1956). Con la cita de Andrew Ng: la IA es la nueva electricidad; igual que la electricidad transformó todas las industrias hace cien años, la IA hará lo mismo — y la razón es la automatización.
Introduce además dos conceptos que reaparecen toda la serie: AI TRiSM (gestión de confianza, riesgo y seguridad de la IA) y pensamiento sistémico. Y una advertencia en forma de título de diapositiva: la IA no es una estrategia.
Sobre el funcionamiento del programa, detalles útiles: la comunicación va por la bandeja de entrada de la plataforma con respuesta en 24 horas, el contenido del curso queda disponible durante seis meses, los certificados se emiten dentro de los 30 días posteriores, no hay penalización por entregas tardías, y el uso de IA generativa está permitido siempre que se mencione.
Sesión 2 — Conceptos de operación
16/07/2026. Introduce el vocabulario de operaciones que otras cohortes no tocan: MLOps, ModelOps (y su diferencia con MLOps) y FinOps aplicado a IA.
Su tabla de tipos de agente coincide con la de Camila Mohr pero con ejemplos más precisos:
| Tipo | Descripción | Ejemplo |
|---|---|---|
| Reactivos (reflex) | Responden de inmediato según reglas predefinidas, sin memoria ni previsión de consecuencias. Rápidos pero poco adaptables | Un ajedrez básico que elige jugadas solo según la posición actual |
| Basados en modelo | Mantienen un modelo interno del entorno para adaptarse a situaciones parcialmente observables | Una aspiradora robótica que recuerda las zonas limpiadas |
| Basados en objetivos | Evalúan acciones según si los acercan a la meta | Un coche autónomo que ajusta su ruta según tráfico o desvíos |
| Basados en utilidad | Evalúan la conveniencia de cada acción mediante una función de utilidad | Un sistema de trading que maximiza ganancias minimizando riesgos |
| De aprendizaje | Mejoran con la experiencia mediante realimentación continua | AlphaGo, que aprendió Go a nivel superhumano por autoaprendizaje |
Sesión 3 — Datos y gobernanza
23/07/2026. Sesión casi enteramente visual, pero su índice revela lo que ninguna otra cohorte cubre con esta profundidad: madurez de IA empresarial, sesgo y varianza, gobernanza de datos, y sobre todo la comparación Data Lake frente a Data Mesh —desarrollada en cinco diapositivas—, más el AI Risk Repository del MIT.
Sesión 4 — Casos de uso y priorización
30/07/2026. Tres casos por sector:
El rol del líder, en tres verbos: enfoque (definir la identidad y los valores de la organización y después explicar cómo la tecnología cumple los objetivos del negocio), estructuración (desarrollo de capacidades, modificación de flujos de trabajo, relaciones e incluso la distribución física de los puestos) y evaluación (valorar éxitos y fracasos para fundamentar decisiones coherentes).
Cinco palancas para escalar: crear un centro de excelencia con un proceso continuo de priorización de casos de uso, un marco de decisión desarrollar internamente o comprar, poner a prueba casos para evaluar escalabilidad, priorizar la IA responsable e invertir en alfabetización en datos e IA.
Resultados sobre promesas, en tres planos: de negocio (beneficios tangibles: productividad, procesos, modelos innovadores), tecnológicos (preparar procesos e infraestructura, gestionar datos estructurados y no estructurados, y asegurar que los derechos de acceso a los datos estén bien configurados) y conductuales (abordar el impacto emocional en los empleados e involucrarlos en la implementación).
Las tres categorías de caso de uso
El marco de priorización más claro de la cohorte:
| Categoría | Qué es | Tiempo hasta el valor |
|---|---|---|
| Quick wins — productividad | Asistentes tipo Copilot o Gemini para tareas específicas y de rápida adopción. Métrica clave: tiempo ahorrado por tarea. Las ganancias de productividad pueden disminuir como diferenciador con el tiempo; integrarlas en procesos más amplios mantiene la ventaja | Corto — menos de 1 año |
| Diferenciadores — ventaja competitiva | Casos específicos de la industria con aplicaciones personalizadas sobre datos propios. Mayor ventaja que los quick wins, pero costes y riesgos más altos y menos predecibles | Medio — 1 a 2 años |
| Transformadores — modelo de negocio | Mayores costes, complejidad, riesgos y posible deuda técnica. Priorizar los beneficios estratégicos sobre las ganancias financieras inmediatas al decidir la inversión | Largo — más de 2 años |
Sesión 5 — Un plan de transformación real
06/08/2026. La sesión más concreta: presenta el plan de transformación digital de su propia universidad como caso, con alineación estratégica completa (aspiración, elecciones estratégicas, iniciativas, habilitadores y fundamentos) y una hoja de ruta en tres fases:
| Fase | Periodo | Contenido |
|---|---|---|
| 1 · Fundamentos de personas, datos, procesos y tecnología | 2025–2026 | Alfabetización en datos, IA y ciberseguridad · gobernanza de datos con calidad, propiedad y custodia · Data Lake / Data Mesh · alineación cultural · plataformas de datos en nube · quick wins |
| 2 · Optimización | 2027 | Fuerza de trabajo digital · comité de IA · cumplimiento y seguridad · IA responsable · analítica de autoservicio · productos de datos · analítica predictiva y prescriptiva · MLOps/DataOps |
| 3 · Organización basada en datos e IA | 2027–2030 | IA plenamente integrada · IA multimodal y agéntica · campus inteligente y gemelos digitales · planificación en tiempo real · marco de gobernanza de IA · sistema de monitorización del valor de la IA |
Con una idea de fondo sobre por qué crece la capacidad: la capacidad organizativa aumenta al expandir capacidad; la capacidad del sistema aumenta mediante mejoras de iteración — es decir, agilidad.
La transformación es esfuerzo de todos: una estrategia única y visión compartida, construir transparencia, eliminar obstáculos, involucrar a todos fomentando la colaboración y asegurar la ejecución.
Sesión 6 — Power Skills, con Angie Acurio
13/08/2026. Coimpartida con Angie Acurio como ponente invitada. Es la única sesión de todo el curso dedicada íntegramente a habilidades humanas, sobre marcos del PMI y el Foro Económico Mundial 2025.
Se trata de ser más humanos con más tecnología.
Las nueve power skills que enumera: pensamiento sistémico, comunicación, empatía y escucha, inteligencia emocional, colaboración y gestión del conflicto, y adaptabilidad y aprendizaje —definida como actualizar modelos mentales, pedir realimentación y convertir los errores en aprendizaje—.
Cuatro situaciones que revelan el liderazgo real, planteadas como preguntas incómodas: un incidente crítico; un desacuerdo técnico (¿creas espacio para disentir o premias solo la obediencia?); un cambio de prioridad (¿explicas el porqué y reconoces el coste humano del cambio?); y un error propio (¿te defiendes o conviertes el error en aprendizaje compartido?).
El proceso de cinco pasos ante una señal débil: escuchar (dar legitimidad a la señal y pedir evidencia) → verificar (contrastar la recomendación y explicitar la incertidumbre) → diseñar (elegir una prueba reversible, con monitorización y reversión) → comunicar (traducir riesgos, opciones y criterio de decisión) → responder (nombrar quién decide y quién asume las consecuencias**).
Humanidad aplicada = criterio + relación + responsabilidad.
Sesión 7 — Proyecto final, gobernanza y guardarraíles
20/08/2026. Además de la rúbrica del proyecto, desarrolla el aparato de gobernanza con marcos de Deloitte (Trustworthy AI), el AI Risk Repository del MIT —con su taxonomía causal y su taxonomía de dominios de riesgo—, las amenazas de la Cloud Security Alliance, el NIST 2.0 y una arquitectura de referencia de McKinsey.
Sesión 8 — Del conocimiento a la acción: el business case y el cierre
27/08/2026 · 60 min · Módulo 8. La última sesión no cubre el capítulo de ética: lo sustituye por una estructura de caso de negocio y por un encuadre sobre qué hacer con lo aprendido. Es el complemento operativo de la rúbrica de la sesión 7.
El pensamiento sistémico que repite toda la serie —personas · procesos · datos · tecnología— con su consecuencia más citable:
«Es más importante ser data-driven que AI-driven: la IA es una consecuencia de una buena gobernanza de datos.»
La estructura del business case
El proyecto final, dice, es prácticamente un caso de negocio. Los apartados que propone:
| Apartado | Contenido |
|---|---|
| Visión de la solución | El estado futuro deseado y los criterios de éxito: no solo financieros, sino KPI de proyecto, tiempos, SLA y estimaciones |
| Análisis de opciones | «No todo se resuelve con el modelo más rápido, y no todo se resuelve con IA generativa o agéntica.» Analizar las alternativas disponibles en vez de elegir por familiaridad |
| Solución recomendada | Detalles técnicos, beneficios cuantificados y análisis de costes: VAN positivo, TIR y periodo de retorno |
| Plan de ejecución | Implementación, cronograma y recursos — gestión de proyectos clásica |
| Riesgos | «Levantar la mano a tiempo, antes de comprarnos un problema.» Si la organización fuerza el proyecto sabiendo que no hay datos o hay un problema de seguridad, hay que dejarlo escrito para que otro tome o autorice ese riesgo |
| Gobernanza | Estructura de control, monitoreo y mecanismos de reporte — del proyecto, no solo de la IA |
| Próximos pasos | Recomendaciones finales y acciones inmediatas |
Las preguntas previas — antes de empezar con agentes o IA generativa
«¿Qué necesita el cliente?» y desde ahí hacia atrás: qué datos de entrada requiere el diseño deseado; si la ingesta es por lotes o en streaming; si el problema se puede resolver con machine learning tradicional en lugar de con LLM o agentes —«no tratemos de resolver problemas de predicción u optimización con IA generativa»—; si hace falta edge computing y sensores; cómo se protege el sistema; y qué medidas de efectividad son críticas.
Sobre esto último, una distinción que conviene copiar: no son las métricas de que el modelo responda rápido, sino de qué tan efectivo es en la respuesta que da. Si responde bien el 90 % de los casos, ¿está bien? Si es insuficiente, hay que elevarlo — pero la decisión debe ser explícita.
Y las preguntas de negocio, en el estilo del heilmeier catechism: cómo se hace esto hoy y cuáles son los límites de la práctica actual · qué hay de nuevo en tu enfoque y por qué tendrá éxito · a quién le importa (mapeo de partes interesadas) · si tienes éxito, qué te diferenciará —«si no creas diferencia, ¿para qué lo haces?»— · riesgos, beneficios, coste, plazo, métricas e hitos de verificación.
Marcos y lecturas que aporta
| Fuente | Qué aporta |
|---|---|
| Peter Senge, La quinta disciplina | «La organización que aprende no es la que tiene más tecnología, sino la que tiene visión compartida.» Los tres niveles que recorre: maestría personal → visión compartida → aprendizaje en equipo |
| AI Transformation Playbook (Andrew Ng, fundador de Coursera) | Ejecutar pilotos para generar tracción → construir un equipo interno de IA → formación amplia → definir un plan sistémico de IA → comunicaciones internas y externas |
| Diez recomendaciones (de un libro de profesores del MIT) | Visión estratégica y hoja de ruta claras · comprender las necesidades de todas las partes interesadas · fortalecer el equipo con relaciones internas y externas · equipo multidisciplinar y diverso con habilidades complementarias · objetivos medibles acompañando al talento · seguir ampliando habilidades conforme evoluciona el trabajo · demostrar capacidad inicial con un MVP e iterar · verificar los subcomponentes y validar el sistema extremo a extremo · asegurar el sistema física y ciberneticamente · IA responsable |
| Rewire | Estructura de la transformación digital, con una nueva versión enfocada en IA |
Y el recordatorio de que el cambio no es solo experiencia de cliente, datos, tecnología, innovación y personas: también resultados financieros sostenidos.
El cierre
«El ciclo de aprendizaje se cierra aplicando lo aprendido.» · «Sean agentes de cambio — no agentes de IA: catalizadores de cambio, arquitectos del futuro.»
Con los valores que atribuye al MIT —excelencia, meritocracia, valentía, humildad, curiosidad y pasión por resolver problemas y mejorar la sociedad— y el lema mens et manus, al que añade et cor: mente, mano y corazón. Conocimiento aplicado, con impacto en el equipo, la organización y la comunidad.
Enlaces
Sesiones en directo · Webinars de facultad · OH Sara Artigas · OH Daniel Garrote · Guardrails · Gobernanza
Enlaces entrantes
- Curso IA Agéntica (MOC)Índice
- M7 Gobernanza, cumplimiento y pruebas de agentesMódulo
- Orientacion del cursoSesión
- Sesiones en directoReferencias
- WorkslopConcepto