Managing AI Projects

Guía integral sobre la dirección, gobernanza y ejecución de proyectos de inteligencia artificial en organizaciones empresariales, coescrita por Malini Jain Runtasewee (Cloud & Data Project Manager en Toptal) y Adrián González Sánchez (Product Manager de IA y Búsqueda en Microsoft AI y director académico en IE University). El libro abarca el ciclo de vida completo de proyectos de IA bajo estándares modernos, integrando tanto machine learning supervisado y no supervisado clásico como modelos de IA generativa actuales (LLMs y modelos multimodales). Está pensado para project managers, Scrum Masters, directores de innovación y líderes técnicos de nivel intermedio con bagaje en desarrollo de software o gestión ágil que necesitan pilotar iniciativas de IA con resultados tangibles.

Los autores estructuran la gestión de proyectos de IA en tres niveles fundamentales: estratégico (estrategia de negocio, datos, cultura organizacional y gobernanza ética interna), táctico (planificación adaptativa, gestión del cambio y sincronización entre ingenieros, científicos de datos y directivos) y técnico (definición de la arquitectura tecnológica, infraestructura y medición de desempeño). El texto analiza las fases del ciclo técnico (preentrenamiento, fine-tuning, evaluación y despliegue para inferencia), los riesgos propios de la IA (deriva de datos o data drift, alucinaciones, reproducibilidad y gestión de costes computacionales) y el instrumental clave de seguimiento ("AI Project Management Tool Trifecta"), que incluye Jira, Azure DevOps, Git, MLflow y asistentes de productividad asistidos por IA.

El libro adopta un enfoque mixto que combina marcos de gobernanza y metodologías ágiles adaptadas a la naturaleza iterativa y no determinista de la IA con análisis de historias de innovación reales del sector corporativo. Su mayor aportación es proporcionar una guía operativa para superar la barrera de las pruebas de concepto (PoCs) y desplegar productos de IA estables y escalables; deja fuera el desarrollo matemático de modelos y el código algorítmico profundo. Resulta muy conveniente contar con experiencia previa en metodologías como Scrum o Kanban y familiaridad básica con el ciclo de vida de los datos.