Las herramientas de IA generativa suelen llegar a las organizaciones antes de que exista una idea clara de cómo incorporarlas al trabajo. Primero aparece el acceso. Luego una prueba inicial. Después, la expectativa de que el uso se ordene por sí solo.
Rara vez ocurre así.
Cuando un piloto pierde fuerza, la explicación no suele estar solo en la calidad del modelo. También pesa la claridad del caso de uso, la forma en que la herramienta se integra en los procesos existentes, la confianza de los equipos en sus resultados y la capacidad de la organización para supervisar lo que ocurre después del despliegue.
Por eso miramos la preparación para GenAI como un conjunto de condiciones, no como una decisión técnica aislada. Lo que sigue es la forma en que estamos ordenando esas preguntas en un instrumento en construcción, pensado para ayudar a decidir qué debería estar listo antes de avanzar.
Un perfil, no una puntuación
La preparación para IA suele resumirse en una puntuación. Es práctico: permite comparar, priorizar y presentar avances de forma sencilla. El problema es que una cifra única rara vez muestra dónde está la fricción real.
Un caso de uso puede estar bien definido y, aun así, fallar por falta de confianza, por una integración deficiente o por ausencia de criterios claros para supervisar sus resultados. También puede pasar lo contrario: hay interés, capacidades técnicas y apoyo interno, pero la infraestructura o la gobernanza todavía no sostienen el despliegue. Un score compuesto o basado en una media aritmética suaviza esas diferencias justo cuando más importa poder verlas con claridad.
En Tressia Labs proponemos un perfil. Seis dimensiones observadas en paralelo, cada una con su propio diagnóstico. Lo relevante no es obtener una nota alta, sino entender qué condición necesita trabajo antes de avanzar.
Las seis dimensiones
Agrupamos las dimensiones en tres bloques porque cada uno observa una parte distinta de la adopción. El primero mira la experiencia de quienes usarán la herramienta. El segundo, la capacidad de la organización para sostenerla. El tercero, las reglas que permiten decidir, supervisar y corregir.
La experiencia de uso
- Utilidad
- La primera pregunta es simple: qué problema ayuda a resolver. Una herramienta de GenAI puede ahorrar tiempo, mejorar una tarea, apoyar una decisión o abrir una forma de trabajo más precisa. Esa utilidad tiene que verse en la práctica diaria. Cuando el caso de uso solo funciona en la presentación, la adopción pierde fuerza rápidamente. TAM · UTAUT
- Facilidad
- Adoptar una herramienta también implica esfuerzo: aprender a usarla, incorporarla a una rutina y entender cuándo conviene aplicarla. Cuando ese esfuerzo es demasiado alto, el problema suele estar en el diseño del proceso, antes que en la herramienta. UTAUT · Effort Expectancy
- Confianza
- La confianza define si el uso se mantiene en el tiempo. Incluye la confianza en los resultados del sistema, en la organización que lo despliega y en la capacidad del equipo para revisar, cuestionar o corregir lo que la herramienta produce. Sin esa base, el uso queda limitado a pruebas aisladas. Steerling 2023 · Cicin & Gürkan 2026
La capacidad organizativa
- Alfabetización
- No todas las personas necesitan entender cómo se entrena un modelo. Sí necesitan criterios suficientes para interpretar sus resultados, reconocer errores frecuentes y saber cuándo pedir revisión. Esa lectura crítica reduce dependencia y mejora la calidad de las decisiones. As'ad & Faran 2025 · WHO 2021
- Clima
- La adopción depende también del entorno inmediato. Si el equipo percibe apoyo, tiempo para aprender y permiso para señalar problemas, la herramienta tiene más posibilidades de integrarse de forma útil. Cuando el uso se impone sin conversación, la resistencia aparece pronto. FAIIR-H · CFIR
- Infraestructura
- Esta dimensión requiere una revisión técnica. Importan la calidad de los datos, la integración con los sistemas existentes, la trazabilidad de las fuentes, la seguridad y los mecanismos para detectar degradación del rendimiento. Sin estas condiciones, incluso un buen caso de uso puede volverse frágil. Marteau 2025 · FAIIR-H
El marco de decisión
Este bloque define cómo responde la organización cuando la herramienta deja de comportarse como se esperaba, produce efectos no deseados o exige una decisión que supera al equipo que la usa.
- Gobernanza
- La pregunta central es quién decide y con qué autoridad. Antes de desplegar una herramienta conviene tener una política vigente, un proceso de evaluación de riesgos y un espacio responsable de aprobar, ajustar o suspender su uso. La gobernanza no ralentiza la adopción; le da condiciones para avanzar con criterio. Wells 2025 · NIST RMF
- Monitoreo
- Una herramienta de GenAI necesita seguimiento después del despliegue. Indicadores claros, revisión periódica, canales para reportar problemas y un proceso de mejora permiten saber si sigue aportando valor. El monitoreo convierte la adopción en una decisión revisable, no en una apuesta permanente. Wells 2025 · RE-AIM
- Ética
- Autonomía, seguridad, transparencia y equidad funcionan como filtros de decisión. No son una capa decorativa ni una puntuación aparte. Sirven para revisar si el uso previsto de la herramienta respeta a las personas afectadas, distribuye bien los riesgos y permite explicar cómo se toman las decisiones. WHO 2021
Poner a las personas en el centro
Lo que el caso clínico nos enseñó
El caso clínico fue una vertical concreta, pero dejó una lección más amplia: una herramienta de GenAI se entiende mejor cuando se mira desde la persona que vivirá sus consecuencias.
En ese contexto era el paciente. En otros puede ser un estudiante, un ciudadano, un trabajador, un cliente o un equipo interno. La categoría cambia según el sector, pero la pregunta permanece: ¿qué mejora realmente para la persona afectada por esta decisión, este proceso o esta recomendación?
Al principio pensamos en reservar una dimensión aparte para el paciente. Después vimos que esa solución empobrecía el marco. La persona afectada no pertenece a una casilla; atraviesa varias. Está en la confianza, porque la herramienta cambia la relación entre quien decide y quien recibe la decisión. Está en la alfabetización, porque un error no detectado rara vez se queda dentro del sistema. Está en la gobernanza, porque las reglas diseñadas sin esas voces suelen llegar tarde a los riesgos importantes.
La verdadera prueba de GenAI se logra cuando toca la experiencia de las personas.
Por eso, en cada caso de uso conviene hacer tres cosas desde el inicio: incluir a personas con experiencia directa del proceso, observar qué cambia para ellas durante el piloto y mantener una responsabilidad humana clara sobre la decisión final. Esa centralidad no es un añadido ético. Es una forma más precisa de diseñar, evaluar y decidir.
Cómo se aplica
Aplicamos el marco como un protocolo de diagnóstico. Trabaja con tres líneas de evidencia que se leen en paralelo: la experiencia de uso, la base técnica y el marco de decisión de la organización.
Entradas — tres líneas de evidencia
Síntesis
Caminos posibles según el perfil
La primera línea recoge cómo se entiende el caso de uso: qué problema intenta resolver, quién lo usará, qué cambios introduce en el trabajo y qué efectos puede tener sobre las personas afectadas. Aquí importan la utilidad percibida, la facilidad de incorporación, la confianza y la capacidad del equipo para interpretar los resultados de la herramienta.
La segunda línea revisa las condiciones técnicas. Datos disponibles, calidad de las fuentes, integración con sistemas existentes, trazabilidad, seguridad y mecanismos para detectar pérdida de rendimiento. Esta parte exige conversación con equipos técnicos y revisión documental. El objetivo es separar una prueba viable de una implementación frágil.
La tercera línea observa la capacidad institucional para decidir y responder. Políticas vigentes, criterios de evaluación de riesgo, responsables definidos, canales de supervisión y autoridad para ajustar o detener el uso cuando el contexto lo requiera.
Con esas tres entradas construimos un perfil de preparación. El resultado no es una aprobación automática, sino una lectura situada: qué condiciones están listas, cuáles requieren trabajo y qué decisión conviene tomar antes de avanzar. A veces el perfil habilita un piloto. Otras veces señala una dimensión que debe fortalecerse primero.
Ese es el valor del método: convierte una intención general de adoptar GenAI en una decisión informada, trazable y discutible.
En qué punto estamos
Este marco está en fase de refinamiento y validación. Parte de literatura consolidada sobre adopción tecnológica, implementación, confianza, gobernanza y evaluación de IA, y la combina con criterios desarrollados en nuestro trabajo aplicado con casos de uso de GenAI.
La agenda metodológica está abierta: revisión experta de las dimensiones, validación de contenido, pruebas cognitivas con usuarios y aplicación en contextos organizativos distintos. Nos interesa observar cómo se comporta el perfil cuando pasa de una conversación conceptual a una decisión real de adopción.
Lo compartimos en esta etapa porque ayuda a formular mejor la pregunta que muchas organizaciones tienen delante: cómo avanzar con un proyecto de GenAI con método, evidencia y sentido organizativo. Queremos contrastarlo con equipos que estén trabajando en esa frontera y puedan aportar evidencia, criterio metodológico o casos de aplicación.
Si trabajas en esta frontera del conocimiento y quieres probar, discutir o contribuir en la validación de este instrumento, conversemos.
Referencias
- As'ad M, Faran N (2025). Digital maturity scores as gatekeepers for health AI. Baylor Univ Med Center Proc, 38(5). enlace
- Cicin FN, Çetin Gürkan G (2026). How physicians embrace AI. Front Digit Health, 8:1722087. enlace
- Marteau BL et al. (2025). AI Implementation Science Study to Improve Trustworthy Data. IEEE BHI 2025. enlace
- NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). enlace
- Steerling E et al. (2023). Trust in AI in relation to implementation in healthcare. Front Health Serv, 3:1211150. enlace
- Tun HM et al. (2025). Healthcare workers' trust in AI clinical decision support. J Med Internet Res, 27:e69678. enlace
- Wells BJ et al. (2025). FAIR-AI: practical framework for implementation and review of AI in healthcare. npj Digit Med, 8:514. enlace
- WHO (2021). Ethics and governance of artificial intelligence for health. enlace