En el módulo 1 armamos el mapa: dos arquetipos, siete pasos, dos casos que nos acompañan. Ahora hay que ejecutar los pasos 1 a 3 — llenar el embudo y vaciarlo rápido. Este módulo es deliberadamente operativo: al terminarlo deberías poder correr un taller de descubrimiento de dos horas en tu organización y salir con una lista corta calificada, no con un muro de post-its.

El error que este módulo previene tiene nombre: solución en busca de problema. La versión típica: alguien vuelve de una conferencia, junta al equipo y pregunta “¿dónde podemos meter IA?”. Esa pregunta genera cuarenta ideas mediocres porque parte del mecanismo, no del dolor. Las dos preguntas correctas — una por arquetipo — generan menos ideas, pero de otra calidad.

La tesis del módulo

Las ideas de arquetipo A se descubren mapeando lo que ya se hace (y duele); las de arquetipo B se descubren mapeando lo que no se hace (porque era imposible o incosteable). Después, un scorecard de cinco filtros mata la mayoría en horas — que es exactamente su trabajo. La calidad de un portafolio de casos de uso no depende de cuántas ideas entran al embudo, sino de qué tan barato salen las malas.

Descubrir para el arquetipo A: mapear el trabajo repetitivo

La pregunta generadora del arquetipo A es: “¿qué hace la gente muchas veces al mes, siempre parecido, y con reglas que caben en la cabeza?”. Las fuentes, en orden de rendimiento:

El mapa de procesos con volúmenes. Recorre las áreas operativas y anota, por proceso: cuántas unidades al mes, cuántos minutos por unidad, cuántas personas. No busques “procesos con potencial de IA”; busca volumen × tiempo. La IA aparece sola donde el número es grande.
Las bandejas de entrada. Correos, tickets, formularios, solicitudes internas. Todo lo que llega en volumen y alguien lee, clasifica y deriva es candidato natural — es literalmente el caso A del curso.
Los cuellos de botella con cola. Donde el trabajo espera días por una persona específica (revisión legal de contratos estándar, aprobación de gastos, QA de documentos), hay un flujo medible con un costo de espera además del costo de ejecución.
Las quejas del equipo. Pregunta “¿qué parte de tu semana harías que desapareciera?”. Las respuestas suelen ser tareas de alto volumen y bajo criterio — exactamente el perfil automatizable.

Ojo: en el arquetipo A, la mejor idea rara vez es la más glamorosa. “Clasificar 12.000 correos” suena aburrido al lado de “agente autónomo de ventas”, pero tiene volumen, baseline y tolerancia a error conocida. El glamour no aparece en ninguna fila del scorecard.

Descubrir para el arquetipo B: mapear los imposibles

La pregunta generadora del arquetipo B es distinta: “¿qué no hacemos hoy porque era demasiado caro, demasiado lento o necesitaba un experto que no escala?”. Las fuentes:

Los “solo para clientes grandes”. Todo servicio que hoy se raciona por costo — cotizaciones personalizadas, análisis a medida, atención dedicada — es candidato a democratizarse si la IA baja el costo por unidad en un orden de magnitud. El caso B del curso (cotizador) viene de aquí.
Los muestreos. Donde hoy se revisa el 5% (llamadas de ventas, transacciones, documentos) porque revisar el 100% era incosteable, la IA habilita cobertura total. El valor no es hacer lo mismo más barato: es ver lo que antes no se veía.
El conocimiento enterrado. Veinte años de documentos, contratos, manuales y correos que nadie puede consultar en conjunto. Un sistema que responde sobre ese corpus no reemplaza un flujo — crea uno.
El benchmark honesto. Qué están haciendo competidores y otras industrias con la misma tecnología. Es la fuente más débil (copiar capacidad ajena sin el contexto propio), pero sirve para no descubrir tarde algo que el mercado ya asumió.

El paso 1 en la práctica: la ficha de idea

Cada idea que entra al embudo se escribe en diez minutos con esta ficha. Si no se puede llenar en diez minutos, no es que la idea sea profunda — es que todavía no es una idea.

# Ficha de idea — [nombre corto]

- **Arquetipo:** [A: automatiza flujo existente / B: flujo nuevo]
- **Quién sufre hoy:** [rol concreto, no "la empresa"]
- **Qué pasa hoy:** [A: el proceso actual en una frase.
  B: qué no se hace y por qué]
- **Qué haría la IA:** [una frase, sin nombrar tecnología]
- **Volumen estimado:** [unidades/mes, aunque sea rango grueso]
- **Dónde está el valor:** [ahorro / ingreso / riesgo evitado]
- **Dueño natural:** [quién viviría con esto en producción]

El campo más importante es el último. Una idea sin dueño natural — sin un área que la quiera operar cuando el piloto termine — es una idea del equipo de innovación, y las ideas del equipo de innovación mueren cuando el equipo de innovación pasa a la siguiente.

El paso 3: el scorecard de cinco filtros

Con las fichas escritas, cada idea pasa por cinco filtros. Se puntúa 0, 1 o 2 en cada uno; los dos primeros son eliminatorios (un 0 frena el caso, sin importar el resto).

#	Filtro	0 puntos	1 punto	2 puntos
1	¿Es un problema de IA?	Lo resuelve una regla o un formulario	IA ayuda, con dudas	Requiere lenguaje/juicio a escala
2	Datos	No existen o no se pueden usar	Existen, dispersos o sucios	Existen, accesibles, con permiso
3	Volumen × frecuencia	Esporádico o marginal	Volumen medio	Alto volumen sostenido
4	Tolerancia al error	Un error es grave o irreversible	Error molesto, corregible	Error barato, revisable
5	Reversibilidad	Difícil volver atrás si falla	Reversible con esfuerzo	Se apaga y no pasó nada

El scorecard no inventa criterios nuevos: operacionaliza para una cartera lo que ¿es esto un problema de IA? enseña para un caso — su tabla de señales y su embudo de decisión, convertidos en puntaje comparable entre muchas ideas a la vez. El filtro 1 es ese módulo completo comprimido en una fila: si un if o una plantilla resuelven el problema, la IA solo agrega costo y varianza. El filtro 4 merece una pausa porque es el que más gente puntúa mal:

Cuidado con la tolerancia al error. Los modelos se equivocan un porcentaje del tiempo — siempre, en todo despliegue. La pregunta no es “¿se equivocará?” sino “¿cuánto cuesta cuando se equivoque y quién lo atrapa?”. Clasificar un correo mal (se reclasifica) y calcular mal un precio en una cotización enviada (se pierde plata o un cliente) son universos distintos. Un caso brillante con tolerancia cero al error no es necesariamente un mal caso de IA: es un caso que necesita controles acordes al riesgo — validaciones automáticas, límites, auditoría y, típicamente, un humano aprobando cada salida (que por sí solo no garantiza nada) —, y esos controles deben estar en el costo desde el módulo 4. Lo mismo con el volumen: un caso de volumen bajo puede valer la pena si cada evento vale mucho.

Con el puntaje (máximo 10), la regla de corte — una heurística del curso para ordenar una cartera, ajustable a cada organización, no evidencia de que un caso sea viable:

8-10 — candidata: pasa al paso 4 (medir baseline).
5-7 — congelador por defecto: se documenta y se revisa en 6 meses (los modelos y los datos cambian). Avanza como candidata condicionada solo si cada filtro que sacó menos de 2 tiene una acción concreta, un dueño con nombre y una fecha. Sin dueño y sin fecha se congela: “lo vemos en el camino” no es una condición.
0-4 — se descarta por escrito, con el motivo. El “por escrito” importa: evita que la misma idea vuelva cada trimestre como si fuera nueva.
Eliminatoria (un 0 en el filtro 1 o en el 2) — no avanza, y el destino depende de cuál fue. Un 0 en datos va al congelador: los datos se consiguen, y el día que existan la idea revive intacta. Un 0 en ¿es un problema de IA? se descarta y se resuelve hoy con la alternativa adecuada (la regla, el formulario); el registro anota qué cambio en el alcance o el contexto justificaría reabrirlo — no el modelo de turno.

El chequeo de readiness: ¿la plataforma aguanta este caso?

Hay una pregunta más que no puntúa la idea sino a la organización: ¿tenemos la plataforma mínima que este caso exige? No es un sexto filtro — no suma puntaje y no descarta a nadie: es una anotación que viaja con el caso hasta el TCO. Un caso que maneja datos de clientes necesita ofuscación de PII y guardrails; uno que toca datos regulados necesita controles de residencia y auditoría; cualquiera en producción necesita gestión de fallos y control de gasto. Ese conjunto de piezas compartidas es la landing zone de IA, y tiene módulo propio (módulo 6). La regla del embudo: si el caso exige piezas de plataforma que no existen, el caso sigue vivo — pero su TCO cargará con construirlas, y eso se anota aquí para que el módulo 5 no se encuentre la sorpresa.

Los dos casos del curso pasan por el scorecard

Filtro	Caso A: triaje de correos	Caso B: cotizador asistido
¿Problema de IA?	2 — lenguaje libre, intención	2 — redacción sobre catálogo
Datos	2 — historial de correos y respuestas	1 — catálogo ok, historial disperso
Volumen × frecuencia	2 — 12.000/mes sostenido	1 — cientos/mes potenciales
Tolerancia al error	2 — derivar mal se corrige	1 — precio malo cuesta, humano revisa
Reversibilidad	2 — se apaga, el equipo sigue	2 — es aditivo, se apaga sin daño
Total	10 — candidata	7 — candidata condicionada

El caso B no llega a 8, así que por defecto se iba al congelador. Avanza como candidata condicionada porque sus tres debilidades cumplen la regla completa: consolidar el historial de cotizaciones (filtro de datos) queda a cargo de la jefatura de operaciones comerciales, con fecha dentro del trimestre; el volumen incierto (filtro 3) se ataca validando la demanda con una campaña manual antes de construir — a cargo de la gerencia comercial, con resultado en 6 semanas (es la campaña del módulo 7); y la revisión humana del precio más un guardrail contra el catálogo (filtro de error) los diseña el liderazgo técnico del caso antes del primer piloto y se costean como la capa humana del módulo 4. Sin esas tres acciones, dueños y fechas, B se congelaba — y eso es precisamente lo que el scorecard existe para impedir: avanzar sin nombrar las debilidades y sin que nadie se haga cargo de ellas.

Errores comunes

Empezar el taller preguntando “¿dónde metemos IA?”. Genera soluciones en busca de problema. Corre dos rondas separadas: una con la pregunta A (¿qué se hace mucho y duele?) y otra con la pregunta B (¿qué no se hace porque era imposible?).
Saltarse la ficha e ir directo a debatir. Sin ficha, gana la idea del que habla más fuerte. La ficha de diez minutos obliga a que cada idea tenga volumen, dueño y valor antes de defenderse.
Tratar los filtros eliminatorios como negociables. “No tenemos los datos pero los conseguiremos” — ese es exactamente el proyecto que 18 meses después sigue consiguiendo los datos. Sin datos hoy, la idea va al congelador, no al piloto.
Puntuar la tolerancia al error con optimismo. El puntaje se asigna asumiendo que el modelo se va a equivocar, porque lo hará. Si la respuesta honesta es “no puede equivocarse”, el diseño necesita un humano en el circuito y el caso lo hereda en su costo.
Descartar sin escribir el motivo. Las ideas descartadas en silencio reencarnan. Un registro de una línea por descarte (“lo resuelve una regla de negocio, revisado 2026-09”) ahorra el mismo debate cada trimestre.
Confundir lista corta con compromiso. Salir del paso 3 con tres candidatas no significa construir tres pilotos: significa medir tres baselines. Construir viene mucho después.

La frase para llevarse

“Las buenas ideas de automatización están en lo que tu gente hace cuarenta veces al día; las buenas ideas de flujo nuevo están en lo que tu empresa nunca pudo pagar. Y un scorecard del que todo sale aprobado no es un filtro — es una fila para el matadero de pilotos.”

Qué viene

Módulo 3: el baseline. Tenemos candidatas; ahora toca el paso que casi todo el mundo se salta y que separa un caso de uso de una demo: medir contra qué se comparará. Para el arquetipo A, cómo medir el proceso actual sin caer en las trampas del autoreporte; para el arquetipo B, cómo construir un contrafactual honesto cuando no hay nada que medir. Al final del módulo, los dos casos del curso tendrán su línea base en números — la vara con la que todo lo demás se juzgará.

Casos de uso de IA — Módulo 2: descubrir y calificar