No son requisitos burocráticos. Son los 12 frentes donde el 80% de los proyectos se estrellan silenciosamente. Cada uno compromete tu cumplimiento legal, tu presupuesto o tu reputación durante años.
Dominio 01
Gobernanza, cumplimiento y soberanía del dato
En juego: tu cumplimiento legal y multas que llegan al 7% de la facturación global.
- Clasificación del sistema bajo el AI Act (Reglamento UE 2024/1689): riesgo mínimo, limitado, alto o inaceptable. Calendario vinculante desde feb-2025.
- Transferencias internacionales tras Schrems II (TJUE C-311/18): validar EU-US Data Privacy Framework o cláusulas SCC + Transfer Impact Assessment.
- Retención y entrenamiento sobre tus inputs: exigir endpoints zero-retention y un DPA con addendum de subprocesadores.
- Marco de riesgo auditable: NIST AI RMF o certificación ISO/IEC 42001.
- Seudonimización != exención RGPD: técnicas reales son k-anonimato y privacidad diferencial.
Dominio 02
Arquitectura de datos y RAG
En juego: que la IA responda con datos correctos en lugar de inventar con aplomo.
- Estrategia de RAG (Retrieval-Augmented Generation): ingesta, chunking, modelo de embeddings, base vectorial (pgvector, Qdrant, Weaviate, Pinecone) y re-ranking.
- Calidad del dato fuente: un RAG sobre documentación desactualizada produce respuestas desactualizadas.
- Pipeline de actualización con reindexa cuando cambian las fuentes y versionado del índice.
- Gestión de permisos a nivel de documento: row/document-level security para que la IA no revele lo que el usuario no debería ver.
Dominio 03
Selección y evaluación de modelos
En juego: pagar de más por un modelo sobredimensionado, o quedarte corto en calidad.
- Diferenciar benchmarks públicos (MMLU, etc.) de evaluaciones propias sobre tu caso real.
- Model routing / cascading: modelos pequeños para tareas simples, grandes para lo complejo.
- Trade-off explícito entre coste, latencia y calidad por caso de uso.
- Estrategia multi-proveedor para no depender de un único modelo.
Dominio 04
Seguridad específica de IA
En juego: un vector de ataque nuevo que tu seguridad tradicional no cubre.
- OWASP LLM Top 10: prompt injection directa e indirecta, jailbreak, data poisoning, fuga de información sensible, model inversion y consumo no controlado de recursos.
- Aislamiento de la IA respecto a sistemas con privilegios: que una inyección no ejecute acciones destructivas.
- Sanitización de entradas y salidas (no confiar en el output del modelo como código seguro).
- Gestión de secretos: que claves y credenciales nunca entren al contexto del modelo.
Dominio 05
Calidad de salida, grounding y guardrails
En juego: donde el 90% de los pilotos fracasan en silencio.
- Evals sistemáticas: dataset de evaluación + métricas de groundedness, faithfulness y answer relevance (framework RAGAS u homólogo).
- Grounding obligado: respuestas ancladas a fuente con citacion verificable.
- Abstencion: el sistema dice "no lo se" cuando la confianza es baja.
- Guardrails de entrada y salida: filtrado de PII, validacion de formato, limites de alcance tematico.
Dominio 06
Observabilidad y monitorización
En juego: enterarte de que el sistema falla por una queja del cliente y no por tus alertas.
- Tracing de cada petición: prompt, contexto recuperado, respuesta, coste, latencia.
- Evaluación continua en producción, no solo en pre-lanzamiento.
- Detección de drift: el rendimiento se degrada con el tiempo y con cada actualización del modelo base.
- Trazabilidad para auditoría: reconstruir por qué el sistema dio una respuesta concreta (requisito del AI Act para alto riesgo).
Dominio 07
FinOps de IA (control de coste)
En juego: una factura que se multiplica el mes que el uso crece.
- Economía de tokens: entender que se paga por token de entrada y salida, y que el contexto largo dispara el coste.
- Caching: prompt caching y semantic caching para no pagar dos veces por lo mismo.
- Model tiering / cascading: el modelo barato resuelve la mayoría, el caro solo lo necesario.
- Topes y alertas de gasto por usuario, por caso de uso y global.
Dominio 08
LLMOps (operación del ciclo de vida)
En juego: poder cambiar el sistema sin romperlo, y volver atrás cuando algo falla.
- Versionado de prompts y de configuración, no prompts sueltos en el código.
- CI de evals: cada cambio pasa por la batería de evaluación antes de desplegarse.
- Despliegue canary y A/B de prompts y modelos.
- Rollback inmediato a la version anterior cuando una actualizacion degrada la calidad.
Dominio 09
Human-in-the-loop y diseño de la decisión
En juego: que un error automatizado no se multiplique mil veces antes de que lo veas.
- Definir qué decisiones requieren validación humana obligatoria y cuáles pueden automatizarse.
- Umbral de escalado: cuándo la IA debe pasar el caso a una persona.
- Diseño de experiencia para que el humano supervise sin convertirse en cuello de botella.
- Responsabilidad legal de la decisión: quién responde cuando la IA se equivoca.
Dominio 10
Propiedad intelectual y vendor lock-in
En juego: quedar cautivo de un proveedor que te tiene agarrado.
- Titularidad de modelo, prompts, código, embeddings e índices: si son del proveedor, migrar te obliga a rehacerlo entero.
- Portabilidad: poder exportar tus datos, tu base vectorial y tu configuración.
- Abstracción del proveedor en la arquitectura para cambiar de modelo sin reescribir el producto.
- Licencias del modelo y de los datos de entrenamiento: qué puedes y qué no hacer comercialmente.
Dominio 11
Integración con sistemas legacy
En juego: que la IA conviva con lo que ya tienes sin romperlo.
- Integración via API con ERP, CRM y sistemas internos: latencia, límites de tasa, consistencia.
- Consistencia transaccional: que una acción de la IA no deje datos a medias entre sistemas.
- Idempotencia y reintentos: que un fallo de red no duplique operaciones.
- Mapeo de datos entre el formato de la IA y el de tus sistemas.
Dominio 12
Mantenimiento, ownership y transferencia de conocimiento
En juego: que el sistema siga vivo cuando el consultor se va.
- Transferencia de conocimiento: documentación, runbooks y formación para que tu equipo opere el sistema.
- Ownership claro: quién mantiene prompts, evals, datos y coste después del proyecto.
- Plan de actualizaciones: cómo se incorporan mejoras de modelo sin rehacer todo.
- Deuda técnica de IA: el sistema necesita mantenimiento continuo, no es un proyecto que se entrega y se olvida.