Comunicación con Stakeholders No Técnicos
El Desafío de Comunicar IA
Como AI Engineer, tu capacidad técnica es insuficiente si no puedes explicar qué hace tu sistema, por qué importa, y cuánto vale. Los stakeholders no técnicos necesitan entender el impacto sin entender la implementación.
TÉCNICO dice: STAKEHOLDER escucha:
───────────────────────────────────────────────────────
"Faithfulness score de 92%" → "¿Y eso es bueno?"
"Usamos embeddings de 1536d" → "No tengo idea qué es eso"
"RAG con reranking" → "¿Cuánto cuesta?"
MEJOR:
"9 de 10 respuestas son correctas y verificables"
"El sistema busca la información relevante antes de responder"
"Cada consulta cuesta $0.008, ahorramos $25 por ticket deflectado"
Traduciendo Conceptos Técnicos
Glosario para Stakeholders
┌──────────────────────┬──────────────────────────────────────┐
│ Término Técnico │ Explicación para Stakeholders │
├──────────────────────┼──────────────────────────────────────┤
│ LLM │ Motor de IA que entiende y genera │
│ │ texto, como ChatGPT │
│ │ │
│ RAG │ El sistema busca información real │
│ │ antes de responder (no inventa) │
│ │ │
│ Hallucination │ Cuando la IA inventa datos que │
│ │ parecen reales pero no lo son │
│ │ │
│ Fine-tuning │ Entrenar la IA con nuestros datos │
│ │ específicos para mejorar respuestas │
│ │ │
│ Prompt engineering │ Diseñar las instrucciones que le │
│ │ damos a la IA para obtener mejores │
│ │ resultados │
│ │ │
│ Vector database │ Un índice inteligente que encuentra │
│ │ información por significado, no solo │
│ │ por palabras exactas │
│ │ │
│ Latencia │ Tiempo de espera del usuario │
│ │ │
│ Tokens │ Unidades de texto que procesa la IA │
│ │ (≈ 3/4 de una palabra) │
│ │ │
│ Agente │ IA que puede realizar acciones │
│ │ (buscar datos, enviar emails, etc.),│
│ │ no solo responder preguntas │
└──────────────────────┴──────────────────────────────────────┘
Presentando un Business Case de IA
Estructura de Propuesta
1. PROBLEMA (30 segundos)
"Nuestro equipo de soporte gasta 60% de su tiempo en preguntas
repetitivas que ya están documentadas."
2. SOLUCIÓN (1 minuto)
"Un asistente de IA que busca en nuestra documentación y responde
automáticamente. Como un experto que ha leído todos nuestros docs."
3. IMPACTO ESPERADO (1 minuto)
- Reducir tickets repetitivos en 40%
- Tiempo de respuesta: de 4 horas a 30 segundos
- Ahorro estimado: $15,000/mes en horas del equipo
4. INVERSIÓN (30 segundos)
- Desarrollo: 6 semanas, 2 ingenieros
- Operación: ~$800/mes (APIs + infraestructura)
- ROI esperado: 1,875% (primer año)
5. RIESGOS Y MITIGACIÓN (30 segundos)
- Riesgo: respuestas incorrectas
- Mitigación: toda respuesta incluye fuente verificable
- Escalación automática a humano si confianza < 80%
6. TIMELINE (30 segundos)
- Semana 1-2: Prototipo con datos reales
- Semana 3-4: Piloto con 10% de usuarios
- Semana 5-6: Rollout completo
Reportes Ejecutivos
Reporte Semanal de IA
class ExecutiveReport:
"""Generar reporte semanal para stakeholders."""
def generate(self, metrics: dict) -> str:
report = f"""
# Reporte Semanal — Asistente IA
## {metrics['week']}
### Resumen Ejecutivo
{self._traffic_light(metrics)}
### Adopción
- **{metrics['dau']:,} usuarios activos** ({metrics['dau_change']})
- **{metrics['total_queries']:,} consultas** esta semana
- **{metrics['adoption_rate']:.0f}%** de usuarios usan el asistente
### Calidad
- **{metrics['satisfaction']:.0f}%** de respuestas valoradas como útiles
- **{metrics['escalation_rate']:.1f}%** escaladas a agente humano
- Top 3 temas consultados:
1. {metrics['top_topics'][0]}
2. {metrics['top_topics'][1]}
3. {metrics['top_topics'][2]}
### Impacto en Negocio
- **{metrics['tickets_deflected']:,} tickets** resueltos sin intervención humana
- **${metrics['cost_saved']:,.0f}** ahorrados esta semana
- **{metrics['avg_response_time']}** tiempo promedio de respuesta
### Costos Operativos
- API + Infra: **${metrics['weekly_cost']:,.2f}**
- Costo por consulta: **${metrics['cost_per_query']:.4f}**
- ROI acumulado: **{metrics['roi']:.0f}%**
### Próximos Pasos
{self._next_steps(metrics)}
"""
return report
def _traffic_light(self, m: dict) -> str:
if m["satisfaction"] >= 85 and m["roi"] >= 200:
return "🟢 **Todo en verde.** Calidad y ROI superan objetivos."
elif m["satisfaction"] >= 70:
return "🟡 **Atención.** Calidad aceptable, hay espacio de mejora."
else:
return "🔴 **Acción requerida.** Calidad por debajo del objetivo."
Diagramas que Funcionan
Diagrama de Arquitectura Simplificado
Para técnicos: Para stakeholders:
┌─────────┐ ┌──────────┐ ┌────────────────────────────┐
│ FastAPI │──│ LangChain│ │ │
│ Gateway │ │ Pipeline │ │ Usuario ──► Asistente │
└────┬─────┘ └────┬─────┘ │ │ │ │
│ │ │ │ Busca en │
┌────▼─────┐ ┌────▼─────┐ │ │ documentos │
│ Qdrant │ │ Bedrock │ │ │ │ │
│ VectorDB │ │ Claude │ │ ◄───── Responde con │
└──────────┘ └──────────┘ │ fuentes │
└────────────────────────────┘
Presentando Limitaciones Honestamente
✅ CÓMO comunicar limitaciones:
"El asistente responde correctamente el 87% de las veces.
Para el 13% restante, tiene un mecanismo de seguridad:
- Dice 'no tengo suficiente información' cuando no está seguro
- Escala automáticamente a un agente humano
- Cada respuesta incluye la fuente para verificación"
❌ CÓMO NO comunicar limitaciones:
"Nuestro modelo tiene un faithfulness score de 0.87 con
context precision de 0.82 usando RAGAS evaluation framework
y chunking semántico con overlap de 50 tokens..."
Respondiendo Preguntas Difíciles
P: "¿La IA va a reemplazar a nuestro equipo de soporte?"
R: "No. La IA maneja las preguntas repetitivas para que
el equipo se enfoque en casos complejos donde realmente
aportan valor. Es como darles un asistente, no un reemplazo."
P: "¿Qué pasa si la IA da una respuesta incorrecta?"
R: "Tres salvaguardas: 1) Siempre muestra la fuente para
verificar, 2) Dice 'no sé' cuando no tiene confianza,
3) Escala a un humano automáticamente. Monitoreamos
la calidad continuamente."
P: "¿Cuánto va a costar mantener esto?"
R: "Aproximadamente $800/mes. Cada consulta cuesta menos
de 1 centavo. Comparado con los $15,000 en horas de
equipo que ahorramos, el ROI es de casi 19x."
P: "¿Podemos usar esto para [otro caso de uso]?"
R: "Posiblemente. Necesitaríamos: 1) datos de calidad sobre
ese tema, 2) métricas claras de éxito, 3) un piloto de
2 semanas para validar. Propongo una reunión para evaluar
la viabilidad."
Roadmap de IA para No Técnicos
AHORA (Q1) PRÓXIMO (Q2) FUTURO (Q3-Q4)
────────── ───────── ──────────────
✅ Asistente de soporte Asistente de ventas Agente autónomo
- Responde preguntas - Recomienda productos - Ejecuta acciones
- Busca en docs - Califica leads - Integra con CRM
- Escala a humanos - Genera propuestas - Aprende del feedback
Impacto: -40% tickets Impacto: +15% conversión Impacto: -60% tareas
Costo: $800/mes Costo: $1,500/mes Costo: $3,000/mes
Resumen
Principios de Comunicación
- Empezar por el impacto, no por la tecnología
- Usar analogías del mundo real, no jerga
- Cuantificar siempre: dinero ahorrado, tiempo reducido, tickets deflectados
- Ser honesto sobre limitaciones y mitigaciones
- Mostrar ROI en cada reporte y presentación
- Usar visuales simples — diagramas de flujo, no arquitecturas técnicas
- Preparar respuestas para preguntas difíciles
- Proponer próximos pasos concretos y con timeline
Template de Elevator Pitch
"Estamos usando IA para [ACCIÓN] que actualmente [PROBLEMA]. El resultado: [MÉTRICA DE IMPACTO]. Nos cuesta [COSTO] y genera [VALOR], un ROI de [X]%."
🧠 Preguntas de Repaso
1. ¿Cómo debes explicar "RAG" a un stakeholder no técnico?
- A) "Es un framework de retrieval-augmented generation con chunking semántico y re-ranking"
- B) "El sistema busca información real en nuestros documentos antes de responder, para no inventar datos"
- C) "Es una base de datos vectorial que usa embeddings para similitud coseno"
- D) "Es un patrón de diseño que combina búsqueda con generación mediante transformers"
Respuesta: B) — Para stakeholders no técnicos, RAG se explica como: "El sistema busca información real antes de responder (no inventa)." Evita términos como embeddings, chunking, vectores — enfócate en lo que hace, no en cómo lo hace.
2. Un stakeholder pregunta "¿La IA va a reemplazar a nuestro equipo?" ¿Cuál es la respuesta correcta?
- A) "Sí, eventualmente la IA hará todo el trabajo del equipo"
- B) "No, la IA maneja las preguntas repetitivas y documentadas, liberando al equipo para enfocarse en casos complejos que requieren juicio humano"
- C) "No sé, depende de cómo evolucione la tecnología"
- D) "Sí, pero gradualmente en los próximos 2 años"
Respuesta: B) — La respuesta correcta posiciona la IA como herramienta complementaria: maneja lo repetitivo/documentado (deflecting 40% de tickets), mientras el equipo humano se enfoca en casos complejos de más valor que requieren juicio y empatía.
3. En un reporte ejecutivo semanal, ¿qué determina el semáforo de estado del proyecto?
- A) La velocidad de respuesta del sistema
- B) 🟢 si satisfacción ≥85% Y ROI ≥200%, 🟡 si satisfacción ≥70%, 🔴 si satisfacción <70%
- C) La opinión subjetiva del equipo de desarrollo
- D) El porcentaje de uptime del servidor
Respuesta: B) — El semáforo se basa en métricas concretas: verde cuando satisfacción ≥85% y ROI ≥200% (todo en orden), amarillo si satisfacción ≥70% (requiere atención), rojo si satisfacción <70% (hay problemas que resolver).
4. ¿Cuál de los 8 principios de comunicación con stakeholders es el más importante al iniciar una presentación?
- A) Mostrar el código del sistema primero
- B) Empezar por el impacto en negocio, no por la tecnología
- C) Explicar la arquitectura técnica en detalle
- D) Presentar el timeline de desarrollo
Respuesta: B) — El principio más importante es empezar por el impacto: "Ahorramos $15,000/mes automatizando respuestas repetitivas" captura atención inmediata. Los detalles técnicos vienen después, si los piden. Los stakeholders quieren saber el "qué" y el "cuánto", no el "cómo".