Etiquetado de Iniciativas de AI: Una Taxonomía Práctica para Operadores

Por Tracy N · Actualizado el 24 de abril de 2026

La mayoría de las organizaciones no elige su portafolio de AI. Se va acumulando.

Ventas pilota una herramienta de outreach. Soporte compra un chatbot. Finanzas empieza a usar un clasificador de gastos. Marketing añade una suscripción de generación de contenido. Cada decisión tenía sentido de forma aislada. Pero seis meses después, nadie tiene una visión clara de lo que la empresa realmente posee, qué se superpone, qué no se mide y qué funciona silenciosamente sin una compuerta de revisión.

Cuando la dirección pide "la estrategia de AI", la respuesta honesta suele ser una lista de nombres de proveedores ordenada por departamento. Eso no es una estrategia. Es un rastro de compras. Y no sobrevive a una conversación en el directorio ni a una pregunta seria de gobernanza.

El problema de fondo no es que los equipos compren herramientas de AI. Es que no existe un vocabulario compartido para describir lo que hace cada herramienta en términos comparables. Sin ese vocabulario, no se pueden detectar duplicados, identificar brechas, auditar riesgos ni reportar avances. No se puede gestionar lo que no se puede describir.

Una taxonomía de etiquetado resuelve esto. Le da a cada iniciativa un conjunto común de campos: qué capacidades usa, qué datos consume, qué patrón sigue y dónde se sitúa el humano en el bucle. Ejecute el ejercicio una vez y un portafolio que parecía ruido se vuelve legible. Y los portafolios legibles se pueden gestionar.

Por qué el seguimiento falla sin una taxonomía

El instinto natural es catalogar las iniciativas de AI por nombre de proveedor ("tenemos Gong, Intercom y esa cosa de gastos") o por equipo ("ventas tiene dos herramientas, soporte tiene una"). Eso funciona con tres iniciativas. Falla con ocho.

Sin una taxonomía compartida, uno termina con:

• Dos equipos ejecutando herramientas de Generate casi idénticas porque nadie las comparó
• Un flujo de trabajo de Execute sin revisión humana que alguien asumió que la tenía
• Cero capacidad de Predict a pesar de pagar 40.000 dólares anuales por "analítica impulsada por AI"
• Cinco iniciativas en ventas, ninguna en Customer Success y nadie lo notó

El etiquetado hace legible su portafolio. Los portafolios legibles se gestionan. Los portafolios no gestionados derivan, se duplican y decaen.

Los 7 campos de etiquetado

El ACE Framework le da el vocabulario. Estos siete campos convierten ese vocabulario en un catálogo práctico.

1. Capacidades ACE utilizadas. ¿Cuáles de las cinco capacidades fundamentales usa esta iniciativa? Ingest toma datos sin procesar. Analyze clasifica y extrae significado. Predict puntúa y pronostica. Generate redacta texto, imágenes o código. Execute envía, confirma, actualiza o enruta. Una herramienta de outreach de AI es Ingest + Analyze + Generate. Un sistema de detección de fraude es Ingest + Analyze + Predict + Execute. Saber qué capacidades están activas le dice qué categoría de gobernanza necesita una iniciativa.

2. Tipos de datos consumidos. ¿Sobre qué tipos de datos opera esta iniciativa? Texto / Estructurado / Imagen / Audio / Video / Código / Series temporales. La mayoría de las iniciativas funcionan con uno o dos. El campo revela si su preparación de datos está realmente en su lugar.

3. Patrón dominante. Este es el puente hacia el Nivel 2 del ACE Framework. Aproximadamente diez patrones cubren el 90% de los casos de uso de AI empresarial:

• Asistente RAG (Ingest + Analyze + Generate): preguntas y respuestas sobre conocimiento interno
• Scoring y Routing (Ingest + Analyze + Predict + Execute): clasificación de leads, priorización de tickets
• Vision Extract (Ingest + Analyze + Execute): OCR hacia base de datos para facturas, contratos
• Meeting Intelligence (Ingest + Analyze + Generate + Execute): resúmenes de llamadas escritos de vuelta al CRM
• Agente de Anomalías (Ingest + Analyze + Predict + Execute): detección de fraude, alertas de gasto

4. Rol del humano en el bucle. ¿Dónde se sitúa un humano en el flujo de trabajo? Compuerta de revisión (aprueba antes de la acción), Monitor (ve el resultado pero no aprueba cada instancia), o Ausente (la AI actúa sin ningún punto de control). La mayoría de las organizaciones descubren durante el etiquetado que tienen más bucles "ausentes" de lo que pensaban. Ese es el insight que desencadena una conversación sobre gobernanza.

5. Función empresarial. Ventas / Soporte / Marketing / Finanzas / RR.HH. / Operaciones / IT / Producto / Legal. Este campo revela rápidamente los vacíos de cobertura. Si siete de sus diez iniciativas están en ventas y ninguna en Customer Success, eso debería ser una elección deliberada, no un accidente.

6. Etapa. Idea / Piloto / Despliegue / Escalado / Descontinuado. La visibilidad de la etapa previene el fallo de portafolio más común: iniciativas atascadas en "piloto" durante 18 meses sin que nadie sea propietario de la decisión de escalar o cancelar.

7. Estado del ROI. Sin medir / Medido positivo / Medido negativo. La mayoría de las organizaciones descubren que la mayoría de sus iniciativas de AI no están medidas. Eso no es un fallo. Es información. Y no se puede gestionar lo que no se puede ver.

La plantilla de etiquetado

Aquí hay un formato práctico que puede agregar a una hoja de cálculo o base de datos en Notion.

initiative: "Auto-borrador de outreach de ventas"
ace_capabilities: [ingest, analyze, generate]
data_types: [text, structured]
pattern: ad-hoc
human_in_loop: review-gate
function: sales
stage: pilot
roi_status: measured-positive
owner: "Sarah Chen, Sales Ops"
notes: "Los representantes aprueban cada email antes de enviarlo. ~40 min ahorrados por representante por semana."

Ejecute esto para cada iniciativa. Incluso para las que no está seguro. La información parcial sigue siendo más útil que ninguna.

Por qué funciona

Comparabilidad. Una vez que cada iniciativa usa el mismo vocabulario, puede ordenar, filtrar y agrupar. "Muéstreme todo lo que usa Execute sin revisión humana" es una pregunta que puede responder en 30 segundos. Sin etiquetas, es una conversación de 45 minutos.

Detección de superposiciones. Dos equipos ejecutando iniciativas de Generate + Texto suelen estar haciendo lo mismo con diferentes proveedores. La vista de etiquetas lo hace visible. Si consolida o no es una decisión empresarial. Pero debería tomarla deliberadamente.

Identificación de vacíos. Cero herramientas de Execute significa que todas sus ganancias de AI provienen de borradores y resúmenes. Alguien sigue realizando manualmente cada acción consecuente. Eso puede ajustarse a su tolerancia al riesgo. Pero vale la pena saberlo.

Informes ejecutivos. "Nuestro portafolio de AI: 6 herramientas de Generate, 2 de Predict, 1 de Execute con compuerta de revisión, 3 sin medir" es una actualización de una sola frase al directorio que significa algo. Compárelo con listar nombres de proveedores.

El etiquetado en práctica: una auditoría de 10 iniciativas

Así se ve una auditoría de portafolio real. Este es un compuesto de patrones que vemos regularmente, no los datos de una sola empresa.

El portafolio antes del etiquetado:

Después del etiquetado:

Lo que la auditoría reveló:

Siete de las diez iniciativas usan Generate. La empresa está fuertemente invertida en resumir y redactar contenido, y casi nada más. Nadie tomó esa decisión conscientemente.

Las iniciativas 3 y 4 (ChatGPT + Jasper) son ambas Analyze + Generate para contenido de marketing. Dos proveedores, el mismo patrón. Una conversación de consolidación está justificada.

La iniciativa 9, el "bot de facturas," es un flujo de trabajo de Execute sin humano en el bucle. Nadie lo señaló porque el nombre sonaba inofensivo. El ejercicio de etiquetado lo puso en evidencia.

Cero iniciativas sirven a Customer Success. Ocho de diez no están medidas. Las dos que sí lo están, Gong y Ramp AI, ambas tenían propietarios de operaciones que establecieron líneas base antes del lanzamiento. Eso no es una coincidencia.

El hallazgo sorprendente: esta empresa creía que tenía un portafolio de AI diverso. Tenía un portafolio de herramientas de escritura con unos pocos complementos de analítica.

Cómo ejecutar el ejercicio de etiquetado

No necesita un consultor. Necesita 30 minutos con las personas adecuadas en la sala: su responsable de operaciones, quien sea el propietario del stack tecnológico y un representante de cada función principal con una iniciativa de AI activa.

Abra una hoja de cálculo compartida. Trabaje en cada iniciativa juntos, en tiempo real. No lo envíe de forma asíncrona y recopile respuestas. La conversación que ocurre durante el etiquetado es donde está el valor. Los desacuerdos sobre cómo clasificar algo son los momentos más útiles. Si dos personas no pueden ponerse de acuerdo sobre si algo está en "Piloto" o "Despliegue," esa es una señal de que la iniciativa no tiene una propiedad clara. Anótelo. Esa ambigüedad es información.

Treinta minutos cubre 8-12 iniciativas si alguien facilita. Las primeras toman más tiempo mientras el equipo aprende el vocabulario. Se acelera.

Después del ejercicio, genere la vista agregada. ¿Cuántas iniciativas por capacidad? ¿Por función? ¿Qué no está medido? Busque las sorpresas. Esos son los puntos de la agenda para su próxima conversación sobre estrategia de AI.

Cadencia trimestral y cuándo parar

Etiquete una vez. Luego re-etiquete trimestralmente. Un piloto se convierte en despliegue. Un despliegue se descontinúa cuando llega una herramienta mejor. La etapa y el estado del ROI se desactualizan rápidamente. Un re-etiquetado trimestral tarda 15 minutos si la sesión original fue exhaustiva. Solo está actualizando los cambios: nuevas iniciativas, cambios de etapa, ROI recién medido.

Pero el etiquetado tiene un coste. Si tiene una o dos herramientas de AI, omítalo. Necesita una conversación de toma de decisiones, no una taxonomía. Y si el etiquetado se está volviendo burocrático (campos añadidos por completitud, no por insight), pare. Reduzca a los campos que su equipo realmente usa. Una hoja de cálculo de cuatro campos revisada trimestralmente supera a una base de datos de doce campos que nadie abre.

La señal correcta de que el etiquetado está funcionando: las personas usan el vocabulario en otras conversaciones. Cuando su Director de Finanzas dice "eso es un flujo de trabajo de Execute, necesitamos una compuerta de revisión," la taxonomía se ha convertido en parte de cómo piensa el equipo. Ese es el objetivo.

El beneficio meta: el etiquetado como formación

Ejecutar el ejercicio de etiquetado hace más que producir una hoja de cálculo. Enseña a su equipo de liderazgo a pensar sobre la AI en términos estructurados.

Los equipos que etiquetan sus iniciativas de forma consistente desarrollan alfabetización en AI más rápido que los que no lo hacen. Para cuando ha clasificado diez iniciativas usando el vocabulario ACE, su Director de Operaciones entiende el límite entre Generate y Execute mejor que la mayoría de las personas que han leído cinco libros sobre AI. Su Director de Finanzas entiende por qué el bot de facturas necesitaba una compuerta de revisión. Su Director de Ventas entiende por qué la herramienta de lead scoring no está entregando resultados porque los datos limpios nunca formaron parte del despliegue.

Obtiene una vista del portafolio. También obtiene un equipo que hace mejores preguntas a los proveedores, detecta superposiciones antes y gobierna los flujos de trabajo de AI con más precisión. Esa es la afirmación específica del etiquetado. Es una real.

Qué sigue: Patrones de Nivel 2

Esta colección introdujo el ACE Framework y sus fundamentos. El etiquetado es el puente para salir de él.

Una vez que su equipo pueda etiquetar iniciativas usando el vocabulario ACE, el siguiente paso natural es entender los patrones que siguen esas iniciativas. El ACE Framework los organiza en el Nivel 2: diez combinaciones recurrentes de capacidades que aparecen en todas las industrias y funciones. Si encontró Meeting Intelligence o Scoring y Routing en su auditoría de portafolio, la próxima colección se sentirá como un nombre formal para algo con lo que ya ha estado conviviendo.

Lectura relacionada en esta colección:

• Cómo leer un caso de uso de AI: aplicar ACE a propuestas de proveedores y propuestas internas
• El límite entre Generate y Execute: la pregunta de gobernanza que su ejercicio de etiquetado pondrá en evidencia
• Los 7 tipos de datos que impulsan la AI empresarial: qué alimenta sus iniciativas
• Por qué fracasan la mayoría de los marcos de AI: contexto honesto sobre por qué este está construido de forma diferente

El etiquetado es el paso de "estamos probando algo de AI" a "tenemos un portafolio de AI." No es un cambio menor. Un portafolio puede gestionarse, medirse y mejorarse. Una colección de experimentos simplemente se acumula.

Empiece este trimestre. El ejercicio tarda 30 minutos. La claridad dura.