| name | metodologia-ai-center-discovery |
| description | AI Center services discovery — AI readiness assessment using MetodologIA AI SCALE methodology, use case portfolio prioritization, data readiness evaluation, model inventory, AI governance assessment, infrastructure evaluation, MetodologIA AI product integration, and AI adoption roadmap. Use when the user asks to "assess AI readiness", "evaluate AI maturity", "AI discovery", "AI use case prioritization", "MLOps assessment", "AI governance evaluation", "AI adoption roadmap", "AI strategy assessment", "evaluate AI infrastructure", "AI product fit", or mentions "AI SCALE", "responsible AI", "AI pilots", "ML pipeline", "AI Center of Excellence", "LLM adoption", "generative AI strategy".
|
| argument-hint | <project-or-client-name> |
| author | Javier Montano · Comunidad MetodologIA |
| allowed-tools | ["Read","Write","Edit","Glob","Grep","Bash"] |
AI Center Discovery — AI Readiness Assessment & Adoption Roadmap
Genera un assessment de 8 secciones para servicios del AI Center: evaluacion de readiness con metodologia AI SCALE de MetodologIA, portafolio de use cases, evaluacion de data readiness, inventario de modelos, governance de AI, infraestructura, integracion con productos AI de MetodologIA, y roadmap de adopcion. Diseñado para maximizar la probabilidad de que los pilotos de AI lleguen a produccion y generen valor sostenible.
Principio Rector
La IA sin estrategia es un juguete caro. La IA con estrategia pero sin gobernanza es un riesgo empresarial. Solo la IA con estrategia, gobernanza y adopcion medida transforma organizaciones.
- El 80% de los pilotos de AI nunca llegan a produccion. Este assessment existe para que los pilotos del cliente esten en el 20% que si lo logran. Cada recomendacion incluye los factores que tipicamente causan fracaso y como mitigarlos.
- Los datos son el activo, no el modelo. Un modelo excelente con datos mediocres produce resultados mediocres. El assessment evalua data readiness con la misma rigurosidad que la capacidad de modelado.
- AI responsable no es opcional — es prerequisito. Bias, explicabilidad, privacidad y compliance no son consideraciones secundarias. Son criterios de go/no-go para cualquier use case de AI en produccion.
Inputs
$1 — Path to AI/ML documentation or project workspace (default: current working directory)$2 — Analysis depth: full (default), executive (S1, S2, S5, S8 only)
Parse from $ARGUMENTS.
Parameters:
{MODO}: piloto-auto (default) | desatendido | supervisado | paso-a-paso
- piloto-auto: Auto para inventario de modelos e infraestructura, HITL para evaluacion de governance y priorizacion de use cases.
- desatendido: Cero interrupciones. Analisis completo automatizado. Supuestos documentados.
- supervisado: Autonomo con reportes al completar cada seccion.
- paso-a-paso: Confirma antes de cada seccion del analisis.
{FORMATO}: markdown (default) | html | dual{VARIANTE}: ejecutiva (~40% — S1, S2, S5, S8 only) | tecnica (full, default){TIPO_SERVICIO}: Data-AI (fixed for this skill)
Input Requirements
Mandatory:
- Estrategia de datos y/o AI de la organizacion (o confirmacion de que no existe)
- Inventario de data sources principales
- Stakeholder map con sponsors de iniciativas de AI
Recommended:
- Inventario de modelos AI/ML existentes (si aplica)
- Data catalog o documentacion de data assets
- Infraestructura de compute actual (cloud accounts, GPU availability)
- Politicas de privacidad y compliance existentes
- Resultados de pilotos de AI previos (exitos y fracasos)
- MLOps pipeline documentation (si existe)
Assumptions & Limits
Assumptions:
- Existe interes ejecutivo en adoptar AI (sponsor identificado)
- Hay datos disponibles (aunque no necesariamente listos para AI)
- La organizacion tiene capacidad tecnica basica (equipos de desarrollo o datos)
- No se asume madurez previa en AI/ML
Cannot do:
- Entrenar o evaluar modelos de ML (requiere engagement de implementacion)
- Auditar datasets por bias (requiere acceso a datos y analisis estadistico en vivo)
- Evaluar performance de modelos en produccion (requiere acceso a monitoring)
- Implementar pipelines de MLOps (requiere engagement tecnico)
- Asesorar legalmente sobre compliance (requiere equipo juridico)
Workarounds When Inputs Missing
| Missing Input | Impact | Workaround |
|---|
| No AI strategy | Cannot assess alignment | Evaluar como greenfield; recomendar estrategia como prerequisito |
| No data catalog | Cannot assess data readiness | Identificar data sources principales via entrevistas; flag como [SUPUESTO] |
| No existing models | Cannot inventory models | Evaluar como organizacion pre-AI; enfocar en use case discovery |
| No MLOps pipeline | Cannot assess infrastructure maturity | Flag como gap; baseline en nivel 0 de madurez MLOps |
| No privacy policies | Cannot assess governance | Flag como riesgo critico; recomendar framework de governance como fase 0 |
Edge Cases
- Organizacion sin experiencia en AI: Enfocar en educacion, use cases de bajo riesgo, y construccion de data foundations. No recomendar deep learning en dia 1.
- Multiples pilotos fallidos: Diagnosticar causas raiz (datos, expectativas, governance, talento). Recomendar enfoque diferente, no mas de lo mismo.
- Datos sensibles (salud, finanzas): Elevar requisitos de governance, privacy by design, y compliance. Evaluar federated learning o differential privacy si aplica.
- Vendor lock-in con plataforma AI: Evaluar portabilidad de modelos, costo de migracion, y estrategia multi-cloud.
- Shadow AI (uso no gobernado de ChatGPT, etc.): Inventariar uso informal de AI generativa. Evaluar riesgos (data leakage, compliance). Proponer framework de AI governance que incluya GenAI.
- >50 use cases identificados: Screening rapido con impacto x feasibilidad. Scoring detallado solo para top-10.
Trade-off Matrix
| Decision | Enables | Constrains | When to Use |
|---|
| Full 8-section analysis | Maximum depth, complete AI strategy | 7-10 dias, alto consumo de tokens | AI transformation programs, AI CoE setup |
| Executive variant (S1+S2+S5+S8) | Quick readiness snapshot, decision-ready | No incluye data readiness, modelos ni infraestructura | AI business case, executive alignment |
| Data-first (S1+S3 deep) | Solid data foundation assessment | No llega a use case prioritization | Organizaciones con datos desordenados |
| Governance-first (S5+S1) | Compliance-ready AI framework | Menor profundidad en use cases y tech | Industrias reguladas (finanzas, salud) |
8-Section Framework
S1: AI Readiness Assessment (AI SCALE)
Evaluacion usando la metodologia AI SCALE de MetodologIA.
Etapas AI SCALE:
| Etapa | Nombre | Descripcion | Indicadores |
|---|
| S | Selection | Identificacion y priorizacion de use cases | Use cases documentados, sponsors identificados, criterios de priorizacion |
| C | Co-creation | Diseno colaborativo de soluciones AI | Equipos cross-funcionales, prototipos, POCs en progreso |
| A | Adoption | Implementacion y adopcion por usuarios | Modelos en produccion, metricas de adopcion, change management |
| L | Launch | Operacionalizacion y escalamiento | MLOps maduro, monitoring, CI/CD para modelos |
| E | Expansion | Expansion y optimizacion continua | Portfolio de AI creciendo, ROI medido, AI-first culture |
Assessment por dimension de madurez:
| Dimension | Score (1-5) | Evidencia | Gap vs Target |
|---|
| Estrategia AI | ... | ... | ... |
| Datos | ... | ... | ... |
| Talento | ... | ... | ... |
| Infraestructura | ... | ... | ... |
| Governance | ... | ... | ... |
Etapa actual en AI SCALE: Identificar con evidencia.
S2: AI Use Case Portfolio
Identificacion y priorizacion de use cases de AI.
Categorizacion:
- Eficiencia operativa: Automatizacion, optimizacion de procesos, predictive maintenance
- Experiencia del cliente: Personalizacion, chatbots, recommendation engines, sentiment analysis
- Generacion de ingresos: Dynamic pricing, cross-sell/up-sell, market intelligence
- Reduccion de riesgo: Fraud detection, credit scoring, compliance monitoring, anomaly detection
Matriz de priorizacion:
| Use Case | Impacto (1-5) | Feasibilidad (1-5) | Alineacion Estrategica (1-5) | Score Total | Ranking |
|---|
| ... | ... | ... | ... | ... | ... |
Top-10 ranked con justificacion por cada criterio. Factores de riesgo por use case (data availability, ethical concerns, technical complexity).
S3: Data Readiness Evaluation
Evaluacion de preparacion de datos para los use cases priorizados.
Dimensiones de data readiness:
| Dimension | Score (1-5) | Evidencia |
|---|
| Disponibilidad | ... | Datos existen y son accesibles |
| Calidad | ... | Completeness, accuracy, consistency |
| Accesibilidad | ... | APIs, data pipelines, permissions |
| Governance | ... | Ownership, lineage, catalogo |
Por use case priorizado:
- Data sources requeridos vs disponibles
- Gap analysis de datos
- Labeling readiness (si aplica supervised learning)
- Feature engineering complexity assessment
- Volumen de datos vs requisitos minimos del modelo
Data gap analysis: Matriz de use case vs data readiness. Flag use cases en riesgo por datos insuficientes.
S4: Model Inventory & Maturity
Inventario de modelos AI/ML existentes.
Por modelo existente:
| Modelo | Use Case | Tipo | Stage | Performance | Monitoring | Drift Detection | Retraining |
|---|
| ... | ... | Classification/Regression/NLP/CV/GenAI | Experimental/Staging/Production | Accuracy/F1/AUC | Si/No | Si/No | Cadencia |
Clasificacion por lifecycle stage:
- Experimental: En desarrollo, no validado
- Staging: Validado, en proceso de deployment
- Production: Operativo, sirviendo predicciones
- Deprecated: En fase de retiro
Si no hay modelos existentes: Documentar como organizacion pre-AI. Enfocar recomendaciones en foundations (data, infrastructure, talent).
S5: AI Governance Assessment
Evaluacion del framework de gobernanza de AI.
Dimensiones de governance:
| Dimension | Madurez (1-5) | Evidencia | Gap |
|---|
| Ethics framework | ... | Principios eticos definidos, comite de etica | ... |
| Bias detection | ... | Procesos de fairness, metricas de bias | ... |
| Explainability (XAI) | ... | SHAP/LIME, model cards, interpretabilidad | ... |
| Compliance | ... | GDPR, AI Act, regulacion sectorial | ... |
| Model risk management | ... | Validation, testing, approval process | ... |
| Responsible AI practices | ... | Human-in-the-loop, override mechanisms | ... |
Governance maturity level:
- L0: Sin governance (shadow AI)
- L1: Principios declarados, sin enforcement
- L2: Procesos definidos, enforcement parcial
- L3: Governance operativa, compliance demostrado
- L4: Mejora continua, AI ethics embedded en cultura
S6: AI Infrastructure Assessment
Evaluacion de infraestructura para AI/ML.
Dimensiones:
| Componente | Estado Actual | Madurez (1-5) | Gap |
|---|
| Compute (GPU/TPU) | ... | ... | ... |
| MLOps maturity | ... | ... | ... |
| Experiment tracking | ... | ... | ... |
| Model registry | ... | ... | ... |
| Feature store | ... | ... | ... |
| Serving infrastructure | ... | ... | ... |
| Monitoring & alerting | ... | ... | ... |
MLOps maturity levels:
- L0: No MLOps (manual everything)
- L1: Manual training, automated serving
- L2: Automated training pipeline, manual deployment
- L3: Full CI/CD for ML, automated retraining
- L4: Full automation with monitoring, drift detection, auto-retraining
S7: MetodologIA AI Product Integration
Assessment de donde los productos AI de MetodologIA pueden acelerar.
Productos AI de MetodologIA:
| Producto | Descripcion | Fit (Alto/Medio/Bajo/N/A) | Gap que Cubre | Evidencia |
|---|
| SKAI | Workflow automation con AI | ... | ... | ... |
| IRIS | Requirements to prototypes | ... | ... | ... |
| ATLAS | Architecture analysis | ... | ... | ... |
| CRONOS | Estimation con AI | ... | ... | ... |
| SDK | IDE integration | ... | ... | ... |
| neXus | Knowledge management | ... | ... | ... |
| ModernAIzer | Legacy modernization | ... | ... | ... |
Fit-gap analysis por producto:
- Donde el producto resuelve un pain point identificado
- Donde se requiere customizacion
- Donde no aplica (y por que)
- Integracion con stack existente del cliente
S8: AI Adoption Roadmap
Hoja de ruta de adopcion de AI en 3 fases.
Fase 1 — Pilots (0-3 meses):
- 2-3 use cases de alto impacto y baja complejidad
- POCs con metricas de exito definidas
- Data preparation para use cases seleccionados
- Equipo: data scientist(s) + domain expert(s) + ML engineer
- Governance basica (model cards, bias check, approval process)
Fase 2 — Scale (3-9 meses):
- Productionize pilotos exitosos
- MLOps pipeline basico (experiment tracking, model registry)
- Expand use case portfolio (3-5 adicionales)
- AI governance framework operativo
- Team scaling (hire/upskill)
Fase 3 — Production (9-18 meses):
- MLOps maduro (CI/CD for ML, monitoring, auto-retraining)
- AI embedded en procesos core del negocio
- Portfolio de 10+ modelos en produccion
- AI CoE establecido
- Continuous improvement cycle
Mitigacion del "80% de pilotos que nunca llegan a produccion":
- Success criteria definidos ANTES del piloto
- Sponsor ejecutivo comprometido
- Data readiness validada ANTES de modelar
- MLOps basico ANTES de produccion
- Change management desde dia 1
- Kill criteria claros (cuando pivotar o cancelar)
Indicadores de magnitud (NOT prices):
- FTE-meses por fase (data scientists, ML engineers, domain experts)
- Compute resources (GPU-hours estimados por fase)
- Data engineering effort (FTE-meses para data preparation)
- Training y upskilling (horas-persona)
Disclaimer obligatorio: Las magnitudes presentadas son estimaciones basadas en drivers identificados. Los valores finales dependen de negociacion comercial, condiciones de mercado y contexto especifico del cliente. El "80% failure rate" es una estadistica de industria que varia por sector y madurez organizacional.
Escalation to Human Architect
- Use cases con implicaciones eticas significativas (scoring de personas, vigilancia, decisiones autonomas)
- Requisitos regulatorios complejos (AI Act, regulacion sectorial especifica)
- Integracion con sistemas criticos de negocio (pagos, salud, seguridad)
- Conflictos entre capacidad tecnica y expectativas ejecutivas
- Shadow AI con riesgo de data leakage confirmado
- Decisiones de build vs buy para plataformas de AI
Validation Gate
Casos Borde
| Caso | Estrategia de Manejo |
|---|
| Organizacion sin experiencia en AI | Enfocar en educacion, use cases de bajo riesgo, y construccion de data foundations. No recomendar deep learning en dia 1. |
| Multiples pilotos fallidos | Diagnosticar causas raiz (datos, expectativas, governance, talento). Recomendar enfoque diferente, no repetir patron de fracaso. |
| Datos sensibles (salud, finanzas) | Elevar requisitos de governance, privacy by design, y compliance. Evaluar federated learning o differential privacy. |
| Vendor lock-in con plataforma AI | Evaluar portabilidad de modelos, costo de migracion, y estrategia multi-cloud. Documentar exit cost. |
| Shadow AI (uso no gobernado de GenAI) | Inventariar uso informal de AI generativa. Evaluar riesgos (data leakage, compliance). Proponer framework de AI governance que incluya GenAI. |
| >50 use cases identificados | Screening rapido con impacto x feasibilidad. Scoring detallado solo para top-10. Evitar paralisis por analisis. |
Decisiones y Trade-offs
| Decision | Alternativa Descartada | Justificacion |
|---|
| AI SCALE como framework de madurez | CMMI for AI, Gartner AI Maturity | AI SCALE es nativo de MetodologIA, alineado con fases de adopcion (Selection-to-Expansion), y cubre governance como dimension explicita. |
| 8 secciones como estructura de assessment | Assessment monolitico unico, framework de 3 secciones rapidas | 8 secciones permiten modularidad (variante ejecutiva usa 4 de 8) y cubren el ciclo completo desde strategy hasta roadmap. |
| Priorizacion top-10 sobre portafolio completo | Evaluar todos los use cases con igual profundidad | Profundidad sobre amplitud. Scoring detallado de 50+ use cases diluye calidad. Top-10 permite analisis de data readiness y feasibility por caso. |
Knowledge Graph
graph TD
subgraph Core["Conceptos Core"]
AISCALE["AI SCALE Methodology"]
MATURITY["AI Maturity Assessment"]
USECASE["Use Case Portfolio"]
GOVERNANCE["AI Governance"]
DATARDY["Data Readiness"]
end
subgraph Inputs["Entradas"]
STRATEGY["AI Strategy Document"]
DATASRC["Data Sources Inventory"]
STAKEMAP["Stakeholder Map"]
MODELS["Existing Model Inventory"]
end
subgraph Outputs["Salidas"]
ASSESS["AI Center Discovery Report"]
ROADMAP["AI Adoption Roadmap"]
RADAR["Maturity Radar Chart"]
FITGAP["Product Fit-Gap Matrix"]
end
subgraph Related["Skills Relacionados"]
ASIS["asis-analysis (Data-AI)"]
DATENG["data-engineering"]
DATASCI["data-science-architecture"]
CLOUDNAT["cloud-native-architecture"]
end
STRATEGY --> AISCALE
DATASRC --> DATARDY
STAKEMAP --> USECASE
MODELS --> MATURITY
AISCALE --> MATURITY
MATURITY --> ASSESS
USECASE --> ASSESS
DATARDY --> ASSESS
GOVERNANCE --> ASSESS
ASSESS --> ROADMAP
ASSESS --> RADAR
ASSESS --> FITGAP
ASIS -.-> MATURITY
DATENG -.-> DATARDY
DATASCI -.-> USECASE
CLOUDNAT -.-> GOVERNANCE
Output Templates
Formato Markdown (default):
# AI Center Discovery: {project}
## S1: AI Readiness Assessment (AI SCALE)
### Etapa Actual: {etapa}
| Dimension | Score (1-5) | Evidencia | Gap vs Target |
...
## S2: AI Use Case Portfolio
### Top-10 Use Cases
| Use Case | Impacto | Feasibilidad | Alineacion | Score | Ranking |
...
## S3-S8: [secciones completas]
## Roadmap de Adopcion (3 fases)
> DISCLAIMER: Magnitudes, no precios.
Formato PPTX (bajo demanda):
Slide 1: Portada — AI Center Discovery: {project}
Slide 2: Executive Summary — AI SCALE stage + top-3 findings
Slide 3: Maturity Radar — 5 dimensiones scored 1-5
Slide 4: Use Case Portfolio — scatter plot impacto vs feasibilidad
Slide 5: Data Readiness Heatmap — use case vs data readiness
Slide 6-7: Governance Assessment — maturity level + gaps
Slide 8: Product Fit-Gap — MetodologIA AI products matrix
Slide 9: Roadmap — 3 fases (Pilots / Scale / Production)
Slide 10: Next Steps + Disclaimer
Formato HTML (bajo demanda):
- Filename:
AI_Center_Discovery_{project}_{WIP}.html
- Estructura: HTML self-contained branded (Design System MetodologIA v5). Dark-First Executive page con radar chart interactivo de madurez AI SCALE, scatter plot de use cases, y roadmap faseado colapsable. WCAG AA, responsive, print-ready.
Formato DOCX (bajo demanda):
- Filename:
{fase}_{entregable}_{cliente}_{WIP}.docx
- Via python-docx con Design System MetodologIA v5. Cover page, TOC auto, headers/footers branded, tablas zebra. Para circulacion formal y auditoria.
Formato XLSX (bajo demanda):
- Filename:
{fase}_{entregable}_{cliente}_{WIP}.xlsx
- Via openpyxl con Design System MetodologIA v5. Headers branded (fondo navy, texto blanco, Poppins), formato condicional con colores semaforo, auto-filtros, valores sin formulas. Para matrices de madurez AI SCALE, portafolio de use cases y scorecard de governance.
Evaluacion
| Dimension | Peso | Criterio |
|---|
| Trigger Accuracy | 10% | El skill se activa correctamente ante keywords de AI readiness, AI SCALE, MLOps, governance, adoption roadmap. |
| Completeness | 25% | Las 8 secciones cubren el ciclo completo: strategy, use cases, data, models, governance, infrastructure, products, roadmap. |
| Clarity | 20% | Scoring de madurez es interpretable por audiencia ejecutiva y tecnica. AI SCALE levels documentados con evidencia. |
| Robustness | 20% | Edge cases (shadow AI, pilotos fallidos, >50 use cases, datos sensibles) manejados con estrategias explicitas. |
| Efficiency | 10% | Variante ejecutiva reduce a 4 secciones sin perder decision-readiness. Screening rapido para portafolios grandes. |
| Value Density | 15% | Cada seccion produce artefactos accionables: scoring matrices, gap analysis, fit-gap, roadmap faseado con mitigacion del 80% failure rate. |
Umbral minimo: 7/10. Debajo de este umbral, revisar completeness de secciones y evidencia de scoring.
Output Artifact
Primary: AI_Center_Discovery_{project}.md — Assessment completo de 8 secciones con evaluacion AI SCALE, portafolio de use cases, data readiness, inventario de modelos, governance, infraestructura, integracion de productos MetodologIA AI, y roadmap de adopcion.
Diagramas incluidos:
- Radar chart de madurez AI SCALE por dimension
- Scatter plot de use cases (impacto vs feasibilidad)
- Heatmap de data readiness por use case
- Roadmap de adopcion (gantt)
- Fit-gap de productos MetodologIA AI (matrix)
Autor: Javier Montaño · Comunidad MetodologIA | Ultima actualizacion: 14 de marzo de 2026
