metodologia-ai-center-discovery

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.

1. 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.
2. 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.
3. 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

• AI SCALE stage actual identificado con evidencia por dimension
• Portfolio de use cases categorizado y priorizado (top-10 con scoring)
• Data readiness evaluada por use case priorizado con gap analysis
• Inventario de modelos existentes con lifecycle stage y performance
• AI governance evaluada con maturity level y gaps criticos
• Infraestructura AI evaluada con MLOps maturity level
• Fit-gap de productos MetodologIA AI completado por producto relevante
• Roadmap en 3 fases con mitigacion del "80% failure rate"
• Magnitudes de inversion documentadas (NUNCA precios) con disclaimer
• Evidencia tagueada con [CODIGO], [CONFIG], [DOC], [INFERENCIA], [SUPUESTO]
• Cross-references entre secciones (data readiness S3 informa feasibility en S2)

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