Creación de una estrategia de inteligencia artificial

Una estrategia de inteligencia artificial exitosa requiere un planeamiento estructurado en cuatro áreas principales. Identifique los casos de uso de inteligencia artificial que proporcionan valor empresarial medible, seleccione Tecnologías de inteligencia artificial de Microsoft que se alineen con las aptitudes del equipo, establezcan gobernanza de datos escalables e implementen prácticas de inteligencia artificial responsables que conserven la confianza y cumplan los requisitos normativos. Se aplica a organizaciones de todos los tamaños, incluidas startups, pequeñas y medianas empresas, grandes empresas, organizaciones sin ánimo de lucro y instituciones del sector público.

Vínculo rápido:Árbol de decisión de IA de Microsoft

Por qué es importante el planeamiento estratégico de la inteligencia artificial: una estrategia de inteligencia artificial documentada genera resultados coherentes, más rápidos y auditables en comparación con la experimentación ad hoc. En esta guía se enumeran los pasos que requieren acción para la implementación de Microsoft Copilot, la configuración del entorno Foundry, la adopción del agente de INTELIGENCIA artificial, la integración de Azure OpenAI y la gobernanza de ia para toda la organización con Microsoft Purview.

Identificación de casos práctico de inteligencia artificial

La inteligencia artificial transforma las operaciones empresariales mediante la aceleración del trabajo de conocimiento y la automatización de procesos rutinarios. La inteligencia artificial generativa (sistemas que crean contenido como texto, imágenes o código) aumenta la productividad de los trabajadores del conocimiento. La inteligencia artificial analítica y el aprendizaje automático automatizan tareas pesadas de datos, reducen las tasas de error y generan información predictiva. Comience por aislar los procesos con fricción medible donde la inteligencia artificial mejora el costo, la velocidad, la calidad o la experiencia del cliente.

Céntrese primero en los resultados empresariales: los programas de inteligencia artificial exitosos delimitan cada caso de uso en un objetivo empresarial cuantificado, no en un experimento primero del modelo. Los métodos de detección estructurados se correlacionan con mayores tasas de éxito de operacionalización, como refuerza la guía de inteligencia artificial del Centro de arquitectura de Azure.

Identificar oportunidades de automatización. Céntrese en los procesos adecuados para la automatización para mejorar la eficiencia y reducir los costos operativos. Orienta las tareas repetitivas, las operaciones con gran volumen de datos o las áreas con altas tasas de error donde la inteligencia artificial puede tener un impacto significativo.
Recopilar comentarios de los clientes. Use comentarios estructurados de los clientes (encuestas, transcripciones de soporte técnico, comentarios NPS) para descubrir casos de uso que mejoran la satisfacción cuando se automatizan con la inteligencia artificial. Estos comentarios ayudan a priorizar las iniciativas con un impacto medible.
Realice una evaluación interna. Recopile datos de departamentos (operaciones, finanzas, legal, soporte técnico, producto) para identificar los desafíos y las ineficiencias que la inteligencia artificial puede abordar. Documente flujos de trabajo y recopile información de las partes interesadas para descubrir oportunidades de automatización, generación de información o mejor calidad de decisión.
Casos de uso en la industria investigativa. Investigue cómo las organizaciones o sectores similares usan la inteligencia artificial para resolver problemas o mejorar las operaciones. Use recursos como las arquitecturas de inteligencia artificial en el Centro de arquitectura de Azure para obtener inspiración y evaluar los enfoques adecuados.
Defina los objetivos de inteligencia artificial. Para cada caso de uso, defina el objetivo (uso general), el objetivo (resultado deseado) y la métrica de éxito (medida cuantificable). Estas pruebas comparativas guían la adopción y medición del éxito. Para más información, consulte la estrategia de ia de ejemplo.

Definición de una estrategia de tecnología de IA

La estrategia de tecnología determina el equilibrio de velocidad, personalización y control. Microsoft proporciona tres patrones de consumo de IA principales: software listo para usar (SaaS), plataformas de desarrollo extensibles (PaaS) e infraestructura totalmente administrada (IaaS). Seleccione el modelo que se alinea con la madurez de la ingeniería, la posición de cumplimiento, la residencia de datos y las necesidades de personalización.

Adoptar mecanismos estándar para la interoperabilidad de IA. Los protocolos estándar permiten que los sistemas de inteligencia artificial se comuniquen entre distintas plataformas y reduzcan las implementaciones personalizadas. Estos protocolos admiten el uso compartido de datos y la integración del sistema, a la vez que mantienen la flexibilidad de los cambios tecnológicos futuros. Comprenda los protocolos como el Protocolo de contexto de modelo para la ingesta de datos entre sistemas para asegurarse de que los sistemas de inteligencia artificial admiten los requisitos de interoperabilidad. Evalúe herramientas como NLWeb para preparar el contenido de la web de IA. Por ejemplo, vea Protocolo de contexto de modelo en Microsoft Copilot Studio y Exponer API REST como servidores MCP.
Comprenda los agentes de inteligencia artificial como sistemas de toma de decisiones. Un agente de IA es un microservicio que usa un modelo de IA generativo para razonar, actuar y aprender. Estos sistemas representan un cambio de las aplicaciones de generación aumentada de recuperación (RAG) a los sistemas de toma de decisiones que se adaptan a las condiciones cambiantes. Dada la naturaleza distinta de los agentes dentro de una organización, revise la adopción del agente de IA para obtener instrucciones especializadas sobre la implementación de agentes en todo el entorno.
Seleccione el modelo de servicio de IA adecuado. Microsoft ofrece tres modelos de servicio con distintos niveles de personalización y responsabilidad compartida: Software como servicio (SaaS), Plataforma como servicio (PaaS) e Infraestructura como servicio (IaaS). Cada modelo requiere diferentes aptitudes técnicas y proporciona diferentes grados de control sobre la implementación de inteligencia artificial. Alinee las capacidades del equipo, los requisitos de datos y las necesidades de personalización con el modelo de servicio adecuado. Use el árbol de decisión de IA para guiar el proceso de selección.

Árbol de decisión de Microsoft AI

Servicios de IA (SaaS)

Las soluciones de inteligencia artificial listas para usar de Microsoft, denominadas Copilots, aumentan la productividad con una configuración mínima. Microsoft 365 Copilot proporciona asistencia de inteligencia artificial en las aplicaciones de Office, mientras que los copilotos especializados se centran en roles de trabajo y sectores específicos. Comience con estas soluciones para lograr resultados iniciales antes de cambiar al desarrollo personalizado.

Microsoft Copilots	Descripción	Usuario	Datos necesarios	Capacidades necesarias	Principales factores de coste
Copiloto de Microsoft 365	Microsoft 365 Copilot proporciona asistencia de inteligencia artificial basada en web y chat en la aplicación en aplicaciones de Microsoft 365, que se integra con los datos de Microsoft Graph.	Negocio	Sí. Clasifique los datos con etiquetas de confidencialidad e interactúe de forma segura con los datos en Microsoft Graph.	Administración general de TI y datos	Licencia
Copilotos basados en roles	Agentes que mejoran la eficacia de roles específicos en Seguridad, Ventas, Servicio y Finanzas.	Negocio	Sí. Opciones de conexión de datos y plugin están disponibles.	Administración general de TI y datos	Licencias o unidades de proceso de seguridad (SCUs) para Security Copilot
Copilotos integrados en el producto	Inteligencia artificial dentro de productos como GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric, Microsoft Entra y Azure.	Empresas y particulares	Sí. La mayoría requiere una preparación mínima de datos.	Mínimo (configuración básica del administrador y preparación de datos)	Gratuito o suscripción
Microsoft Copilot o Microsoft Copilot Pro	Microsoft Copilot es una aplicación gratuita de chat basada en web. Copilot Pro proporciona un mejor rendimiento, capacidad y acceso a Copilot en determinadas aplicaciones de Microsoft 365.	Individuo	No	Ninguno	Microsoft Copilot es gratis. Microsoft Copilot Pro requiere una suscripción

Inteligencia artificial en plataformas de código bajo

Microsoft proporciona plataformas de poco código para el desarrollo de agentes de IA personalizados sin un equipo de desarrollo completo. Copilot Studio permite a los usuarios empresariales crear asistentes de inteligencia artificial con lenguaje natural, mientras que las extensiones de Copilot de Microsoft 365 le permiten personalizar Copilot empresarial con datos y procesos específicos de la empresa.

Microsoft Copilots	Descripción	Usuario	Datos necesarios	Capacidades necesarias	Principales factores de coste
Herramientas de extensibilidad para Microsoft 365 Copilot	Personalizar Microsoft 365 Copilot con más datos o funcionalidades a través de agentes declarativos. Use herramientas como Copilot Studio, experiencia lite, Kit de herramientas de Teams y SharePoint.	Empresas y particulares	Use conectores de Microsoft Graph para agregar datos.	Administración de datos, TI general o aptitudes para desarrolladores	Licencia de Microsoft 365 Copilot
Copilot Studio	Use Copilot Studio para crear agentes de inteligencia artificial conversacional y flujos de trabajo de automatización con herramientas de poco código y lenguaje natural.	TI	Automatiza gran parte de la integración de datos para crear copilotos personalizados con conexiones a varios orígenes de datos.	Configuración de la plataforma para conectar orígenes de datos, diseñar flujos conversacionales e implementar copilots	Licencia

IA en plataformas de Azure (PaaS)

Azure proporciona plataformas de desarrollo para distintos patrones de solución de IA y niveles de madurez. Foundry es la plataforma unificada para crear aplicaciones de generación aumentada (RAG) de recuperación, crear agentes de IA de producción, evaluar y personalizar modelos de base y aplicar controles de inteligencia artificial responsables. Estas funcionalidades administradas permiten a los equipos de desarrollo centrarse en la diferenciación de soluciones mientras Azure proporciona primitivos de infraestructura escalable, gobernanza, gobernanza y seguridad. Use los precios de Azure AI y la calculadora de precios de Azure para el modelado de costos.

Objetivo de IA	Solución de Microsoft	Datos necesarios	Capacidades necesarias	Principales factores de coste
Agentes de compilación	Servicio de agente de Foundry	Sí	Configuración del entorno, selección de modelos, herramientas, almacenamiento de datos en tierra, aislamiento de datos, desencadenamiento de agentes, agentes de conexión, filtrado de contenido, redes privadas, supervisión del agente, supervisión del servicio	Consumo de tokens de modelo, almacenamiento, características, procesos, conexiones a tierra
Compilación de aplicaciones RAG	Fundición	Sí	Selección de modelos, orquestación del flujo de datos, fragmentación de datos, enriquecimiento de fragmentos, elección de la indexación, comprensión de los tipos de consulta (texto completo, vector, híbrido), comprensión de filtros y facetas, realización de cambios, ingeniería rápida, implementación de puntos de conexión y consumo de puntos de conexión en aplicaciones	Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Afina los modelos GenAI	Fundición	Sí	Preprocesamiento de datos, división de datos en datos de entrenamiento y validación, validación de modelos, configuración de otros parámetros, mejora de modelos, implementación de modelos y consumo de puntos de conexión en aplicaciones	Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.
Entrenamiento e inferencia de modelos	Azure Machine Learning o Microsoft Fabric	Sí	Preprocesamiento de datos, modelos de entrenamiento mediante código o automatización, mejora de modelos, implementación de modelos de aprendizaje automático y consumo de puntos de conexión en aplicaciones	Proceso, almacenamiento y transferencia de datos
Consumo de modelos y servicios de IA precompilados	Servicios de Azure AI y/o Azure OpenAI	Sí	Selección de modelos de IA, protección de puntos de conexión, consumo de puntos de conexión en aplicaciones y ajuste preciso según sea necesario	Uso de puntos finales de modelo consumidos, almacenamiento, transferencia de datos, computación (si entrena modelos personalizados)
Aislar aplicaciones de IA	Azure Container Apps con compatibilidad con GPU sin servidor	Sí	Seleccione modelos de inteligencia artificial, orquestación del flujo de datos, fragmentación de datos, enriquecimiento de fragmentos, elección de la indexación, comprensión de los tipos de consulta (texto completo, vector, híbrido), comprensión de filtros y facetas, realización de reranking, ingeniería de mensajes, implementación de puntos de conexión y consumo de puntos de conexión en aplicaciones; configuración opcional del entorno o red virtual para el aislamiento de red (la disponibilidad regional y el estado de las características pueden variar)	Proceso, número de tokens de entrada y salida, servicios de IA consumidos, almacenamiento y transferencia de datos.

INTELIGENCIA ARTIFICIAL en los servicios de infraestructura de Azure (IaaS)

Los servicios de infraestructura de Azure proporcionan un control pormenorizado para los requisitos de cumplimiento, aislamiento o rendimiento de inteligencia artificial. Las máquinas virtuales de Azure con GPU permiten el entrenamiento y la prueba comparativa de modelos personalizados (PyTorch, TensorFlow, ajuste fino distribuido). Azure Kubernetes Service (AKS) ofrece orquestación de contenedores, agrupación de GPU, escalado automático y segmentación de cargas de trabajo multiinquilino para canalizaciones de inferencia y entrenamiento. Use rutas de acceso de IaaS cuando deba traer sus propios modelos, usar entornos de ejecución personalizados o optimizar para costos y rendimiento más allá de las abstracciones de plataforma administradas. Consulte precios de infraestructura de Azure con la calculadora de precios de Azure para la previsión de capacidad.

Objetivo de IA	Solución de Microsoft	Datos necesarios	Capacidades necesarias	Principales factores de coste
Entrenar e inferir sus propios modelos de inteligencia artificial. Traer sus propios modelos a Azure.	Azure Virtual Machines con CycleCloud para cargas de trabajo de HPC o Azure Kubernetes Service	Sí	Administración de infraestructura, TI, instalación de programas, entrenamiento de modelos, pruebas comparativas de modelos, orquestación, implementación de puntos de conexión, protección de puntos de conexión y consumo de puntos de conexión en aplicaciones	Proceso, orquestador de nodos de proceso, discos administrados (opcional), servicios de almacenamiento, Azure Bastion y otros servicios de Azure usados

Definición de una estrategia de datos

La estrategia de datos define cómo se origen, clasifica, protege, enriquece, supervisa y retira los datos al tiempo que mantiene el cumplimiento y minimiza el riesgo de exposición. Una estrategia duradera garantiza que los casos de uso de inteligencia artificial prioritarios en microsoft 365, Azure y los patrimonios híbridos se hayan regido, de alta calidad y de seguimiento de linaje. Céntrese en las líneas base de gobernanza, la planificación de elasticidad, la instrumentación del ciclo de vida y la aplicación de uso responsable.

Configurar la gobernanza de datos para proyectos de inteligencia artificial.La gobernanza de datos garantiza que los datos de inteligencia artificial se usan de forma segura y cumplen las normativas mediante controles de acceso y directivas. Empiece por clasificar los datos en función de la confidencialidad y el acceso necesario. Usa Microsoft Purview Data Security Posture Management (DSPM) para IA para proteger las aplicaciones de IA generativa. Incluye funcionalidades para la seguridad de los datos de IA.
Planee el crecimiento y el rendimiento de los datos. Asegúrese de que el entorno de datos admite los proyectos actuales de inteligencia artificial y el crecimiento futuro sin degradación del rendimiento ni costos excesivos. Documente el volumen de datos actual, la frecuencia de procesamiento y los tipos de datos necesarios por caso de uso. Esta información le ayuda a elegir los servicios de Azure adecuados.
Administre los datos a lo largo de su ciclo de vida. Defina cómo recopilar, almacenar y retirar datos al tiempo que los mantiene accesibles y seguros para el uso de inteligencia artificial. Configure la recopilación sistemática de bases de datos, API, dispositivos IoT y orígenes de terceros. Elija Niveles de almacenamiento de Azure en función de la frecuencia de acceso. Cree canalizaciones ETL/ELT (flujos de trabajo de procesamiento de datos) para mantener la calidad y usar el panel de INTELIGENCIA ARTIFICIAL responsable para comprobar si hay sesgos en los datos de entrenamiento.
Siga las prácticas de datos responsables. Asegúrese de que los sistemas de inteligencia artificial usan datos de forma ética y cumplen los requisitos normativos. Realice un seguimiento de los orígenes de datos y el uso con el linaje de datos de Microsoft Fabric o el linaje de datos de Microsoft Purview. Establezca estándares de calidad, compruebe si hay sesgo y evalúe la equidad en los conjuntos de datos de entrenamiento. Cree directivas de retención que equilibran el rendimiento de la inteligencia artificial con privacidad y cumplimiento.

Desarrollo de una estrategia de inteligencia artificial responsable

La inteligencia artificial responsable convierte la confianza, la seguridad y la alineación normativa en controles operativos en todo el ciclo de vida de la inteligencia artificial. Una estrategia de inteligencia artificial responsable convierte los principios en controles ejecutables, puntos de control medibles y responsabilidad clara. Mantenga una cadena auditable en las revisiones de diseño, las evaluaciones de riesgos, la aplicación de directivas, el modelo y la supervisión del agente y la respuesta a incidentes.

Asigne una propiedad clara para la gobernanza de la inteligencia artificial. Designe a personas o equipos específicos para que posean decisiones de gobernanza de inteligencia artificial y administren los requisitos normativos. Los roles de gobernanza definen la autoridad de toma de decisiones para los proyectos de inteligencia artificial. Asigne a alguien para supervisar los cambios en la tecnología de inteligencia artificial y las nuevas regulaciones. Cree un centro de excelencia en la nube de inteligencia artificial para centralizar las responsabilidades y establecer procedimientos para problemas de gobernanza de la inteligencia artificial.
Adopte principios de inteligencia artificial responsables como objetivos empresariales. Use los principios de inteligencia artificial responsable de Microsoft como marco para el desarrollo de inteligencia artificial ética. Estos seis principios de inteligencia artificial se alinean con el marco de administración de riesgos de IA de NIST y se convierten en objetivos empresariales medibles que guían la selección y el desarrollo de proyectos. Integre estos principios en la planificación del proyecto, los procesos de desarrollo y las métricas de éxito.
Elija herramientas de inteligencia artificial responsables para sus proyectos. Seleccione herramientas que implementen principios éticos de inteligencia artificial en iniciativas de inteligencia artificial. Microsoft proporciona herramientas y procesos de inteligencia artificial responsables que coinciden con diferentes casos de uso de ia y niveles de riesgo. Integre estas herramientas en flujos de trabajo de desarrollo para aplicar prácticas de inteligencia artificial responsables.
Siga siendo compatible con las regulaciones de inteligencia artificial. Identifique las regulaciones locales e internacionales de inteligencia artificial que se aplican a las operaciones y los casos de uso de inteligencia artificial. Los requisitos de cumplimiento varían según el tipo de aplicación de industria, ubicación e inteligencia artificial. Supervise los cambios normativos y actualice las estrategias de cumplimiento para mantenerse alineados.

Ejemplo de estrategia de IA

En este ejemplo, la estrategia de inteligencia artificial usa una empresa ficticia, Contoso. Contoso opera una plataforma de comercio electrónico orientada al cliente y emplea a representantes de ventas que necesitan herramientas para predecir los datos empresariales. La empresa también administra el desarrollo y el inventario de productos para producción. Los canales de ventas incluyen empresas privadas y agencias reguladas del sector público.

Caso de uso de IA	Objetivos	Objetivos	Métricas de éxito	Enfoque de IA	Solución de Microsoft	Necesidades de datos	Necesidades de aptitudes	Factores de coste	Estrategia de datos de IA	Estrategia de IA responsable
Característica de chat de aplicaciones web de comercio electrónico	Automatizar el proceso empresarial	Mejorar la satisfacción del cliente.	Aumento de la tasa de retención de clientes	PaaS, IA generativa, RAG	Fundición	Descripciones de elementos y emparejamientos	Desarrollo de aplicaciones en la nube y RAG	Uso	Establecer la gobernanza de datos para los datos de clientes e implementar controles de equidad en la inteligencia artificial.	Asignar la responsabilidad de IA al CoE de IA y ajustarla a los principios de inteligencia artificial responsable.
Flujo de trabajo interno de procesamiento de documentos de la aplicación	Automatizar el proceso empresarial	Reducir los costos	Aumento de la tasa de finalización	Inteligencia artificial analítica, ajuste preciso	Servicios de Azure AI: Inteligencia de documentos	Documentos estándar	Desarrollo de aplicaciones	Uso estimado	Definir la gobernanza de datos para documentos internos y planificar directivas de ciclo de vida de datos.	Asignar la responsabilidad de IA y garantizar el cumplimiento de las directivas de control de datos.
Administración del inventario y compra de productos	Automatizar el proceso empresarial	Reducir los costos	Vida útil más corta del inventario	Aprendizaje automático, entrenamiento de modelos	Azure Machine Learning	Historial de inventario y datos de ventas	Desarrollo de aprendizaje automático y aplicaciones	Uso estimado	Establecer la gobernanza de los datos de ventas y detectar y abordar los sesgos en los datos.	Asignar la responsabilidad de la IA y cumplir con las normativas financieras.
Trabajo diario en toda la empresa	Mejora de la productividad individual	Mejorar la experiencia de empleado	Aumento de la satisfacción de los empleados	SaaS, IA generativa	Copiloto de Microsoft 365	Datos de OneDrive	TI general	Costes de suscripción	Implementar la gobernanza de datos para los datos de los empleados y garantizar la privacidad de los datos.	Asigne la responsabilidad de la inteligencia artificial y use características integradas de inteligencia artificial responsable.
Aplicación de comercio electrónico con función de chat para industria regulada	Automatizar el proceso empresarial	Aumentar las ventas	Aumento de las ventas	Entrenamiento de modelo de IA generativa de IaaS	Azure Virtual Machines	Datos de entrenamiento específicos del dominio	Desarrollo de aplicaciones e infraestructura en la nube	Infraestructura y software	Definir la gobernanza para los datos regulados y planificar el ciclo de vida con medidas de cumplimiento.	Asignar la responsabilidad de IA y cumplir las normativas del sector.

Paso siguiente

Plan de inteligencia artificial

Comentarios

¿Le ha resultado útil esta página?

Last updated on 2026-01-07