El comité de revisión de IA que creé sin presupuesto adicional y cómo funcionó
La propuesta de crear un comité de revisión de IA generó la primera reacción que cualquier propuesta de proceso adicional genera en un equipo que ya tiene demasiadas reuniones: escepticismo sobre si el tiempo que consuma el proceso justificaría el valor que produciría. Era un escepticismo completamente razonable y que yo compartía desde el principio. Si el comité de revisión se convertía en otra reunión semanal donde se reportaban outputs de IA para aprobación burocrática, sería un costo de proceso sin beneficio proporcional. Si se diseñaba correctamente, podía ser el mecanismo que generara la inteligencia colectiva del equipo sobre cómo usar IA de forma efectiva y responsable sin convertirse en un cuello de botella.
El diseño del comité partió de 3 principios. Primero, el comité no era de aprobación sino de aprendizaje: su función no era aprobar o rechazar el uso de IA en casos específicos, sino construir el conocimiento colectivo sobre qué tipos de uso producían buenos resultados, qué tipos generaban problemas y por qué. Segundo, la participación era rotativa: los 3 miembros del comité de cada mes eran roles, no personas fijas. Había un representante del equipo de contenido, uno del equipo de análisis y uno del equipo de ventas, y esos roles rotaban mensualmente para que el conocimiento no quedara concentrado en las mismas personas. Tercero, el comité se reunía una vez al mes durante 60 minutos, no más.
La agenda de cada reunión mensual tenía 3 puntos. El primero era la revisión de 2 o 3 casos de uso de IA del mes anterior: uno que había producido buenos resultados, uno que había producido problemas y uno que era ambiguo. Para cada caso, el análisis era sobre qué había funcionado, qué no y qué cambio de proceso o de criterio lo hubiera mejorado. El segundo punto era la actualización de la biblioteca de casos de uso aprobados, que era el documento vivo donde el equipo documentaba qué tipos de uso de IA en qué contextos habían demostrado ser confiables. El tercer punto era la identificación de cualquier nueva área de riesgo que el mes anterior hubiera revelado.
El comité operó durante 8 meses con resultados que ningún miembro del equipo había anticipado con ese nivel de optimismo. La biblioteca de casos de uso creció a 34 entradas en los primeros 6 meses, convirtiéndose en la referencia práctica más consultada del equipo cuando alguien tenía duda sobre si un uso específico de IA era apropiado. La tasa de incidentes relacionados con el uso incorrecto de IA bajó del promedio de 1 cada 3 semanas en el período previo al comité, a 1 cada 11 semanas en el período de operación del comité. El conocimiento que el equipo había acumulado de forma dispersa se estaba consolidando en inteligencia colectiva que reducía el riesgo individual de cada uso.
El costo real del comité era de 60 minutos mensuales de tiempo de 3 personas. El beneficio era la construcción sistemática de un cuerpo de conocimiento sobre gobernanza práctica de IA que ningún documento de política podía proporcionar porque ese conocimiento era específico del contexto de la organización, de sus procesos y de los tipos de problemas que sus usos específicos de IA generaban. La gobernanza más efectiva no viene de políticas escritas. Viene del aprendizaje colectivo de personas que comparten la experiencia de lo que funciona y lo que no.