Gestión de proyectos y GenAI: La habilidad de saber preguntar

Hay un error silencioso que se repite hoy en muchas organizaciones: creer que el problema de la gestión de proyectos es tecnológico. Se incorporan nuevas plataformas, se suman dashboards, se automatizan reportes y se habla de inteligencia artificial como si el simple acceso a datos garantizara mejores decisiones. Sin embargo, los proyectos siguen desviándose, los plazos se tensan y los riesgos aparecen cuando ya es tarde. No falla la tecnología; falla la pregunta inicial.

La irrupción de la inteligencia artificial generativa y del data analytics no vino a simplificar la gestión de proyectos, sino a volverla más exigente. Cuanta más capacidad tienen las herramientas para analizar, simular y predecir, mayor es la responsabilidad del gerente al definir qué quiere saber y para qué. Una mala pregunta genera una respuesta precisa… pero inútil. Una buena pregunta, en cambio, puede reordenar todo el proyecto.

La gestión de proyectos frente a la inteligencia artificial generativa

La incorporación de la inteligencia artificial generativa en la gestión de proyectos no representa una simple evolución tecnológica, sino un cambio en la lógica misma de cómo se conciben, evalúan y gobiernan las decisiones. Durante décadas, el project management se apoyó en marcos metodológicos, cronogramas y controles que buscaban reducir la incertidumbre. Hoy, la GenAI introduce una paradoja: ofrece más capacidad predictiva que nunca, pero también exige mayor claridad intelectual por parte de quien la utiliza.

En términos operativos, el impacto es evidente. La automatización de cronogramas, la estimación de costos basada en históricos, la detección temprana de riesgos y la simulación de escenarios permiten acelerar procesos que antes demandaban semanas de análisis. Sin embargo, esta aceleración no equivale necesariamente a mejores decisiones. La IA no “comprende” el proyecto: procesa patrones, correlaciones y probabilidades. Decide rápido, pero no decide con criterio estratégico.

Aquí emerge una distinción clave para los líderes: la inteligencia artificial no reemplaza al gerente de proyectos, sino que redefine su rol. La herramienta sugiere, anticipa y alerta; el juicio sigue siendo humano. Cuando esta frontera se diluye, aparece uno de los principales riesgos de la adopción acrítica de GenAI: confundir velocidad con claridad, o automatización con inteligencia real.

La especialista y PMP® María López Triaca, advierte en su trabajo sobre IA aplicada a la gestión de proyectos que el valor de estas tecnologías no reside únicamente en la automatización, sino en su correcta integración con el pensamiento crítico y la comprensión profunda del negocio. En otras palabras, la IA amplifica aquello que se le solicita: si la pregunta es débil, la respuesta será técnicamente correcta, pero estratégicamente irrelevante.

Desde una perspectiva ejecutiva, esto obliga a repensar la gobernanza de los proyectos. Ya no alcanza con saber interpretar reportes o validar indicadores. Se vuelve imprescindible entender qué supuestos están embebidos en los modelos, qué datos alimentan las recomendaciones y qué intereses del negocio deben prevalecer cuando los escenarios sugeridos entran en conflicto

Herramientas para la gestión de proyectos: de la automatización al razonamiento asistido

La conversación sobre la gestión de proyectos con inteligencia artificial suele quedarse en la superficie: listados de software, comparativas de funcionalidades o promesas de eficiencia. El problema de ese enfoque es que describe el “qué” pero no explica el “para qué” ni el “cómo”. El libro publicado por ADEN y elaborado por María López Triaca permite ir más allá y entender que la verdadera transformación no está en las herramientas en sí, sino en el tipo de razonamiento que habilitan.

En IA aplicada a la Gestión de Proyectos se plantea que hoy las herramientas dejan de ser sistemas de registro para convertirse en sistemas de interpretación asistida.

Qué tipo de problemas resuelven las nuevas herramientas

Las herramientas con inteligencia artificial aplicadas a la gestión de proyectos son especialmente eficaces cuando el problema es complejo, repetitivo y basado en datos históricos:

• Planificación y replanificación dinámica: Ajuste automático de cronogramas frente a desvíos reales, sin necesidad de rehacer el plan completo.
• Estimaciones basadas en evidencia: Uso de datos históricos reales para estimar tiempos, costos y recursos, reduciendo el peso de supuestos optimistas.
• Detección temprana de riesgos: Identificación de patrones que, en proyectos anteriores, precedieron a fallas, retrasos o sobrecostos.
• Monitoreo continuo del estado del proyecto: Indicadores de “salud” del proyecto que integran múltiples variables y no solo avance físico o financiero.

De reportes a señales: el cambio silencioso

Uno de los aportes más relevantes de Triaca es la distinción implícita entre reportar y advertir.

En el modelo tradicional, las herramientas:

• Consolidan información.
• Generan reportes periódicos.
• Informan lo que ya ocurrió.

En el modelo asistido por IA, las herramientas:

• Analizan tendencias.
• Comparan con proyectos similares.
• Emiten señales tempranas, no conclusiones.

Esto cambia el rol del gerente. Ya no recibe únicamente reportes que confirman lo evidente, sino alertas que requieren interpretación. La pregunta deja de ser “¿qué pasó?” y pasa a ser “¿qué podría pasar si seguimos así?”.

Herramientas por etapa del ciclo de vida del proyecto

No todas las fases se benefician de la misma manera.

Durante la planificación

• Simulación de escenarios alternativos.
• Comparación entre enfoques predictivos, ágiles o híbridos.
• Evaluación anticipada de restricciones críticas.

Durante la ejecución

• Seguimiento en tiempo real de hitos y tareas.
• Automatización de reportes de avance.
• Detección de desviaciones incipientes antes de que sean visibles.

Durante el monitoreo

• Indicadores integrados de desempeño (tiempo, costo, recursos, riesgos).
• Visualización de tendencias, no solo estados actuales.
• Recomendaciones de ajustes operativos.

Durante el cierre

• Checklists automatizados de buenas prácticas.
• Documentación de lecciones aprendidas.
• Análisis comparativo entre lo planificado y lo ejecutado.

Este enfoque por etapas evita un error frecuente: pretender que una herramienta “solucione” todo el proyecto.

El riesgo central: confundir recomendación con decisión

La experta insiste en un punto crítico: cuanto más sofisticada es la herramienta, mayor es el riesgo de delegar el juicio. Entre los riesgos más relevantes se destacan:

• Dependencia excesiva de modelos predictivos, sin cuestionar supuestos.
• Falsa sensación de control, basada en dashboards estéticamente convincentes.
• Sesgos heredados de datos históricos, que replican errores del pasado.
• Desplazamiento del criterio profesional, especialmente en gerentes menos experimentados.

El nuevo valor de estas herramientas: elevar la calidad de las preguntas

El aporte más profundo de las herramientas de IA en gestión de proyectos no está en la automatización, sino en que obligan al gerente a pensar mejor. Cambian el tipo de preguntas relevantes:

• No solo “¿vamos en tiempo?”, sino: “¿Qué patrones actuales se parecen a proyectos que fracasaron?”
• No solo “¿cuánto falta?”, sino: “¿Qué variable es hoy la más sensible al desvío?”
• No solo “¿qué recomienda el sistema?”, sino: “¿Qué suposición está detrás de esa recomendación?”

En este sentido, las herramientas dejan de ser un soporte operativo y se convierten en un espejo del razonamiento del gerente.

Del dato a la decisión: cuando la analítica no alcanza

En la gestión contemporánea de proyectos se repite una escena conocida: tableros repletos de métricas, indicadores en tiempo real, modelos predictivos que anticipan desvíos y reportes que parecen no dejar nada fuera. Y, sin embargo, el proyecto fracasa. No por falta de información, sino por exceso de confianza en ella. 

Conviene entonces trazar una distinción que suele pasar desapercibida y que resulta clave para los tomadores de decisiones: información, insight y decisión no son lo mismo.

• La información describe hechos: avances, costos, tiempos, incidencias. 
• El insight interpreta esos hechos y propone una lectura posible: un patrón, una tendencia, una alerta. 
• La decisión, en cambio, implica asumir una posición frente a esa lectura, aceptar un riesgo y actuar en consecuencia. 

La analítica puede acompañar los dos primeros niveles, pero el tercero sigue siendo irreductiblemente humano.

El libro de Triaca sobre IA aplicada a la gestión de proyectos muestra que muchos fracasos no se explican por errores de cálculo, sino por lecturas equivocadas de los datos disponibles. Proyectos con métricas impecables colapsan porque nadie se anima a cuestionar el supuesto de fondo que las sostiene. La analítica señala que “todo está dentro de parámetros”, pero esos parámetros ya no responden a la realidad cambiante del negocio.

Un error particularmente frecuente es confundir correlación con causalidad. Que dos variables se muevan juntas no significa que una explique a la otra. En entornos complejos —como los proyectos con múltiples stakeholders, dependencias externas y cambios de contexto— este error se amplifica. 

Un sistema puede detectar que ciertos retrasos suelen coincidir con incrementos de costos en fases específicas, pero no puede explicar por sí mismo por qué ocurre ni si esa relación seguirá siendo válida bajo nuevas condiciones.

Por eso, uno de los riesgos más sutiles de la analítica avanzada es desplazar la responsabilidad.

La pregunta como unidad mínima de gestión

Antes de que exista un plan, un cronograma o una herramienta, existe una pregunta. Aunque rara vez se la explicite, esa formulación inicial define qué se considera un problema, qué variables entran en juego y cuáles quedan fuera del análisis. En la gestión de proyectos, la pregunta no es un paso preliminar ni un recurso retórico: es la unidad mínima de gestión. Todo lo que sigue —datos, métricas, decisiones— se ordena en función de ella.

Una pregunta mal formulada no genera necesariamente un proyecto mal ejecutado, pero sí un proyecto correctamente ejecutado en la dirección equivocada. Y este riesgo se vuelve más evidente en entornos donde la inteligencia artificial y la analítica avanzada aceleran la producción de respuestas sin cuestionar el sentido del planteo original.

Preguntas operativas y preguntas estratégicas

No todas las preguntas cumplen la misma función. En la práctica cotidiana conviven, al menos, dos niveles claramente diferenciados.

Las preguntas operativas buscan confirmar estados: ¿vamos en tiempo?, ¿estamos dentro del presupuesto?, ¿cuántas tareas faltan? Son necesarias para administrar el avance, pero no redefinen el rumbo.

Las preguntas estratégicas, en cambio, reformulan el problema: ¿qué variable pone en riesgo el propósito del proyecto?, ¿qué supuesto estamos dando por válido sin haberlo revisado?, ¿qué escenario alternativo estamos ignorando? Estas preguntas no describen la realidad; la reinterpretan.

La diferencia entre ambos tipos no es técnica, sino directiva. Las primeras permiten controlar. Las segundas permiten decidir.

La inteligencia artificial frente a una mala pregunta

La inteligencia artificial no corrige una pregunta débil: la ejecuta con precisión. Cuando el planteo es ambiguo o mal enfocado, el sistema puede devolver una respuesta técnicamente impecable y, al mismo tiempo, estratégicamente irrelevante. Los datos son correctos, los cálculos consistentes, pero el resultado no aporta valor real al proyecto.

Aquí aparece uno de los riesgos menos visibles de la adopción de GenAI en gestión de proyectos: confundir exactitud con pertinencia. La herramienta no evalúa si la pregunta tiene sentido; asume que lo tiene. El error, cuando ocurre, no está en el algoritmo, sino en la formulación inicial.

Pensar antes de preguntar: el verdadero significado del prompt

Lo que suele denominarse prompt engineering es, en esencia, una habilidad de pensamiento. No se trata de aprender una sintaxis particular ni de dominar comandos, sino de traducir un problema de negocio en una pregunta clara, delimitada y con intención estratégica.

Un prompt mal planteado no solo produce respuestas imprecisas; en proyectos complejos puede inducir a decisiones equivocadas con apariencia de rigor. Pedir a una herramienta que “optimice costos” sin definir qué se preserva —calidad, alcance, sostenibilidad del equipo— es delegar una decisión estratégica bajo la forma de una instrucción técnica.

Preguntar bien como acto de liderazgo

Formular buenas preguntas no es una señal de duda, sino una manifestación de liderazgo. Implica asumir que gestionar un proyecto no consiste solo en ejecutar respuestas, sino en definir con precisión qué vale la pena responder. En un entorno donde la inteligencia artificial acelera el acceso a soluciones, la ventaja competitiva ya no está en obtener respuestas más rápido, sino en plantear problemas más relevantes.

Cuando las respuestas son abundantes y automáticas, el rol del gerente se redefine: deja de ser quien controla información y pasa a ser quien ordena el sentido de la decisión. En ese gesto —previo a cualquier herramienta— se juega buena parte del éxito de los proyectos contemporáneos.

De la supervisión al gobierno del proyecto

El nuevo gerente de proyectos deja de ser un supervisor operativo para convertirse en un responsable del sentido del proyecto. Su rol se desplaza desde el control hacia la gobernanza. Esto implica asumir decisiones con información incompleta, gestionar tensiones entre eficiencia y propósito, y sostener criterios incluso cuando los indicadores “lucen bien”.

Las habilidades que dejan de ser centrales

En un entorno asistido por IA, ciertas capacidades que antes ocupaban el centro de la escena pasan a un segundo plano:

• Control manual del detalle: Revisar cada tarea, consolidar información o actualizar cronogramas deja de ser una fuente de valor estratégico cuando las herramientas lo hacen de forma continua y más precisa.
• Gestión reactiva: Intervenir solo cuando el problema ya se manifestó resulta insuficiente en contextos donde las señales tempranas están disponibles de antemano.
• Dominio instrumental del software: Saber “usar la herramienta” deja de ser una ventaja cuando el acceso es generalizado y la interfaz se simplifica.

Estas habilidades no desaparecen, pero ya no definen al buen gerente de proyectos.

Las competencias que se vuelven críticas

En contraste, emergen capacidades que siempre estuvieron presentes, pero que ahora se vuelven decisivas:

• Pensamiento sistémico: Comprender el proyecto como un sistema de interdependencias —técnicas, humanas, económicas y políticas— y no como una suma de tareas aisladas.
• Formulación de problemas: Traducir situaciones complejas en preguntas relevantes, delimitadas y accionables. La calidad de las decisiones comienza antes del análisis, en la definición del problema.
• Criterio frente a la recomendación automática: Evaluar cuándo seguir una sugerencia del sistema y cuándo desafiarla. La madurez no está en aceptar o rechazar la IA, sino en saber cuándo hacer cada cosa.
• Lectura contextual: Integrar variables que no están en los datos: cultura organizacional, intereses de los stakeholders, clima interno, restricciones políticas o regulatorias.

La verdadera transformación no es tecnológica, sino cultural. Implica aceptar que los proyectos no fracasan por falta de datos, sino por preguntas mal planteadas, supuestos no revisados o decisiones postergadas bajo la apariencia de análisis riguroso. En un entorno de respuestas automáticas, el mayor error no es equivocarse, sino dejar de pensar.

Por eso, estudiar carreras de gestión de proyectos se vuelve más exigente y el rol de los profesionales más expuesto. Ya no puede refugiarse en el procedimiento ni en el indicador. Debe interpretar, decidir y hacerse cargo. Debe saber cuándo confiar en la recomendación del sistema y cuándo desafiarla. Debe, sobre todo, formular las preguntas que la tecnología no puede hacerse sola.

Preguntas frecuentes finales

Estas preguntas finales reúnen dudas habituales que surgen al llevar la inteligencia artificial a la práctica de la gestión de proyectos. Apuntan a clarificar límites, criterios y decisiones clave para un uso estratégico y responsable.