El playbook interno de GitHub para construir una workforce impulsada por IA

• GitHub está expandiendo la adopción de IA con un enfoque centrado en las personas y construyendo capacidades de IA a nivel de toda la empresa
• La adopción de IA no es un problema tecnológico sino un problema de gestión del cambio; no se trata solo de desplegar herramientas, sino de reconfigurar la forma de trabajar de la organización
• Para tener éxito, GitHub diseñó un modelo operativo basado en 8 pilares (defensores de IA, políticas claras, oportunidades de aprendizaje, medición basada en datos, responsable designado, apoyo ejecutivo, herramientas adecuadas y comunidades de práctica)
• Además, estableció una visión compartida activamente por la dirección, lineamientos claros de uso, una red voluntaria de defensores, comunidades de práctica (CoP), rutas de aprendizaje estructuradas, liderazgo dedicado y un sistema de medición capaz de demostrar el ROI
• Esta estrategia muestra que se trata de un enfoque estructural que va más allá de la simple adopción para impulsar transformación del trabajo, mejora de la productividad y desarrollo del talento

---

Introducción: la oportunidad y el desafío central

• La IA generativa es una gran oportunidad para acelerar el desempeño empresarial, y está en marcha una carrera competitiva por capturar su valor
• El desafío no es reconocer el potencial de la IA, sino activarla a escala, y ahí es donde se define el éxito
• Muchas organizaciones sobreinvierten en herramientas de IA, pero la adopción queda limitada a una minoría de usuarios entusiastas, lo que impide convertirla en productividad a nivel de toda la empresa
• La diferencia entre las organizaciones de alto desempeño y las que se estancan está en si cuentan con una estrategia de activación intencional y sistemática

El malentendido que lleva al fracaso: no es despliegue tecnológico, es gestión del cambio

• Las empresas tratan la adopción de IA como si fuera una instalación de software, pero en realidad es una tarea de gestión del cambio que implica recablear la forma de trabajar
• Lo que separa el éxito del fracaso no es comprar licencias, sino construir la infraestructura humana capaz de convertir a miembros escépticos en usuarios avanzados

Naturaleza del documento: el playbook interno de GitHub

• Este documento es el playbook interno que GitHub desarrolló y operó para construir fluidez en IA en su fuerza laboral global
• Como resultado de la iniciativa AI for Everyone, ofrece un blueprint práctico validado en campo, no teoría
• El objetivo es hacer replicable para otras organizaciones un sistema que integre la IA en la forma de trabajar

Resumen del modelo operativo: un sistema de componentes complementarios

• La activación exitosa de la IA no se diseña como una iniciativa única, sino como la suma de componentes complementarios
• Mezcla con precisión una estrategia top-down con momentum grassroots para crear un ecosistema donde la fluidez en IA pueda prosperar
• La base del ecosistema es el respaldo visible del liderazgo y políticas y guardrails claros
  • Los sponsors de liderazgo establecen el punto de partida con visión e inversión
  • Las políticas y guardrails brindan un entorno donde los empleados pueden experimentar e innovar con seguridad

Ocho pilares (8 Pillars): definición y rol

• AI Advocates: una red interna de champions voluntarios que expande la adopción mediante influencia entre pares y retroalimentación desde el terreno
• Clear policies and guardrails: reglas y lineamientos simples que cualquiera puede entender para respaldar un uso responsable
• Learning and development opportunities: un ecosistema de aprendizaje accesible con contenido externo de alta calidad curado
• Data-driven metrics: un framework de medición multinivel para seguir adopción, nivel de actividad e impacto de negocio
• Dedicated responsible individual (DRI): un responsable central que orquesta el programa, habilita a otros y empuja la estrategia general
• Executive support: un compromiso visible del liderazgo que aporta visión, inversión y comunicación transparente
• Right-fit tooling: un portafolio validado de herramientas propias y de terceros ajustado a distintos roles y casos de uso
• Communities of practice (CoPs): foros dedicados al aprendizaje entre pares, intercambio de conocimiento y resolución de problemas

Foco de ejecución: tres elementos conectores

• 1) Equipar a los equipos + construir un sistema de apoyo humano: entregar herramientas de IA validadas, formar champions internos mediante el programa Advocates y hacer permanente el aprendizaje entre pares con CoPs
• 2) Amplificar con L&D estructurado: elevar de forma sistemática las capacidades técnicas y de trabajo mediante rutas de aprendizaje estandarizadas y curaduría
• 3) Operar con DRI y datos: el DRI lidera las decisiones de inversión y, con métricas basadas en datos, mide y mejora el impacto para que el programa evolucione de forma continua

Poner el framework en acción

• El framework para aprovechar la IA no termina en entender sus elementos clave; requiere un enfoque estratégico para ejecutarlo en la práctica
• GitHub presenta una hoja de ruta de ejecución centrada en los ocho pilares, y el punto de partida inicial es el apoyo ejecutivo (Executive support)
• Si la dirección presenta una visión y una justificación claras, y explica de forma concreta qué valor agrega la IA al trabajo de los empleados, puede asegurar el impulso inicial

Executive support: cómo marcar el tono

• El éxito de la adopción de IA comienza con el rol de la dirección
• Más allá de simplemente ofrecer herramientas, debe enfatizar de forma continua el "por qué" de la estrategia de IA de la empresa
• En lugar de presentar objetivos abstractos, conviene explicarlos como beneficios reales conectados directamente con el trabajo cotidiano de los empleados para elevar la participación
• Ejemplo de mensaje para ingeniería:
  “Con IA eliminaremos tareas repetitivas y tediosas. Copilot puede encargarse de escribir código boilerplate, generar pruebas unitarias y resumir PRs complejos, para que ustedes se enfoquen en la resolución creativa de problemas.”
• Ejemplo de mensaje para toda la empresa:
  “El objetivo de la estrategia de IA es ofrecer mejores productos a los clientes más rápido. Al amplificar nuestras capacidades con IA, podemos acelerar el ritmo de innovación y concentrarnos en trabajo creativo de alto valor.”

Un enfoque realista y transparente

• La adopción de IA inevitablemente implica automatización del trabajo y cambios en los roles
• Ignorar esto genera ansiedad y resistencia, y bloquea la adopción
• Por eso, en lugar de dar simples mensajes tranquilizadores, los líderes deben presentar de forma concreta la estrategia de cambio de roles y reskilling

• Lo que no se debe decir: “Sus empleos están seguros.”
• Lo que sí se debe decir: “Así es como nuestro trabajo va a cambiar, y así los vamos a apoyar para que desarrollen las nuevas habilidades necesarias.”

• Este enfoque honesto construye confianza al tratar a los empleados como socios del cambio

Estrategia de mensajes segmentados

Los mensajes sobre IA deben adaptarse según la audiencia

• Managers:
  No basta con prepararlos para el uso individual; hay que prepararlos para liderar a todo el equipo. Los managers deben rediseñar workflows del equipo, identificar tareas automatizables y redefinir el trabajo de alto valor. Debe alentárseles a vincular directamente la adopción de IA con mejoras en el desempeño e innovación del equipo.
• Senior ICs:
  Debe retárseles a convertirse no solo en mejores usuarios individuales, sino en arquitectos internos del uso de IA. Como tienen gran influencia dentro de la organización, cumplen un papel importante al introducir y estandarizar nuevas formas de usar IA. Deben maximizar su propio desempeño con IA y, al mismo tiempo, expandir esas capacidades dentro de la organización como mentores internos. Con ello, el impacto del talento clave se expande exponencialmente.

Policies and tooling: brindar claridad y acceso

• Para introducir la IA en toda la organización, son imprescindibles guardrails claros
• Si los empleados no tienen claro qué está permitido, ni siquiera experimentan, por lo que una Política de Uso Aceptable (Acceptable Use Policy) clara y fácil de consultar es una condición previa para el éxito
• No se trata simplemente de un tema de cumplimiento, sino de la base que permite a los empleados usar la IA de forma segura y con confianza

• Principios para establecer políticas

  • La política debe crearse en colaboración con actores clave como TI, RR. HH., seguridad y legal
  • Así se logra un enfoque integral desde la perspectiva de la gestión de riesgos
  • La política final debe ofrecerse como un único documento centralizado, donde queden claramente organizadas todas las herramientas de IA aprobadas y los tipos de datos adecuados para cada una

• Modelo de herramientas por niveles (Tiered tooling)

  • Un modelo exitoso de política de uso de IA adopta un enfoque por niveles
  • En lugar de limitarse a enumerar prohibiciones, se trata de distinguir claramente qué está aprobado para que los empleados puedan tomar decisiones con facilidad

• Tier 1: herramientas totalmente validadas y aprobadas

  • Herramientas que pasaron una revisión exhaustiva interna de seguridad y legal
  • Son seguras para manejar datos confidenciales de la empresa y datos de clientes
  • Incluye productos propios de la empresa de primera parte (por ejemplo, GitHub Copilot) y herramientas empresariales de terceros contratadas y aprobadas
  • Los empleados pueden reconocer las herramientas de esta categoría como la opción predeterminada segura

• Tier 2: herramientas públicas o de consumo no validadas

  • Incluye en general herramientas públicas de IA que la empresa no ha contratado ni validado oficialmente
  • La política es simple y universal: estas herramientas solo pueden usarse con datos públicos y no sensibles
  • Esto permite que los empleados experimenten libremente con nuevas tecnologías de IA sin poner en riesgo los datos de la empresa

• Impacto y mensaje

  • Este modelo por niveles brinda a los empleados una forma de pensar simple y clara:
    • “Si una herramienta no está en la ‘lista de totalmente validadas’, usa solo datos públicos.”
  • Una regla predeterminada tan clara elimina la incertidumbre y se convierte en la clave para expandir el uso responsable de la IA a gran escala

AI advocates: Tus champions de base

• Para que la adopción de la IA tenga éxito a largo plazo, no basta con el apoyo de la dirección y políticas claras; la influencia entre pares (peer-to-peer influence) también es un motor clave
• Para ello, el programa de AI Advocates es un mecanismo muy efectivo: construye una red interna de champions voluntarios que actúa como puente entre los equipos individuales y el programa central de apoyo
• Los advocates traducen la estrategia de alto nivel en casos de uso concretos a nivel de equipo, creando de forma natural impulso para la IA dentro de la organización

• La forma más efectiva de construir la red es convocar voluntarios
• En vez de un proceso formal y complejo de nominaciones, si se invita a participar mediante un anuncio a toda la empresa, se reúne a personas apasionadas por la IA, automotivadas y genuinamente interesadas en ayudar al éxito de sus colegas
• Eso lleva a contar con champions internos sólidos y confiables

• Qué hacen los advocates

  • El rol de los advocates es multifacético y cumple tres funciones principales: expertos internos, constructores de comunidad y canal de retroalimentación
  • Rol de champion interno
    Como especialistas en IA dentro de cada equipo, actúan como mentores de sus colegas, responden preguntas cotidianas y eliminan barreras prácticas, reduciendo así los obstáculos para adoptar la IA
  • Impulso del aprendizaje entre pares
    Muestran el valor de la IA con ejemplos concretos y realistas. Al compartir casos de éxito dentro del equipo, ayudan a que sus colegas perciban el impacto real de la IA, algo que suele ser más persuasivo que la capacitación formal
  • Representar la voz del equipo
    Forman un circuito de retroalimentación entre el programa central y el trabajo en terreno, transmitiendo qué funciona bien, qué problemas existen y qué oportunidades aparecen. Esto permite mejorar continuamente el programa con base en las necesidades reales de los usuarios
  • Diseño de capacitación y colaboración
    En colaboración con el programa central, reflejan las necesidades concretas y los casos de uso del equipo para co-diseñar y liderar sesiones de capacitación personalizadas con impacto real

• Cómo apoyar a tus advocates

  • Para que un programa de advocates tenga éxito, necesita apoyo real y valioso por parte del equipo central. Las formas clave de apoyo son las siguientes.
  • Fomentar una comunidad de advocates autosostenible
    Crear espacios de comunicación como un canal dedicado de Slack y apoyar check-ins periódicos liderados por los advocates para que compartan mejores prácticas y resuelvan problemas, ayudando a que crezcan como una red autogestionada
  • Conexión directa con liderazgo
    Permitir que los advocates se conecten directamente con representantes de liderazgo como un DRI (Directly Responsible Individual) o un sponsor del programa, ofreciendo un canal que enlace la toma de decisiones ejecutiva con la actividad en terreno
  • Filosofía Train the Trainer
    Enfocarse no en que los advocates sean simples receptores de información, sino en convertirlos en mentores y líderes de workshops. Al formarlos como educadores eficaces y expertos en temas de IA, se convierten en una extensión escalable del programa central
  • Con este apoyo, los advocates se consolidan como líderes de IA de confianza dentro de la organización y difunden de manera natural las capacidades de uso de IA en toda la empresa

Communities of practice: Fomentar la colaboración

• Si el programa de advocates ofrece un apoyo de alta intensidad (high-touch) con fuerte involucramiento en equipos individuales, para expandir la fluidez en IA (AI fluency) en toda la organización hace falta un espacio de colaboración más amplio
• Ahí es donde las comunidades de práctica (Communities of Practice, CoPs) cumplen un papel importante, al ofrecer espacios dedicados donde los empleados pueden conectarse libremente, hacer preguntas y compartir conocimiento
• Las CoPs funcionan como el tejido conectivo (connective tissue) de un programa exitoso de habilitación en IA, rompiendo silos y asegurando que insights valiosos no se pierdan en conversaciones aisladas

• Otro objetivo es estructurar el interés espontáneo por la IA sin sofocar la creatividad
• En la mayoría de las empresas ya existen pequeñas comunidades de IA dispersas, operando en forma de canales de chat o hilos de correo
• Un programa efectivo hace evolucionar esa actividad dispersa hacia una red sistemática y cohesionada. Los pasos clave para lograrlo son los siguientes

  • Establecer comunidades dedicadas y guiadas por un propósito

    • En lugar de un único canal gigante sobre IA, resulta más efectivo crear comunidades dedicadas según propósito y grupo de usuarios
    • Así, las conversaciones pueden ser más enfocadas y relevantes
    • Un ejemplo de configuración inicial recomendada sería:
      • Comunidad general: canal para anuncios de toda la empresa y preguntas no técnicas (por ejemplo, #how-do-i-ai)
      • Comunidad solo para desarrolladores: canal para compartir casos técnicos, discusiones profundas e intercambio de técnicas avanzadas (por ejemplo, #copilot-users)
      • Comunidad especializada por área: canal para abordar casos de uso propios de funciones específicas como marketing, ventas o finanzas (por ejemplo, #ai-for-sales)

  • Definir charters y liderazgo claros

    • Cada comunidad necesita un propósito claramente documentado y un líder (o grupo de líderes) para gestionarla
    • Los líderes pueden seleccionarse entre los advocates, lo que ayuda a mantener el rumbo de las conversaciones y a que la comunidad siga siendo un recurso valioso de manera sostenida

  • Mantener el impulso

    • No basta con abrir canales
    • El programa central de apoyo debe usar estas comunidades como plataforma para compartir en toda la empresa casos interesantes de uso de IA surgidos allí, así como para comunicar nuevas funciones o capacitaciones
    • Con el tiempo, será necesario hacer evolucionar y reorganizar las comunidades

• Al cultivar CoPs de manera intencional, nace un motor de aprendizaje entre pares escalable y autosostenible
• Esto se convierte en una base indispensable para que toda la organización adquiera soltura en el uso de la IA

Curated learning and development: Reducir la barrera

• No basta con dar acceso a herramientas de IA; es indispensable contar con un sistema de Learning & Development (L&D) que ayude a los empleados a adquirir realmente proficiency en su uso
• El objetivo es que todos los empleados, sin importar su formación técnica, puedan adquirir habilidades prácticas de uso de IA adecuadas para su rol
• Para ello, GitHub construyó un sitio de L&D que reúne experiencias internas y materiales externos curados, y ofrece un ecosistema multinivel que cubre distintos estilos y necesidades de aprendizaje

• Una estrategia efectiva de L&D se compone de las siguientes inversiones clave

  • A centralized resource hub

    • Se necesita un sitio que funcione como single source of truth para reunir todos los materiales de aprendizaje relacionados con IA
    • No es solo una colección de enlaces, sino un espacio para exhibir de forma dinámica casos de innovación interna, mejores prácticas y proyectos de empleados
    • Además de ofrecer materiales de aprendizaje, también sirve como fuente de motivación

  • Core AI Learning paths

    • Se ofrecen rutas de aprendizaje zero-to-one para que todos los empleados alcancen una base mínima de capacidades
    • En lugar de crear contenido propio, se curan materiales de aprendizaje externos ya validados
    • Como las funciones de IA cambian rápidamente, el contenido creado internamente corre el riesgo de volverse inútil muy pronto

  • Building blocks for technical users

    • Los empleados técnicos avanzados no necesitan aprendizaje básico, sino acceleration en su trabajo
    • Se ofrece una biblioteca de componentes de IA reutilizables: plantillas, repositorios clonables, workflows, etc.
    • Esto ayuda a reducir tareas repetitivas y a construir soluciones de IA con rapidez

  • Integration with onboarding

    • Se incluye el aprendizaje de IA en el proceso de onboarding para que puedan adquirir proficiency desde su primer día
    • Se enfatiza que la habilidad para usar IA ya es una competencia clave para una carrera exitosa

• Con esto, no solo se mejora la capacidad individual de cada empleado, sino que también se hace posible consolidar una cultura de uso de IA en toda la organización

Dedicated program leadership: Driving the program

• Un programa de habilitación de IA no debe ser solo una colección de recursos, sino un sistema vivo y continuo, y para ello se necesita una persona directamente responsable (Directly Responsible Individual, DRI) o un pequeño equipo dedicado
• Este liderazgo actúa como el pegamento que conecta estrategia, ejecución y actividades de comunidad, haciendo que toda la organización funcione como un sistema orgánico
• La misión principal del DRI no es fortalecer su propio feudo (fiefdom building), sino escalar a los demás (scaling others)

• Funciones y responsabilidades principales

  • Owning the program strategy and roadmap

    • Definir la estrategia general y la hoja de ruta de ejecución
    • Gestionar la planificación mensual y mantener la alineación con los objetivos de la empresa

  • Leading change management

    • Como responsable de la gestión del cambio dentro de la organización, impulsa una adopción de IA fluida y transparente
    • Minimiza la confusión y maximiza la tasa de adopción

  • Acting as a central AI consultant

    • Proporciona soporte 1:1 y office hours a empleados y Advocates
    • Ayuda a resolver problemas complejos y a desarrollar casos de uso avanzados

  • Amplifying internal success and innovation

    • Identifica y comparte casos de éxito internos
    • Difunde mejores prácticas mediante comunidad y workshops, generando un ciclo virtuoso

  • Managing the AI tooling and policy lifecycle

    • Recibe solicitudes de nuevas herramientas y, en colaboración con IT, seguridad y legal, gestiona todo el proceso de evaluación, adquisición y definición de políticas

  • Owning adoption and fluency metrics

    • Hace seguimiento de indicadores adelantados como MAU, MEU y segmentación de usuarios
    • Demuestra la efectividad del programa y evalúa la madurez en IA de los empleados

  • Demonstrating business ROI

    • Conecta indicadores rezagados como mejora de productividad, calidad de código y satisfacción de desarrolladores con los datos de adopción
    • Entrega a la dirección una narrativa de ROI basada en datos

• Para ello, GitHub asignó formalmente un program director y un program manager para impulsar la iniciativa AI for Everyone
• Este esquema dedicado garantiza el nivel de enfoque y responsabilidad necesarios para una habilitación de IA a escala empresarial

Metrics: Measuring for success

• Para justificar la inversión en un programa de habilitación de IA y seguir mejorándolo, es indispensable medir los indicadores correctos
• No basta con contar cuántas licencias se distribuyeron; hay que entender de forma integral el alcance, la profundidad y los resultados del uso de IA dentro de la organización
• Como todavía no existe un estándar consolidado en la industria, el enfoque más efectivo es uno multietapa (medir adopción → profundización del uso → resultados de negocio)

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): proporción de empleados que usaron IA al menos una vez en el mes → indicador base de adopción general
  • Monthly Engaged Users (MEU): proporción de empleados que la usaron en varios días del mes → indicador clave para ver si ya pasaron de la experimentación inicial a formar un hábito

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: activos 10 días o más al mes (power users clave)
    • Occasional users: activos 2–9 días al mes
    • Tire kickers: activos 1 día al mes
    • → El objetivo es convertir a los Tire kickers en Occasional o Dedicated
  • Total AI events: total de interacciones como prompts o autocompletado de código → un aumento de eventos por usuario señala que la IA se está integrando al flujo de trabajo

• Phase 3: Measuring business impact

  • Referencia al GitHub Engineering System Success Playbook (ESSP) → ofrece indicadores integrales que abarcan felicidad del desarrollador, calidad, velocidad y resultados de negocio
  • Principales indicadores relacionados con IA:
    • AI leverage: cuantifica cuánto esfuerzo manual se ahorra y cuánto aumenta la productividad gracias al uso de IA
    • Cycle time: tiempo que tarda un commit en reflejarse en producción → cuanto más se reduzca por el uso de IA, mayor es la eficiencia
    • Code churn: mide señales de calidad según si el código generado con IA requiere menos retrabajo
    • Pull request size: es necesario verificar que la IA no esté provocando PR excesivamente grandes
    • Developer wellbeing: seguimiento de si la reducción de tareas repetitivas se traduce en mayor satisfacción y menos burnout
    • Perceived productivity: mediante encuestas y otros métodos, se evalúa si los empleados sienten que la IA les permite concentrarse en trabajo de mayor valor

• Esta medición multietapa permite demostrar tanto la adopción, como la profundización del uso y el ROI de la IA, además de explicar su valor a la dirección mediante una narrativa basada en datos

Executing on enablement: A strategic checklist

Esta lista de verificación es una guía práctica que organiza el framework descrito anteriormente en una hoja de ruta de ejecución paso a paso

• Phase 1: Foundational steps (first 30 days)

  • Asegurar patrocinio ejecutivo
    • Obtener un patrocinador de nivel C responsable del apoyo presupuestario, el respaldo público al programa y la comunicación continua del mensaje
  • Nombrar un DRI
    • Designar a un responsable dedicado que asuma la responsabilidad por el éxito del programa y tenga autoridad para coordinar entre áreas
  • Redactar una política de uso v1
    • En colaboración con Legal, Security e IT, establecer una política de uso inicial (por ejemplo, herramientas vetted vs unvetted) para garantizar un entorno de experimentación seguro
  • Establecer métricas iniciales
    • Implementar un sistema de medición de MAU y MEU y construir un dashboard inicial
  • Anunciar el programa
    • En colaboración con el patrocinador y el equipo de comunicaciones, distribuir un anuncio interno para toda la empresa con la visión, los recursos disponibles y el calendario próximo

• Phase 2: Building momentum (first 90 days)

  • Lanzar el programa de AI advocates
    • Abrir una convocatoria interna de voluntarios, realizar sesiones de orientación sobre el rol y habilitar un canal de comunicación dedicado
  • Establecer comunidades de práctica
    • Abrir canales para uso general y para desarrolladores, y definir con claridad el charter y a los líderes de la comunidad
  • Lanzar un hub centralizado de recursos
    • Crear un sitio interno hub v1 con herramientas aprobadas, políticas y rutas de aprendizaje
  • Empezar a mostrar casos de éxito
    • El DRI y los advocates deben identificar y compartir casos de éxito tempranos para ampliar la prueba social y la inspiración
  • Lanzar un módulo de onboarding
    • En colaboración con HR, integrar un módulo de uso de IA en el proceso de onboarding de nuevas contrataciones

• Phase 3: Scaling and measuring (ongoing)

  • Implementar un programa de "Train the Trainer"
    • Proporcionar formación estandarizada para fortalecer las capacidades de mentoría y liderazgo de talleres de los advocates
  • Desarrollar un dashboard de ROI del negocio
    • Construir un dashboard de ROI que conecte métricas de adopción como MAU/MEU con indicadores de resultado como cycle time, calidad de código y productividad comercial
  • Realizar encuestas cualitativas
    • Recopilar, mediante encuestas organizacionales periódicas y breves, la percepción sobre productividad, bienestar y retroalimentación del programa

El camino hacia la fluidez en IA

• No basta con invertir simplemente en herramientas de IA
• Un programa de ejecución estructurado y multifacético es precisamente el factor clave que distingue a las organizaciones que materializan el valor de su inversión en IA de las que no lo hacen

• No existe una solución mágica (silver bullet) para el éxito en la adopción de IA
• Lo necesario es un esfuerzo de ejecución continuo y basado en datos
• Para ello, es indispensable lo siguiente:
  • apoyo total de la alta dirección
  • políticas claras y accesibles
  • advocates de IA voluntarios desde la operación diaria
  • compromiso con la medición de las métricas correctas
  • construcción de un sólido sistema de ejecución capaz de adaptarse al cambio

• Si el liderazgo se compromete con un enfoque sistemático como este, la organización puede transformarse en una organización amigable con la IA más productiva, más innovadora y más efectiva