Cuánto tarda un proyecto de datos o IA

«Nos dijeron tres meses y llevamos ocho.» No es una anécdota rara. Es el patrón más habitual en proyectos de datos e IA que no se dimensionan bien desde el principio. Y la culpa no suele ser de la tecnología, sino de expectativas mal calibradas, datos en peor estado del previsto y un alcance que fue creciendo sin control.

En este artículo te damos los plazos reales que vemos en proyectos con pymes, los factores que más los alargan y cómo reducir el riesgo de acabar en un proyecto que no termina.

¿Cuáles son los plazos reales por tipo de proyecto?

Estos rangos incluyen desde el diagnóstico inicial hasta que el sistema está funcionando en producción y el equipo lo usa. No son estimaciones comerciales optimistas: son tiempos que hemos medido en proyectos terminados.

• Dashboard y reporting automatizado: 4-8 semanas. Incluye auditoría de datos, diseño del modelo, construcción del data mart y los dashboards, y formación del equipo.
• Modelo predictivo (churn, forecasting, scoring): 8-14 semanas. La mayor variabilidad viene de la preparación de datos y de la integración con los sistemas donde se actúa sobre las predicciones.
• Automatización de procesos con IA: 6-12 semanas. Depende enormemente del número de excepciones en el proceso y de la calidad de las integraciones.
• Plataforma de datos completa (data warehouse + primeros casos de uso): 10-20 semanas. La horquilla es amplia porque el número de fuentes y la complejidad de las reglas de negocio varían mucho.
• Copilot o asistente con IA: 6-10 semanas. Piloto en 3-4 semanas; producción con integraciones y ajuste fino en otras 4-6.

Los 5 factores que más alargan un proyecto

1. 1Datos en peor estado del esperado. Es el factor número uno. Lo que el equipo cree que son «datos limpios» suele incluir duplicados, campos vacíos, formatos inconsistentes y reglas de negocio no documentadas. La limpieza de datos puede consumir el 30-40% del tiempo total.
2. 2Cambios de alcance durante la ejecución. «Ya que estamos, ¿podemos añadir también este informe?» Cada adición parece pequeña pero acumula complejidad. Sin un control de cambios claro, el alcance crece un 30% sin que nadie lo note hasta que se reflejan los plazos.
3. 3Falta de disponibilidad del equipo cliente. Un proyecto de datos necesita validación continua del equipo de negocio: confirmar reglas de cálculo, validar resultados intermedios, aprobar diseños. Si el interlocutor tarda una semana en responder cada pregunta, el proyecto se alarga proporcionalmente.
4. 4Integraciones con sistemas legacy. Conectar un API moderna es rápido. Conectar un ERP de 2008 sin API, con una base de datos propietaria y un proveedor que tarda 3 semanas en darte acceso, es un proyecto dentro del proyecto.
5. 5No tener un owner claro. Si cada decisión tiene que pasar por un comité o si no hay una persona con autoridad para decir «esto se hace así», las decisiones se eternizan y el proyecto se paraliza.

Qué esperar en cada fase

Un proyecto típico de datos o IA sigue estas fases, con variaciones según el tipo:

Semanas 1-2: diagnóstico y diseño

Acceso a los datos, auditoría de calidad, diseño de la solución técnica. Al final de esta fase deberías tener un documento claro de qué se va a construir, con qué datos y qué resultado esperar.

Semanas 3-6: desarrollo e iteración

Construcción del pipeline de datos, desarrollo del modelo o dashboard, y validación iterativa con el equipo de negocio. Deberías ver entregas parciales cada 1-2 semanas. Si pasan 3 semanas sin que veas nada, hay un problema.

Semanas 6-8: producción y formación

Puesta en marcha en el entorno real, formación del equipo que lo va a usar, documentación y plan de mantenimiento. Esta fase se salta con frecuencia y es la razón por la que muchos proyectos «terminados» nunca se usan.

Cómo acortar plazos sin recortar calidad

Hay formas legítimas de reducir tiempos que no implican recortar esquinas. Si estás planificando un proyecto de inteligencia artificial, estas prácticas pueden marcar la diferencia entre un proyecto de 6 semanas y uno de 16:

• Acota el alcance al mínimo viable. Un caso de uso bien resuelto vale más que tres a medias. Empieza con el que más impacto tenga y escala después.
• Prepara los datos antes del kick-off. Si sabes que tus datos necesitan limpieza, hazlo antes de que empiece el reloj del proyecto.
• Asigna un interlocutor único con poder de decisión. No un comité: una persona que pueda responder preguntas y aprobar diseños en 24-48 horas.
• Exige entregas parciales cada 2 semanas. Si el proveedor no te muestra avances regulares, no tienes visibilidad sobre el estado real del proyecto.
• No cambies el alcance a mitad de proyecto. Apunta las ideas nuevas para la fase 2, pero no las metas en la fase 1.

Señales de que tu proyecto se está desviando

• No has visto ningún entregable parcial en las últimas 3 semanas.
• Las reuniones de seguimiento se cancelan o se posponen repetidamente.
• El equipo del proveedor ha cambiado sin explicación.
• Se habla mucho de «problemas técnicos» sin que nadie te explique cuáles ni qué impacto tienen en el plazo.
• El alcance ha crecido pero nadie ha ajustado la fecha de entrega.

Si detectas más de dos de estas señales, es momento de tener una conversación directa con tu proveedor. Un proveedor serio te avisa proactivamente cuando algo se desvía, no espera a que preguntes.

Tabla rápida: formato, plazo y principal cuello de botella

Qué documentos y decisiones aceleran de verdad un proyecto

Un proyecto no se acelera pidiendo “más velocidad”. Se acelera llegando con decisiones ya tomadas: qué problema se resuelve primero, quién valida, qué dato es fuente de verdad y qué queda fuera del alcance inicial. Cuando eso no está claro, la tecnología espera mientras negocio y proveedor siguen descubriendo el proyecto sobre la marcha.

Por eso conviene conectar esta pieza con un briefing útil de proyecto de datos e IA, con una decisión previa sobre si necesitas piloto o proyecto y con una conversación realista sobre precios y formatos de trabajo. Si además estás comparando proveedores, este contenido sobre cómo elegir partner de datos e IA suele ahorrar bastante tiempo después.

Si te interesa profundizar, en datos propios vs terceros en ia: cuál usar exploramos este tema en detalle.

Para más contexto, puedes consultar la informe The State of AI de McKinsey.

Preguntas frecuentes sobre plazos de proyectos de datos e IA

¿Un proyecto corto es siempre mejor?

No. Un proyecto corto con mal alcance solo desplaza el problema. Lo importante es que el formato encaje con la incertidumbre real del caso y con la preparación de datos y negocio.

¿Qué suele retrasar más un proyecto?

Normalmente los datos, las integraciones y la falta de validación o disponibilidad del equipo cliente. La tecnología rara vez es el mayor cuello de botella al principio.

¿Se pueden acortar plazos sin recortar calidad?

Sí, si acotas el primer entregable, decides rápido, llegas con el briefing trabajado y evitas meter nuevos casos de uso mientras el primero todavía no está estabilizado.