El primer encuentro de planificación de un sprint puede parecer un ritual rígido: un tablón lleno de tareas, un líder de equipo que habla con autoridad y un muro de expectativas. Para una persona nueva en metodologías ágiles, ese ambiente puede resultar abrumador. Sin embargo, lo que realmente se aprende en esa sala no es cómo dividir el trabajo, sino cómo decidir qué trabajo merece ser hecho.
Cuando empecé mi primer sprint como ingeniera junior en un proyecto de inteligencia artificial, la reunión de planificación pareció un rompecabezas. El backlog estaba lleno de elementos: etiquetado de datos, pruebas de modelos, actualizaciones de documentación y mejoras de infraestructura. Los veteranos discutían con datos técnicos y plazos, pero en el fondo subyacía una pregunta más profunda: qué elementos aportarían mayor valor al producto. La lección llegó en forma de silencio. Mientras todos enumeraban tareas, una colega se limitó a preguntar: “Si tuviéramos solo tres semanas y un presupuesto limitado, qué resultado generaría el modelo?” La pregunta cambió el tono de la discusión.
Ese momento me reveló que la planificación de sprints no se trata de completar el mayor número de elementos del backlog, sino de seleccionar aquellos que impulsan los objetivos del negocio y el impacto del modelo. En proyectos de IA, donde los recursos para etiquetado de datos o entrenamiento de modelos son costosos, priorizar en función del valor potencial evita el desperdicio y acelera el tiempo de lanzamiento al mercado. La lección silenciosa era simple: priorizar por impacto, no por actividad.
En la práctica diaria, esto significa adoptar un marco de priorización claro. Muchos equipos utilizan el método MoSCoW (Must have, Should have, Could have, Won’t have), pero en el contexto de IA, es crucial añadir una capa de evaluación basada en datos. Por ejemplo, un modelo de recomendación puede requerir de manera imperiosa una mayor cobertura de datos de interacciones de usuarios, mientras que una función de visualización puede ser “podríamos tener”. Al alinear el backlog con resultados medibles, los equipos pueden justificar decisiones técnicas ante las partes interesadas y mantener la dirección hacia el objetivo.
Esta lección trasciende el entorno de desarrollo. En un sector donde los modelos de lenguaje y la generación de imágenes avanzan rápidamente, malgastar esfuerzos en características de bajo impacto puede poner en desventaja a una empresa. La priorización adecuada ayuda a asignar recursos limitados a entrenamiento de modelos, optimización de rendimiento y cumplimiento normativo, elementos que realmente marcan la diferencia en el mercado. Además, fomenta una cultura de responsabilidad: cuando los equipos ven que sus selecciones se alinean con los objetivos, la moral mejora y la confianza entre ingenieros y negocios crece.
Para cualquier profesional de IA que se inicia en el desarrollo ágil, el consejo es sencillo: observa, cuestiona y prioriza por impacto. Solicita siempre: “¿Qué resultado generaría esto en el modelo o en el negocio?” Convierte este cuestionamiento en un hábito y verás cómo el backlog cobra vida de manera significativa. La verdadera maestría en la planificación de sprints no está en completar tareas, sino en seleccionar aquellas que impulsan el progreso real.
En definitiva, la lección aprendida en esa sala de planificación se convierte en una brúcia guia para cualquier proyecto de IA: prioriza con propósito, construye con intención y mide con resultados. Solo así el backlog deja de ser una lista de deseos para convertirse en un camino claro hacia el valor.
