En muchos proyectos, transformar una idea o una necesidad de negocio en una solución técnica funcional requiere una gran cantidad de tiempo y esfuerzo. Antes de comenzar a desarrollar, es necesario entender los requisitos, estructurar la información, definir procesos, diseñar modelos y decidir cómo implementar la solución. Este trabajo inicial es fundamental, pero también puede convertirse en uno de los principales cuellos de botella para poner en marcha nuevas iniciativas.

Este reto propone explorar cómo la IA generativa puede ayudar a acelerar ese proceso, convirtiendo descripciones funcionales, necesidades de negocio o documentos de requisitos en una primera propuesta técnica sobre la que comenzar a trabajar. El objetivo es analizar hasta qué punto la IA puede ayudar a reducir el esfuerzo inicial de diseño y construcción, facilitando una transición más rápida entre la idea y la implementación.

Qué debería demostrar el prototipo

El prototipo debería ser capaz de recibir una descripción de una necesidad de negocio y generar una propuesta técnica inicial que ayude a arrancar el desarrollo de una solución de datos. Dependiendo del enfoque elegido por cada equipo, la propuesta podría incluir elementos como:

• Diagramas o flujos de la solución.
• Modelos de datos.
• Transformaciones de información.
• Código inicial.
• Casos de prueba.
• Documentación técnica generada automáticamente.
• Recomendaciones de arquitectura o implementación.

No se espera una solución completa ni productiva. Lo importante es demostrar cómo la IA puede ayudar a reducir el tiempo y el esfuerzo necesarios para pasar de una idea a una primera implementación viable.

Qué valor puede generar

El valor de este reto está en demostrar cómo la IA puede acelerar la puesta en marcha de nuevos casos de uso, reduciendo el tiempo dedicado a tareas repetitivas de análisis y diseño. Esto puede traducirse en una mayor velocidad de entrega, una mejor utilización de la capacidad de los equipos y una colaboración más fluida entre negocio y tecnología. En un entorno donde la rapidez de ejecución es cada vez más importante, disponer de herramientas capaces de acelerar las primeras fases de un proyecto puede convertirse en una ventaja competitiva significativa.

Una parte importante de la complejidad en las soluciones de datos no está en el código que existe, sino en todo lo que no queda documentado. Cuando la documentación es parcial, está desactualizada o depende del conocimiento de unas pocas personas, aumentan el riesgo operativo, la dificultad de mantenimiento y la dependencia de perfiles clave. Esto complica la evolución de las soluciones, frena el onboarding y hace más vulnerable cualquier sistema a cambios, incidencias o rotación en los equipos.

Este reto plantea utilizar IA para generar y mantener documentación técnica viva a partir del código, los pipelines y los repositorios existentes. La propuesta no busca añadir una nueva capa de trabajo manual, sino encontrar una forma más inteligente de capturar, estructurar y actualizar el conocimiento técnico de manera continua.

Qué debería demostrar el prototipo

El prototipo debería mostrar cómo extraer información relevante desde repositorios y activos técnicos para convertirla en documentación estructurada, útil y reutilizable. Esa documentación podría describir procesos, modelos de datos, dependencias, pipelines y flujos de información de manera comprensible y accionable. También sería valioso que el sistema generara diagramas de flujo de datos de forma automática, detectara cambios en el código o en la arquitectura para reflejarlos en la documentación y mantuviera una lógica básica de versionado que aportara trazabilidad y control sobre su evolución.

Qué valor puede generar

Este reto puede generar valor al reducir la dependencia del conocimiento individual y hacer que las soluciones sean más mantenibles, robustas y escalables en el tiempo. Una documentación que se actualiza con el sistema mejora la continuidad operativa, facilita la incorporación de nuevos perfiles y reduce el riesgo asociado a la falta de visibilidad técnica. En definitiva, convierte el conocimiento implícito en un activo compartido y sostenible.

La calidad del dato sigue siendo uno de los grandes puntos críticos en cualquier ecosistema analítico. Valores nulos, inconsistencias, duplicidades o reglas insuficientes de validación terminan generando incidencias en producción, erosionan la confianza en los sistemas y obligan a dedicar tiempo y esfuerzo a corregir problemas que podrían haberse detectado antes. Cuando el control llega tarde, el coste se multiplica.

Este reto propone utilizar IA para reforzar la calidad del dato desde fases tempranas del desarrollo, automatizando la generación de pruebas, reglas de validación y mecanismos de detección de anomalías. La idea es anticipar errores antes de que lleguen a producción y construir pipelines más fiables desde su propia base.

Qué debería demostrar el prototipo

El prototipo debería evidenciar cómo la IA puede ayudar a generar casos de prueba unitarios y de integración de forma automática, proponer reglas de calidad sobre dimensiones clave del dato —como nulos, rangos, consistencia o duplicados— y crear datasets de prueba suficientemente representativos para poner a prueba el comportamiento del sistema. También debería ser capaz de identificar edge cases relevantes y ofrecer una evaluación automatizada de resultados que permita detectar desviaciones, debilidades o errores potenciales antes de que impacten en entornos productivos.

Qué valor puede generar

El valor de este reto está en reducir incidencias, mejorar la fiabilidad de los pipelines y elevar la confianza en el dato como base para la toma de decisiones. Además de reforzar la calidad técnica, una aproximación más proactiva permite disminuir el esfuerzo dedicado a correcciones tardías, reducir costes asociados a errores en producción y liberar tiempo de los equipos para aportar valor en lugar de reaccionar ante fallos evitables.

La inteligencia artificial se está incorporando cada vez más al trabajo diario de desarrolladores, analistas y equipos técnicos. Herramientas de generación de código, asistentes conversacionales o sistemas de apoyo a la toma de decisiones permiten acelerar tareas y aumentar la productividad. Sin embargo, a medida que su uso crece, también surge la necesidad de entender mejor cómo se utilizan estas herramientas, qué resultados generan y cuál es su impacto real en el proceso de desarrollo.

Este reto propone diseñar una solución que permita observar y analizar el uso de la IA dentro de un entorno de desarrollo. El objetivo no es limitar su utilización, sino aportar visibilidad, trazabilidad y conocimiento sobre cómo estas herramientas contribuyen al trabajo de los equipos.

Qué debería demostrar el prototipo

El prototipo debería ser capaz de recopilar y presentar información relevante sobre el uso de herramientas de IA durante el desarrollo de una solución. Algunos ejemplos de capacidades que podría incluir son:

• Registro de prompts utilizados.
• Seguimiento de respuestas generadas por la IA.
• Métricas de uso por usuario o equipo.
• Estimación de consumo o costes asociados.
• Indicadores de productividad o eficiencia.
• Cuadros de mando para visualizar la actividad.
• Análisis de patrones de utilización.

Cada equipo podrá decidir qué información monitorizar y cómo representarla, siempre que el resultado permita comprender mejor el papel que desempeña la IA dentro del proceso de desarrollo.

Qué valor puede generar

Este reto puede ayudar a comprender mejor cómo se utiliza la inteligencia artificial en entornos profesionales y qué beneficios aporta realmente. Disponer de información sobre el uso, la adopción y el impacto de estas herramientas permite tomar mejores decisiones, identificar oportunidades de mejora y promover prácticas de utilización más eficientes. Más allá de la monitorización, el verdadero valor está en generar conocimiento sobre cómo las personas trabajan con IA y cómo estas tecnologías pueden integrarse de forma efectiva en los procesos de desarrollo del futuro.