La mayoría de los proyectos de tecnología fallan por la misma razón: parten por la herramienta antes que por el problema de negocio. El SMER Framework invierte ese orden, la IA es una de las herramientas disponibles en la fase Engineer, no el punto de partida del diagnóstico. Está basado en el Golden Circle de Simon Sinek (por qué, cómo, qué) y agrega una cuarta capa que la mayoría de los frameworks de adopción de IA omite: el resultado sostenido en el tiempo. Cada fase tiene un propósito distinto, un entregable concreto y una pregunta que responde antes de avanzar a la siguiente.
01 · El por quéScan
Scan es la fase de diagnóstico. Antes de proponer ninguna herramienta, dedicamos tiempo a entender cómo trabajan realmente los equipos — no cómo dice el organigrama que deberían trabajar, sino qué hacen día a día: qué información revisan, qué reportes preparan, dónde pierden tiempo en tareas repetitivas o en buscar información dispersa entre sistemas, correos y planillas. Este diagnóstico se hace mediante entrevistas cortas con los equipos, revisión de los flujos de trabajo existentes y, cuando es posible, observación directa del trabajo en curso. El objetivo de Scan no es identificar "dónde usar IA" — es entender el problema de negocio real antes de que la tecnología entre en la conversación. Esta fase responde el por qué: por qué vale la pena que esta organización invierta tiempo y presupuesto en adopción de IA, y en qué áreas específicas el retorno es mayor.
Entregable
Diagnóstico de flujos de trabajo + mapa de oportunidades por área
En una empresa de logística, Scan reveló que el equipo de control de gestión dedicaba más de 8 horas semanales a consolidar manualmente reportes de distintas bodegas en un solo Excel — antes de siquiera empezar el análisis.
02 · El cómoMobilize
Mobilize convierte el diagnóstico en capacidad instalada. Aquí es donde capacitamos a los equipos de forma aplicada — no un curso genérico de introducción a IA, sino sesiones de trabajo sobre las tareas reales identificadas en Scan. Cada equipo aprende a usar IA sobre su propio trabajo: análisis de documentos, preparación de reportes, investigación, redacción, revisión de información. La lógica es simple: la capacitación que no se aplica sobre el trabajo real de la persona se olvida en una semana. Mobilize también instala criterio, no solo herramientas — cuándo conviene usar IA, cuándo no, cómo validar un resultado antes de confiar en él. El resultado esperado no es que los equipos sepan usar una herramienta de IA, sino que tengan autonomía para reconocer, sin ayuda externa, dónde aplicarla en su trabajo diario.
Duración
Sesiones aplicadas por equipo, típicamente 3–6 semanas
Entregable
Equipos capacitados con autonomía para aplicar IA en su trabajo diario
En un caso de finanzas corporativas, el equipo de control de gestión aprendió a usar IA para acelerar la primera lectura de contratos y detectar cláusulas atípicas — reduciendo de días a horas la revisión inicial, sin reemplazar el criterio del analista.
03 · El quéEngineer
Engineer es donde los mejores casos identificados y validados en las fases anteriores se convierten en soluciones concretas: prompts reutilizables, agentes, automatizaciones, integraciones entre sistemas o pequeñas aplicaciones internas. No todos los casos de uso llegan a esta fase — solo los que ya demostraron valor real durante Mobilize y que tienen suficiente frecuencia o impacto para justificar la inversión de ingeniería. El criterio de selección combina impacto, frecuencia, esfuerzo de implementación, disponibilidad de datos y riesgo. El resultado de Engineer no es un prototipo que se queda en una demo — es una solución que el equipo puede usar de forma consistente, con los controles de calidad y revisión que el caso amerite.
Duración
Según alcance del caso, típicamente 2–8 semanas por solución
Entregable
Solución implementada — automatización, agente o herramienta interna en uso
En construcción, un caso que partió como capacitación individual (usar IA para resumir minutas de obra) se convirtió en una automatización que genera y distribuye el resumen semanal a los jefes de proyecto directamente desde el sistema de gestión documental.
04 · El resultadoRun
Run estandariza y sostiene. Las soluciones que funcionaron se documentan, se conectan con los sistemas de información de la compañía y se convierten en parte del modelo operativo — no en iniciativas aisladas que dependen de una sola persona. Esta fase incluye definir responsables, métricas de uso y valor capturado, y mecanismos de aprendizaje interno para que la organización siga identificando y priorizando nuevos casos sin depender permanentemente de un consultor externo. Run es también la fase donde se mide si la adopción de IA generó el resultado esperado — no en términos de cuántas personas usan la herramienta, sino en tiempo ahorrado, calidad de las decisiones y capacidad instalada. El objetivo final del SMER Framework es que, al llegar a Run, la organización ya no necesite el marco explícito — la forma de trabajar con IA se volvió parte de cómo opera.
Duración
Retainer — mínimo 3 meses para consolidar el modelo operativo
Entregable
Modelo operativo de IA + catálogo de casos de uso vivo, con métricas de valor capturado
El catálogo de casos de una empresa manufacturera pasó de 3 casos individuales en Scan a un modelo operativo con 12 automatizaciones activas y un comité interno que prioriza nuevos casos cada trimestre, sin participación directa de SMERA.
Por qué SMER y no otro framework
El SMER Framework no busca ser exhaustivo — busca ser accionable. Existen frameworks de adopción de IA más elaborados, pero la mayoría se queda en la gobernanza sin resolver primero la pregunta más simple: ¿los equipos realmente saben usar estas herramientas en su trabajo? SMER ordena ese camino en cuatro pasos verificables, cada uno con un entregable concreto, para que la adopción de IA deje de depender de iniciativas aisladas y se convierta en una capacidad organizacional medible.
