name: ai-center-discovery
description: >
AI Center services discovery — AI readiness assessment using Sofka AI SCALE methodology, use case portfolio
prioritization, data readiness evaluation, model inventory, AI governance assessment, infrastructure evaluation,
Sofka AI product integration, and AI adoption roadmap.
Use when the user asks to "assess AI readiness", "evaluate AI maturity", "AI discovery", "AI use case prioritization",
"MLOps assessment", "AI governance evaluation", "AI adoption roadmap", "AI strategy assessment",
"evaluate AI infrastructure", "AI product fit", or mentions "AI SCALE", "responsible AI",
"AI pilots", "ML pipeline", "AI Center of Excellence", "LLM adoption", "generative AI strategy".
allowed-tools:
- Read
- Write
- Edit
- Glob
- Grep
- Bash

AI Center Discovery — AI Readiness Assessment & Adoption Roadmap

Genera un assessment de 8 secciones para servicios del AI Center: evaluacion de readiness con metodologia AI SCALE de Sofka, portafolio de use cases, evaluacion de data readiness, inventario de modelos, governance de AI, infraestructura, integracion con productos AI de Sofka, y roadmap de adopcion. Diseñado para maximizar la probabilidad de que los pilotos de AI lleguen a produccion y generen valor sostenible.

Principio Rector

La IA sin estrategia es un juguete caro. La IA con estrategia pero sin gobernanza es un riesgo empresarial. Solo la IA con estrategia, gobernanza y adopcion medida transforma organizaciones.

1. El 80% de los pilotos de AI nunca llegan a produccion. Este assessment existe para que los pilotos del cliente esten en el 20% que si lo logran. Cada recomendacion incluye los factores que tipicamente causan fracaso y como mitigarlos.
2. Los datos son el activo, no el modelo. Un modelo excelente con datos mediocres produce resultados mediocres. El assessment evalua data readiness con la misma rigurosidad que la capacidad de modelado.
3. AI responsable no es opcional — es prerequisito. Bias, explicabilidad, privacidad y compliance no son consideraciones secundarias. Son criterios de go/no-go para cualquier use case de AI en produccion.

Inputs

• $1 — Path to AI/ML documentation or project workspace (default: current working directory)
• $2 — Analysis depth: full (default), executive (S1, S2, S5, S8 only)

Parse from $ARGUMENTS.

Parameters:
- {MODO}: piloto-auto (default) | desatendido | supervisado | paso-a-paso
- piloto-auto: Auto para inventario de modelos e infraestructura, HITL para evaluacion de governance y priorizacion de use cases.
- desatendido: Cero interrupciones. Analisis completo automatizado. Supuestos documentados.
- supervisado: Autonomo con reportes al completar cada seccion.
- paso-a-paso: Confirma antes de cada seccion del analisis.
- {FORMATO}: markdown (default) | html | dual
- {VARIANTE}: ejecutiva (~40% — S1, S2, S5, S8 only) | tecnica (full, default)
- {TIPO_SERVICIO}: Data-AI (fixed for this skill)

Input Requirements

Mandatory:
- Estrategia de datos y/o AI de la organizacion (o confirmacion de que no existe)
- Inventario de data sources principales
- Stakeholder map con sponsors de iniciativas de AI

Recommended:
- Inventario de modelos AI/ML existentes (si aplica)
- Data catalog o documentacion de data assets
- Infraestructura de compute actual (cloud accounts, GPU availability)
- Politicas de privacidad y compliance existentes
- Resultados de pilotos de AI previos (exitos y fracasos)
- MLOps pipeline documentation (si existe)

Assumptions & Limits

Assumptions:
- Existe interes ejecutivo en adoptar AI (sponsor identificado)
- Hay datos disponibles (aunque no necesariamente listos para AI)
- La organizacion tiene capacidad tecnica basica (equipos de desarrollo o datos)
- No se asume madurez previa en AI/ML

Cannot do:
- Entrenar o evaluar modelos de ML (requiere engagement de implementacion)
- Auditar datasets por bias (requiere acceso a datos y analisis estadistico en vivo)
- Evaluar performance de modelos en produccion (requiere acceso a monitoring)
- Implementar pipelines de MLOps (requiere engagement tecnico)
- Asesorar legalmente sobre compliance (requiere equipo juridico)

Workarounds When Inputs Missing

Edge Cases

• Organizacion sin experiencia en AI: Enfocar en educacion, use cases de bajo riesgo, y construccion de data foundations. No recomendar deep learning en dia 1.
• Multiples pilotos fallidos: Diagnosticar causas raiz (datos, expectativas, governance, talento). Recomendar enfoque diferente, no mas de lo mismo.
• Datos sensibles (salud, finanzas): Elevar requisitos de governance, privacy by design, y compliance. Evaluar federated learning o differential privacy si aplica.
• Vendor lock-in con plataforma AI: Evaluar portabilidad de modelos, costo de migracion, y estrategia multi-cloud.
• Shadow AI (uso no gobernado de ChatGPT, etc.): Inventariar uso informal de AI generativa. Evaluar riesgos (data leakage, compliance). Proponer framework de AI governance que incluya GenAI.
• >50 use cases identificados: Screening rapido con impacto x feasibilidad. Scoring detallado solo para top-10.

Trade-off Matrix

8-Section Framework

S1: AI Readiness Assessment (AI SCALE)

Evaluacion usando la metodologia AI SCALE de Sofka.

Etapas AI SCALE:

Assessment por dimension de madurez:

Etapa actual en AI SCALE: Identificar con evidencia.

S2: AI Use Case Portfolio

Identificacion y priorizacion de use cases de AI.

Categorizacion:
- Eficiencia operativa: Automatizacion, optimizacion de procesos, predictive maintenance
- Experiencia del cliente: Personalizacion, chatbots, recommendation engines, sentiment analysis
- Generacion de ingresos: Dynamic pricing, cross-sell/up-sell, market intelligence
- Reduccion de riesgo: Fraud detection, credit scoring, compliance monitoring, anomaly detection

Matriz de priorizacion:

Top-10 ranked con justificacion por cada criterio. Factores de riesgo por use case (data availability, ethical concerns, technical complexity).

S3: Data Readiness Evaluation

Evaluacion de preparacion de datos para los use cases priorizados.

Dimensiones de data readiness:

Por use case priorizado:
- Data sources requeridos vs disponibles
- Gap analysis de datos
- Labeling readiness (si aplica supervised learning)
- Feature engineering complexity assessment
- Volumen de datos vs requisitos minimos del modelo

Data gap analysis: Matriz de use case vs data readiness. Flag use cases en riesgo por datos insuficientes.

S4: Model Inventory & Maturity

Inventario de modelos AI/ML existentes.

Por modelo existente:

Clasificacion por lifecycle stage:
- Experimental: En desarrollo, no validado
- Staging: Validado, en proceso de deployment
- Production: Operativo, sirviendo predicciones
- Deprecated: En fase de retiro

Si no hay modelos existentes: Documentar como organizacion pre-AI. Enfocar recomendaciones en foundations (data, infrastructure, talent).

S5: AI Governance Assessment

Evaluacion del framework de gobernanza de AI.

Dimensiones de governance:

Governance maturity level:
- L0: Sin governance (shadow AI)
- L1: Principios declarados, sin enforcement
- L2: Procesos definidos, enforcement parcial
- L3: Governance operativa, compliance demostrado
- L4: Mejora continua, AI ethics embedded en cultura

S6: AI Infrastructure Assessment

Evaluacion de infraestructura para AI/ML.

Dimensiones:

MLOps maturity levels:
- L0: No MLOps (manual everything)
- L1: Manual training, automated serving
- L2: Automated training pipeline, manual deployment
- L3: Full CI/CD for ML, automated retraining
- L4: Full automation with monitoring, drift detection, auto-retraining

S7: Sofka AI Product Integration

Assessment de donde los productos AI de Sofka pueden acelerar.

Productos AI de Sofka:

Fit-gap analysis por producto:
- Donde el producto resuelve un pain point identificado
- Donde se requiere customizacion
- Donde no aplica (y por que)
- Integracion con stack existente del cliente

S8: AI Adoption Roadmap

Hoja de ruta de adopcion de AI en 3 fases.

Fase 1 — Pilots (0-3 meses):
- 2-3 use cases de alto impacto y baja complejidad
- POCs con metricas de exito definidas
- Data preparation para use cases seleccionados
- Equipo: data scientist(s) + domain expert(s) + ML engineer
- Governance basica (model cards, bias check, approval process)

Fase 2 — Scale (3-9 meses):
- Productionize pilotos exitosos
- MLOps pipeline basico (experiment tracking, model registry)
- Expand use case portfolio (3-5 adicionales)
- AI governance framework operativo
- Team scaling (hire/upskill)

Fase 3 — Production (9-18 meses):
- MLOps maduro (CI/CD for ML, monitoring, auto-retraining)
- AI embedded en procesos core del negocio
- Portfolio de 10+ modelos en produccion
- AI CoE establecido
- Continuous improvement cycle

Mitigacion del "80% de pilotos que nunca llegan a produccion":
- Success criteria definidos ANTES del piloto
- Sponsor ejecutivo comprometido
- Data readiness validada ANTES de modelar
- MLOps basico ANTES de produccion
- Change management desde dia 1
- Kill criteria claros (cuando pivotar o cancelar)

Indicadores de magnitud (NOT prices):
- FTE-meses por fase (data scientists, ML engineers, domain experts)
- Compute resources (GPU-hours estimados por fase)
- Data engineering effort (FTE-meses para data preparation)
- Training y upskilling (horas-persona)

Disclaimer obligatorio: Las magnitudes presentadas son estimaciones basadas en drivers identificados. Los valores finales dependen de negociacion comercial, condiciones de mercado y contexto especifico del cliente. El "80% failure rate" es una estadistica de industria que varia por sector y madurez organizacional.

Escalation to Human Architect

• Use cases con implicaciones eticas significativas (scoring de personas, vigilancia, decisiones autonomas)
• Requisitos regulatorios complejos (AI Act, regulacion sectorial especifica)
• Integracion con sistemas criticos de negocio (pagos, salud, seguridad)
• Conflictos entre capacidad tecnica y expectativas ejecutivas
• Shadow AI con riesgo de data leakage confirmado
• Decisiones de build vs buy para plataformas de AI

Validation Gate

• [ ] AI SCALE stage actual identificado con evidencia por dimension
• [ ] Portfolio de use cases categorizado y priorizado (top-10 con scoring)
• [ ] Data readiness evaluada por use case priorizado con gap analysis
• [ ] Inventario de modelos existentes con lifecycle stage y performance
• [ ] AI governance evaluada con maturity level y gaps criticos
• [ ] Infraestructura AI evaluada con MLOps maturity level
• [ ] Fit-gap de productos Sofka AI completado por producto relevante
• [ ] Roadmap en 3 fases con mitigacion del "80% failure rate"
• [ ] Magnitudes de inversion documentadas (NUNCA precios) con disclaimer
• [ ] Evidencia tagueada con [CODIGO], [CONFIG], [DOC], [INFERENCIA], [SUPUESTO]
• [ ] Cross-references entre secciones (data readiness S3 informa feasibility en S2)

Output Artifact

Primary: AI_Center_Discovery_{project}.md — Assessment completo de 8 secciones con evaluacion AI SCALE, portafolio de use cases, data readiness, inventario de modelos, governance, infraestructura, integracion de productos Sofka AI, y roadmap de adopcion.

Diagramas incluidos:
- Radar chart de madurez AI SCALE por dimension
- Scatter plot de use cases (impacto vs feasibilidad)
- Heatmap de data readiness por use case
- Roadmap de adopcion (gantt)
- Fit-gap de productos Sofka AI (matrix)

Autor: Equipo PreSales Sofka | Ultima actualizacion: 14 de marzo de 2026