CRISP-DM sigue vigente. Pero en IA moderna no debería trabajar solo.
¿Tu equipo sigue usando CRISP-DM como si fuera la única metodología que necesita para un proyecto de IA? CRISP-DM sigue siendo una buena columna vertebral para proyectos de datos e IA. El problema aparece cuando se convierte en la única receta. Te contamos con qué frameworks se debería complementar hoy.
Seamos honestos.
CRISP-DM sigue siendo una buena columna vertebral para proyectos de datos e IA.
Cuando un equipo arranca un proyecto de IA, la primera reacción de muchos es: "Ya tenemos CRISP-DM, con eso cubrimos todo el proyecto." Y ahí está el problema.
Porque hoy no conviene usarlo solo ni convertirlo en una receta documental. Los proyectos modernos necesitan reforzarse con gestión, agilidad, MLOps, LLMOps, calidad y gobierno de IA.
Hoy te vamos a contar por qué CRISP-DM no se reemplaza, se fortalece, y con qué frameworks conviene complementarlo para decidir, construir, desplegar y gobernar mejor.
El error más común: tratar CRISP-DM como la única receta
Imagina esta escena (que probablemente has vivido):
Un equipo de datos sigue las seis etapas clásicas de CRISP-DM: comprensión del negocio, comprensión de los datos, preparación, modelado, evaluación y despliegue. Documentan cada paso con cuidado.
Reacción típica:
"Ya seguimos las seis etapas, el proyecto está bien fundamentado"
"Con la documentación del proceso, ya cubrimos lo importante"
"La gestión del equipo y el gobierno del modelo los vemos aparte"
"Si el modelo funciona, ya cumplimos con la metodología"
Y después de desplegar el modelo… nadie sabe cómo darle seguimiento en producción, no hay gobierno claro sobre sus decisiones, y el equipo trabajó sin la agilidad que un proyecto real necesita.
¿Por qué? Porque CRISP-DM ordena el proyecto de datos, pero no cubre por sí solo la gestión del equipo, la operación del modelo en producción ni el gobierno de una solución de IA.
No se trata de documentar más. Se trata de decidir, construir, desplegar y gobernar mejor.
El framework: CRISP-DM como columna vertebral, reforzado en cuatro frentes
CRISP-DM ordena el proyecto: entendimiento del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Pero un proyecto moderno de IA necesita reforzarse en estas cuatro áreas.
- Gestión e iteración PMBOK y metodologías ágiles aportan lo que CRISP-DM no cubre por sí solo: alcance claro, riesgos gestionados, interesados alineados y prioridades definidas, con retroalimentación continua a lo largo del proyecto.
- Operación y despliegue ASUM-DM, MLOps y LLMOps, junto con TDSP, aportan versionado de artefactos, CI/CD automatizado, monitoreo en producción y mantenimiento continuo del modelo una vez desplegado, algo que CRISP-DM no detalla en profundidad.
- Gobierno de IA NIST AI RMF, ISO/IEC 23053 y OWASP Top 10 for LLM Applications aportan seguridad y privacidad, trazabilidad y auditoría, sesgos gestionados y uso responsable de la IA, elementos que hoy son indispensables y que CRISP-DM no aborda directamente.
- Calidad de modelos CRISP-ML(Q) aporta validación rigurosa, métricas significativas, pruebas y experimentos, y aprendizaje continuo del ciclo, llevando la evaluación de modelos más allá de lo que contempla el CRISP-DM tradicional.
Idea clave
CRISP-DM no se reemplaza. Se fortalece para proyectos modernos de datos e IA. La metodología debe ayudar a decidir, construir, desplegar y gobernar mejor.
Un ejemplo concreto
Situación: un equipo desarrolló un modelo de IA siguiendo estrictamente las seis etapas de CRISP-DM. El modelo funcionaba bien en pruebas, pero al llevarlo a producción surgieron problemas que la metodología nunca contempló.
Diagnóstico real:
Gestión e iteración: el proyecto no tenía un manejo claro de riesgos ni de interesados, lo que generó retrasos y expectativas desalineadas entre áreas.
Operación y despliegue: no existía un proceso de monitoreo del modelo en producción, ni versionado de los artefactos generados durante el desarrollo.
Gobierno de IA: no se había evaluado el modelo bajo ningún marco de seguridad, privacidad o sesgos antes de ponerlo en producción.
Solución: no fue abandonar CRISP-DM. Fue reforzarlo:
Incorporar prácticas ágiles para gestionar riesgos e interesados durante todo el proyecto
Adoptar prácticas de MLOps para versionar artefactos y monitorear el modelo en producción
Aplicar principios de NIST AI RMF para evaluar seguridad, sesgos y trazabilidad antes del despliegue final Resultado: el mismo modelo, construido sobre la misma base de CRISP-DM, pasó a operar con gestión de riesgos, monitoreo continuo y gobierno de IA, cerrando los vacíos que la metodología original no cubría por sí sola.
Eso es fortalecer CRISP-DM, no reemplazarlo.
¿Por dónde empezar?
Si tu equipo usa CRISP-DM como única metodología para proyectos de IA, recorre estos pasos:
Mantén CRISP-DM como columna vertebral. Sigue ordenando el proyecto con sus etapas clásicas: negocio, datos, preparación, modelado, evaluación y despliegue.
Suma gestión ágil. Incorpora PMBOK o metodologías ágiles para manejar riesgos, interesados y prioridades durante el proyecto.
Incorpora MLOps y LLMOps. Cubre el versionado, la automatización de despliegue y el monitoreo continuo en producción.
Aplica marcos de gobierno de IA. Evalúa seguridad, privacidad, sesgos y trazabilidad con NIST AI RMF, ISO/IEC 23053 u OWASP.
Refuerza la calidad con CRISP-ML(Q). Ve más allá de la evaluación tradicional con validación rigurosa y aprendizaje continuo del ciclo.
En resumen
CRISP-DM sigue siendo una buena columna vertebral para proyectos de datos e IA. Pero hoy no conviene usarlo solo ni convertirlo en una receta documental.
Los proyectos modernos necesitan reforzarse con gestión, agilidad, MLOps, LLMOps, calidad y gobierno de IA.
No se trata de documentar más. Se trata de decidir, construir, desplegar y gobernar mejor.
¿Tu equipo sigue usando CRISP-DM como única metodología para sus proyectos de IA? Antes del siguiente despliegue, revisa qué frameworks te hacen falta para gobernarlo bien.