Arjan van den Heuvel, de Xebia, aplica los principios del marco Team Topologies al diseño organizacional de los equipos de Datos e IA a través de casos prácticos concretos. El artículo explora cómo diferentes estructuras organizacionales afectan la eficacia de las iniciativas de IA en función del tamaño de la empresa y su madurez en IA.

Fundamentos teóricos

El marco Team Topologies define cuatro topologías fundamentales (equipos stream-aligned, platform, enabling, complicated subsystem) y tres modos de interacción (colaboración, X-as-a-service, facilitación). La Ley de Conway establece que la arquitectura de un sistema refleja la estructura de comunicación de la organización que lo produce. Estos principios permiten analizar y diseñar estructuras organizacionales de Datos e IA más eficaces.

Caso 1: empresa mediana, experiencia básica en IA

El artículo examina tres escenarios para una empresa que inició sus iniciativas de IA hace algunos años. El escenario 1.1 (expertos descentralizados) conduce a soluciones punto a punto sin coordinación, generando un mosaico tecnológico. El escenario 1.2 (equipo de producto Data & AI centralizado) genera una carga de comunicación excesiva para el Product Owner y limita la autonomía del equipo frente a múltiples partes interesadas.

El escenario 1.3 (pool de expertos en Datos e IA) surge como la solución óptima: los expertos en datos se asignan temporalmente a equipos de negocio/producto según sea necesario, dedicando entre el 10 y el 20 % de su tiempo a su "base" para el desarrollo de la plataforma y la construcción de conocimiento. Los Analytics Translators actúan como facilitadores, gestionando la asignación de recursos y aumentando la alfabetización en datos de la organización.

Topologías adaptativas

Un concepto clave es la adaptación dinámica de la topología: un data scientist puede comenzar en un equipo stream-aligned (colaboración estrecha), evolucionar hacia un equipo complicated subsystem (comunicación reducida) y luego hacia un equipo platform (as-a-service) a medida que la solución de IA avanza en su ciclo de vida. Esta adaptabilidad permite gestionar la carga cognitiva y optimizar la comunicación.

Caso 2: gran empresa, experiencia avanzada en IA

En organizaciones maduras, la estructura evoluciona hacia expertos en datos permanentes dentro de los equipos de producto, respaldados por un equipo enabling de ingeniería de ML (formación, revisiones de código, buenas prácticas) y un equipo platform de ingeniería de datos (plantillas de pipelines, espacios de trabajo en la nube como servicio). Las Communities of Practice sustituyen a los equipos físicos para el desarrollo del conocimiento.

Gobernanza y evolución

El artículo subraya la importancia de la madurez en la gobernanza de datos: transferir la propiedad de los pipelines de preparación de datos a los equipos de producto que generan esos datos reduce la complejidad y la carga operativa del equipo central de plataforma, a la vez que simplifica la arquitectura del sistema en línea con la Ley de Conway.

Conclusión práctica

Van den Heuvel subraya que ningún diseño único se ajusta a todos los casos. Cada organización debe evaluar sus propios escenarios aplicando estos principios para derivar la estructura óptima de Datos e IA según su contexto específico, tamaño y madurez en IA.