En el ECO (Esquema de Contenido del Examen) 2026, la inteligencia artificial (IA) se evalúa como un eje transversal que afecta a los tres dominios (Personas, Procesos y Entorno de Negocio), integrándose en las tareas diarias del director de proyectos.

Los temas específicos de IA evaluados se dividen en las siguientes categorías principales:

El examen espera que el candidato comprenda la terminología básica y cómo estas tecnologías simulan el pensamiento humano para mejorar los resultados del proyecto:

• Inteligencia Artificial (IA): Sistemas que aprenden, razonan y toman decisiones similares a los humanos.
• Machine Learning (ML): Uso de datos históricos para predecir resultados futuros sin programación explícita.
• Deep Learning (DL): Uso de redes neuronales complejas para reconocer patrones y procesar grandes volúmenes de datos.
• IA Generativa (GenAI) y GPT: Modelos diseñados para crear contenido nuevo (texto, código, imágenes) y actuar como colaboradores en la planificación.

Se evalúa la capacidad del director de proyecto para aplicar la IA según la complejidad de la tarea:

• Niveles de Adopción: Comprender la diferencia entre Automatización (tareas repetitivas), Asistencia (apoyo inicial que requiere revisión) y Aumentación (la IA como socio de pensamiento para decisiones estratégicas).
• Casos de Uso por Dominio:
  • Procesos: Optimización del cronograma (programación dinámica), estimación de costos, análisis de riesgos y generación de informes de desempeño automáticos.
  • Personas: Análisis de sentimientos de los interesados y personalización de las comunicaciones.
  • Negocio: Alineación estratégica y elaboración de casos de negocio.

Un punto crítico del examen es el principio de “Humano en el proceso” (Human-in-the-loop – HITL). 

Los temas evaluados incluyen:

• Responsabilidad Final: El director de proyectos es siempre el responsable de las decisiones; la IA es solo una herramienta de apoyo.
• Validación Humana: Se debe supervisar, cuestionar y validar siempre la salida de la IA antes de utilizarla o distribuirla.
• Juicio Profesional: Aplicar el pensamiento crítico para interpretar los datos generados por la IA en contextos complejos.

El ECO 2026 pone un énfasis significativo en la gestión de los riesgos únicos que introduce esta tecnología:

• Sesgo (Bias): Identificar y mitigar sesgos algorítmicos o en los datos de entrenamiento para asegurar la equidad en las decisiones.
• Privacidad y Seguridad: Cumplimiento de normativas (como GDPR o CCPA) y protección de datos personales (PII) introducidos en modelos de IA.
• Confiabilidad y Alucinaciones: Reconocer cuándo la IA genera información falsa o inventada y cómo evitar la desinformación.
• Propiedad Intelectual: Verificar la propiedad y los derechos de autor del contenido generado por IA antes de su publicación.
• Sostenibilidad: Considerar el impacto ambiental (consumo de energía y recursos) del uso de sistemas de IA.
• Transparencia (XAI): Asegurar que las decisiones tomadas con apoyo de IA sean explicables y comprensibles para los interesados.

La integración de la inteligencia artificial (IA) en la gestión de proyectos introduce una serie de riesgos éticos y de seguridad significativos que los profesionales deben identificar y mitigar de forma proactiva para garantizar el éxito y la integridad organizacional.

A continuación, se detallan los principales riesgos categorizados:

Los desafíos éticos surgen de dilemas sistémicos e incertidumbres morales que pueden causar daños si no se gobiernan adecuadamente.

Sesgo Algorítmico y Discriminación: Los modelos de IA pueden heredar y reforzar sesgos presentes en los datos con los que fueron entrenados, lo que conduce a decisiones injustas en áreas como contrataciones o asignación de recursos.

Alucinaciones y Desinformación: La IA puede generar contenido falso, fabricado o sin base en la realidad que suena convincente (alucinaciones), lo que pone en riesgo la toma de decisiones estratégicas.

Falta de Transparencia y Explicabilidad: Muchos sistemas operan como “cajas negras”, dificultando que los interesados comprendan cómo se llegó a una recomendación específica.

Difusión de la Responsabilidad: Existe el riesgo de que ninguna entidad asuma la responsabilidad por los resultados de un sistema de IA, lo que debilita la rendición de cuentas (accountability).

Propiedad Intelectual: La IA puede utilizar o generar contenido basado en propiedad intelectual protegida sin el debido permiso o atribución.

Impacto Social y Derechos Laborales: Preocupaciones sobre el desplazamiento de puestos de trabajo, la vigilancia en el lugar de trabajo y la pérdida de autonomía de los profesionales.

La seguridad de la información es crítica, ya que los datos son el activo más valioso en cualquier sistema de IA.

Privacidad de Datos Personales (PII): Los modelos públicos pueden no garantizar la confidencialidad de la información ingresada, y la recopilación de datos puede capturar inadvertidamente información de identificación personal sin consentimiento.

Identificación por Inferencia: Incluso con datos anonimizados, algoritmos avanzados pueden inferir atributos privados o reidentificar individuos cruzando múltiples fuentes de datos.

Vulnerabilidades de Ciberseguridad: Los sistemas de IA son blancos para ataques de inyección de instrucciones (prompt injection), donde prompts maliciosos obligan al modelo a revelar datos privados o realizar acciones no autorizadas.

Ciberataques Automatizados: La IA puede ser utilizada para automatizar ataques de phishing y distribución de malware, aumentando la escala y sofisticación de las amenazas.

Riesgos de Terceros: El intercambio de datos con proveedores de nube o vendedores de herramientas de IA introduce vulnerabilidades en cada punto de transferencia.

Integridad de los Datos (Envenenamiento): Actores malintencionados pueden manipular los datos de entrenamiento para degradar el rendimiento de la IA o forzar resultados incorrectos.

Para enfrentar estos riesgos, las fuentes enfatizan la necesidad de un enfoque de “Humano en el proceso” (Human-in-the-loop), donde la supervisión humana es esencial para validar las salidas de la IA, especialmente en decisiones de alto riesgo o complejidad emocional que la máquina no puede captar. Además, se recomienda establecer un Comité de Supervisión de la Ética para guiar la adopción responsable de la tecnología.

• no confiar ciegamente en la IA; 

• validar datos y resultados; 

• proteger privacidad y confidencialidad; 

• identificar y mitigar sesgos; 

• mantener supervisión humana; 

• incorporar contexto experto; 

• asegurar transparencia y gobernanza; 

• corregir datos antes de reutilizar un modelo; 

• evitar decisiones automatizadas injustificadas sobre personas. 

Cuando aparezca IA en una pregunta, piensa:

¿Los datos son adecuados? → ¿hay sesgo o riesgo ético? → ¿se requiere validación humana? → ¿hay gobernanza y transparencia? → recién entonces decidir.