F01 — Strategy & Problem Framing

Phase 1 — Business Case & Risk Framing

Objetivo

Definir el problema, el outcome de negocio, el alcance, las restricciones y el rol permitido de la IA. Justificar la inversion con un business case y establecer el risk register inicial.

---

1. Business Case Canvas (AI-Aware)

Antes de escribir codigo, responder estas preguntas:

Dimension	Pregunta clave	Artefacto
Problema	Que dolor resolvemos y para quien?	problem_statement.yaml
Outcome	Que metrica de negocio mejora y en cuanto?	Success metrics en problem statement
AI Fit	Necesita IA o un if/else basta?	AI Fit Assessment (abajo)
Alternativas	Que pasa si no usamos IA? Costo de no hacer nada?	Analisis de alternativas
Inversion	Cuanto cuesta construir, operar y mantener?	ROI Calculator
Riesgos	Que puede salir mal y que tan grave seria?	risk_register.yaml
Timeline	En cuanto tiempo entregamos valor?	Scope statement

2. AI Fit Assessment

No todo necesita IA. Antes de asumir que si, evaluar:

# Responder SI/NO a cada pregunta
ai_fit_assessment:
  requiere_entender_lenguaje_natural: true/false
  requiere_generar_texto_creativo: true/false
  requiere_busqueda_semantica: true/false
  datos_disponibles_para_entrenar_o_rag: true/false
  tolerancia_a_error_del_modelo: "alta/media/baja"
  latencia_aceptable_ms: 2000
  presupuesto_mensual_modelo_usd: 500
  alternativa_deterministica_viable: true/false
  # Si alternativa_deterministica_viable = true AND tolerancia_a_error = baja
  # → Usar solucion deterministica (Nivel 0)

Regla de oro: Si la alternativa deterministica es viable y la tolerancia al error es baja, NO usar IA.

3. ROI Calculator Template

roi_calculation:
  # Costos
  desarrollo_horas: 160
  costo_hora_equipo_usd: 50
  costo_infra_mensual_usd: 200
  costo_api_llm_mensual_usd: 100
  costo_total_primer_anno_usd: "=desarrollo_horas * costo_hora + (infra + llm) * 12"

  # Beneficios
  horas_ahorradas_mes: 40
  valor_hora_ahorrada_usd: 30
  nuevos_ingresos_mes_usd: 0
  beneficio_anual_usd: "=horas_ahorradas * valor_hora * 12 + nuevos_ingresos * 12"

  # ROI
  roi_porcentaje: "=(beneficio_anual - costo_total) / costo_total * 100"
  payback_meses: "=costo_total / (beneficio_anual / 12)"

4. Risk Register Template

project/F01_strategy/risk_register.yaml

risks:
  - id: "RISK-001"
    category: "technical"  # technical | business | compliance | operational | ai-specific
    description: "El modelo puede alucinar datos financieros criticos"
    probability: "media"   # alta | media | baja
    impact: "alto"         # critico | alto | medio | bajo
    risk_score: "alto"     # = probability x impact
    mitigation:
      strategy: "mitigate" # accept | mitigate | transfer | avoid
      actions:
        - "Implementar RAG con fuentes verificadas"
        - "Agregar guardrail de validacion numerica"
        - "HITL obligatorio para datos financieros"
    owner: "AI Engineer"
    status: "open"         # open | mitigated | accepted | closed
    review_date: "2026-04-01"

  - id: "RISK-002"
    category: "ai-specific"
    description: "Costos de API LLM exceden presupuesto por uso no controlado"
    probability: "alta"
    impact: "medio"
    risk_score: "alto"
    mitigation:
      strategy: "mitigate"
      actions:
        - "Implementar cost guard con limite diario"
        - "Semantic cache para queries repetitivas"
        - "Model routing: usar modelo barato para tareas simples"
    owner: "Platform Engineer"
    status: "open"
    review_date: "2026-04-01"

Categorias de riesgo AI-specific

Categoria	Ejemplos
Hallucination	Respuestas incorrectas presentadas como hechas
Cost Explosion	Loops de agente sin limites, tokens excesivos
Data Leakage	PII en prompts, contexto cruzado entre tenants
Model Dependency	Vendor lock-in, modelo descontinuado, pricing change
Bias	Sesgo en training data reflejado en outputs
Prompt Injection	Usuarios manipulando comportamiento del agente
Compliance	GDPR, EU AI Act, datos sensibles

5. Checklist de Salida — Gate 1

• Problem statement documentado y aprobado por stakeholder
• Business outcome con metricas cuantificables definido
• AI Fit Assessment completado (justificacion de uso/no-uso de IA)
• Risk register con al menos los riesgos AI-specific identificados
• Scope statement con MVP features definidos
• Success metrics con thresholds medibles
• ROI calculation (al menos order-of-magnitude)
• Stakeholder map y responsibility matrix

Entradas

• Vision del producto
• Stakeholders
• Drivers de negocio
• Riesgos iniciales

Entregables minimos por track

Artefacto	Solo	Lean	Full
problem_statement.yaml	Requerido	Requerido	Requerido
AI Fit Assessment	Informal	Documentado	Documentado + aprobado
risk_register.yaml	Opcional	Top 5 riesgos	Completo
ROI Calculation	No requerido	Orden de magnitud	Formal
Stakeholder Map	No requerido	Informal	Formal
Success Metrics	1-3 metricas	3-5 metricas	5+ metricas con targets

Referencias

• CORE_F01_Product_Discovery_Requirements.md — estandar canonico de discovery
• framework/guides/AI_First_SDLC_Workflow_Guide.md — flujo completo
• Skill: /f01_strategy
• Schema: scripts/schemas/problem_statement.schema.json, scripts/schemas/risk_register.schema.json

---

AI-First Engineering Framework v6.5 — Phase 1: Strategy & Problem Framing