Un año de construcción profesional: ordenar, formalizar y reforzar

Introducción — Un punto de inflexión necesario

Mi carrera profesional comenzó en el sector del automóvil y, si hay una constante que ha marcado mi forma de entender la industria, la gestión y la mejora continua, esa ha sido SEAT. Allí aprendí método, exigencia y orientación a resultados, pero sobre todo una manera muy concreta de entender la excelencia operativa: estándares claros, disciplina diaria y mejora constante. El SEAT Production System no fue para mí un marco teórico, sino una práctica vivida muy de cerca. Ha sido, y seguirá siendo, mi escuela.

Con los años fui ampliando ese recorrido con formación en gestión, como el MBA, y con un máster en Transformación Digital con foco en BPM, además de experiencias reales en Smart Factory, procesos y mejora continua. No partía de cero ni buscaba reinventarme desde la nada. Sin embargo, al cerrar una etapa profesional reciente, me encontré en un punto que exigía reflexión honesta y decisiones claras.

Por un lado, tenía claro que quería seguir poniendo en valor mi background industrial y de gestión, construido en entornos exigentes. Por otro, era evidente que necesitaba reforzar y ampliar mis capacidades digitales, especialmente en un contexto en el que la Inteligencia Artificial dejaba de ser una promesa para convertirse en un factor real de competitividad industrial.

En el ámbito de la excelencia operativa, mi base era sólida y profundamente práctica. Lo que detectaba no era una carencia, sino la necesidad de articular esa experiencia dentro de marcos formales y reconocidos, que me permitieran estructurar, comunicar y escalar ese conocimiento con mayor rigor. No se trataba de aprender a mejorar procesos, sino de darle método, lenguaje y estructura a algo que llevaba años aplicando.

En el plano digital arrastraba, además, una sensación de asunto inacabado. Había tenido contacto temprano con la IA aplicada a la industria —desde mantenimiento predictivo hasta la digitalización del conocimiento experto— y había iniciado formaciones específicas que no llegaron a cerrarse. La intuición estaba ahí, los casos reales también, pero faltaba una base técnica sólida que cohesionara todo.

El cierre de esa etapa profesional actuó como catalizador. No por lo que había sido, sino porque dejó claro que era el momento de decidir qué hacer con todo lo aprendido hasta entonces. Tenía dos opciones: acomodarme en lo conocido o utilizar ese punto de inflexión para crecer de verdad.

Opté por lo segundo.

Decidí reafirmarme profesionalmente. Reafirmar que la experiencia acumulada sigue siendo un activo cuando se acompaña de aprendizaje continuo. Reafirmar que la edad no es un límite si se mantiene la curiosidad y la disciplina. Y reafirmar que todavía quedaban muchos territorios por explorar.

Sabía que el mercado no iba a ser sencillo. Pero también sabía que disponía de algo muy valioso: tiempo, financiación y la determinación necesaria para afrontar un año en modo oposición. No para acumular títulos, sino para maximizar el retorno de un año completo de estudio y búsqueda de trabajo, construyendo una arquitectura profesional más sólida, más actual y alineada con el futuro de la industria.

Ese fue el punto de partida.

Cómo se fue construyendo realmente el año formativo

Este último año no nació de un plan cerrado. No hubo un roadmap rígido ni una lista de certificaciones definida desde el primer día. Hubo, eso sí, una intención clara: reforzar mi perfil técnico y profesional para los roles a los que quería optar. El camino se fue construyendo de forma progresiva, guiado por la práctica, el mercado y una reflexión constante.

El punto de arranque fue claro: Python, datos e Inteligencia Artificial. Ahí estaba la espina clavada desde hacía años. Empecé reforzando bases técnicas —Python, SQL, Power BI, Tableau, MongoDB— y profundizando tanto en IA clásica como en IA generativa, no como curiosidad, sino como herramienta diaria de trabajo intelectual.

La IA generativa se convirtió rápidamente en una palanca clave del aprendizaje: la utilicé para estructurar el estudio, profundizar en conceptos complejos, contrastar enfoques y entrenar escenarios de examen con un nivel de rigor que difícilmente habría alcanzado en solitario.

En paralelo, trabajé el inglés de forma sistemática. No partía de un mal nivel, pero no tenía una certificación formal ni la soltura necesaria para entrevistas técnicas y roles internacionales. Mejorar el idioma no era un objetivo académico, sino una condición habilitadora.

A medida que analizaba ofertas y procesos de selección, empezaron a repetirse ciertos patrones. Uno de ellos era claro: Lean Six Sigma Black Belt aparecía de forma recurrente como requisito. Aunque venía de una base muy sólida en mejora continua gracias al SEAT Production System, no contaba con ese marco formal y certificable. Primero llegó el Green Belt y, más tarde, el Black Belt.

Algo similar ocurrió con BPM. Contaba con formación y experiencia, pero había dejado pendiente la certificación CBPA por cuestiones de agenda. Este año era el momento lógico para cerrar ese círculo.

El resto de certificaciones fueron encajando progresivamente, siempre con el mismo criterio: qué se valora realmente en los roles que me interesan a nivel internacional. ITIL, PMP, CPMAI y finalmente CSCP se incorporaron como piezas complementarias dentro de un sistema coherente.

Visto con perspectiva, el año no fue una sucesión de títulos, sino una construcción iterativa, apoyada en una idea central: la convergencia natural entre Lean, Python y Six Sigma, donde los datos y la IA no sustituyen a la excelencia operativa, sino que la refuerzan y la hacen más rigurosa.

Bloque 1 — Python, IA y Data: el cimiento técnico

Si había un punto claramente inconcluso en mi trayectoria era la Inteligencia Artificial. No por falta de intuición, ni por ausencia de casos reales —había trabajado con mantenimiento predictivo y con la digitalización del conocimiento experto—, sino por algo más básico y más incómodo de reconocer: me faltaba una base técnica sólida y cerrada. Sabía lo que quería hacer, pero no siempre tenía las herramientas para hacerlo por mí mismo, de principio a fin.

Antes de seguir construyendo sobre mejora continua, procesos o gestión, necesitaba resolver eso. Sin cimiento técnico, todo lo demás corría el riesgo de quedarse en discurso bien articulado.

Big School — Entender el potencial real de la IA generativa

El máster en IA de Big School fue el primer paso consciente en esa dirección. Destacó por su estructura clara y su enfoque práctico, accesible incluso sin un bagaje técnico profundo. Los contenidos estaban bien orientados a negocio y, algo especialmente relevante en este contexto, mostraban una gran agilidad para actualizarse en un campo que evoluciona a una velocidad poco habitual.

Más allá de herramientas concretas, lo que realmente me aportó fue una comprensión clara del potencial real de la IA generativa. No como concepto futurista, sino como tecnología utilizable hoy. Me permitió imaginar casos de uso aplicados a la industria y comprobar lo relativamente sencillo que podía ser integrar y automatizar muchas de estas capacidades con herramientas que ya conocía del mundo BPM y del process mining.

Fue un ejercicio de apertura de campo: entender qué era posible, qué tenía sentido y qué no.

Nodd3r — Pasar definitivamente a la ejecución

El salto técnico real llegó con el máster en IA y Python de Nodd3r. Aquí el foco dejó de estar en entender posibilidades y pasó a estar en hacer cosas. Afianzar Python, trabajar de forma práctica con SQL y MongoDB y, sobre todo, aprender a conectar datos, modelos y automatización para desarrollar proyectos reales de IA de principio a fin.

Este punto fue clave porque rompió una barrera mental importante: dejar de depender de herramientas cerradas o soluciones prefabricadas y empezar a construir mis propios flujos, con criterio técnico y entendiendo qué ocurre en cada capa.

La orientación a ejecución y a cliente del equipo facilitó mucho ese salto. No solo a nivel de aprendizaje, sino a nivel de confianza: atreverse a implementar ideas que antes se quedaban en el plano conceptual.

CPMAI — El marco que me faltaba para estructurar la IA de forma formal y responsable

Con todo lo anterior ya tenía base técnica, herramientas y capacidad de ejecutar. Pero me faltaba una pieza esencial: un marco formal para desarrollar proyectos de IA de forma consistente, responsable y orientada a negocio.

Ahí es donde entra CPMAI.

CPMAI no es “otro curso de IA”. Es un marco de trabajo para diseñar, construir y desplegar soluciones de Inteligencia Artificial poniendo orden en todo el ciclo, desde la necesidad de negocio hasta el seguimiento del modelo en producción. En otras palabras: convierte ideas y prototipos en proyectos de IA bien estructurados, con foco en valor y con un enfoque sostenible.

Lo que CPMAI me aportó fue exactamente lo que me faltaba para dar sentido formal a todo lo aprendido:

• Alinear IA con un problema real de negocio (no empezar por el modelo, sino por el valor).

• Definir correctamente qué significa “éxito” (métricas, impacto, trade-offs).

• Estructurar el proyecto como un proceso completo: datos, modelado, validación, despliegue y mejora continua.

• Gestionar riesgos típicos de IA: sesgos, mala calidad de datos, generalización, mantenimiento del modelo, degradación con el tiempo.

• Enfocar la solución de forma responsable y sostenible, evitando el “modelo bonito” que no escala o que no sirve en operación real.

CPMAI fue el colofón perfecto: el punto en el que todo encajó. Tenía Python, datos y capacidad de ejecución; CPMAI aportó la estructura para maximizar resultados donde realmente importa, con criterio profesional y con una visión completa del ciclo de vida.

Data analytics — Del Excel al Python como cambio de mentalidad

En paralelo, fui reforzando bases en SQL, Power BI y Tableau. Son herramientas muy demandadas y con razón, y tener una base sólida en ellas merece la pena. Sin embargo, este proceso me llevó a una conclusión clara: Excel es un excelente punto de partida, pero un límite claro cuando se quiere escalar la mejora continua.

Este cambio de mentalidad —pasar del Excel al Python— fue algo que desarrollé con más detalle en otro artículo:
👉 https://www.fromleantosmart.com/como-hacer-mejora-continua-con-ia-del-excel-al-python/

Python no sustituye a Excel; lo complementa y lo supera cuando hablamos de repetibilidad, trazabilidad, automatización y uso avanzado de datos. Para mí, este paso fue fundamental para empezar a unir de forma real mejora continua, analítica e Inteligencia Artificial.

Lecciones aprendidas

La principal lección de este bloque fue clara y contundente: sin base técnica, la IA se queda en discurso.

No hace falta ser un científico de datos para empezar a generar valor, pero sí es imprescindible entender cómo se conectan datos, código y modelos. Este bloque no fue uno más del año: se convirtió en el cimiento sobre el que se apoyó todo lo demás —Lean Six Sigma, BPM, PMP, CSCP— y en la pieza que permitió que la mejora continua dejara de apoyarse solo en experiencia y pasara a apoyarse también en tecnología y datos.

Bloque 2 — Lean Six Sigma: formalizar una práctica madura

Mi relación con Lean venía de lejos. No empezó con una certificación, sino en el día a día de la industria, en entornos donde la mejora continua no es un concepto, sino una obligación. El SEAT Production System marcó profundamente mi forma de trabajar: estándares claros, resolución estructurada de problemas, foco en el valor y una obsesión constante por eliminar desperdicio. Lean, para mí, nunca fue una colección de herramientas aprendidas en un aula.

Por eso, Lean Six Sigma no apareció como una necesidad de aprendizaje desde cero, sino como una necesidad de formalización. Sabía hacer mejora continua, pero no siempre disponía de un marco formal que me permitiera estructurarla, explicarla y defenderla con el rigor que exigen determinados contextos internacionales.

Green Belt — Poner nombre a lo que ya hacía

El Green Belt fue, en gran medida, un ejercicio de alineación. Muchas de las prácticas, enfoques y herramientas ya estaban integradas en mi forma de trabajar, pero ahora tenían:

• Lenguaje común,

• Secuencia estructurada (DMAIC),

• Encaje claro dentro de un marco reconocido.

Fue especialmente interesante comprobar cómo Six Sigma no entra en conflicto con el pensamiento Lean, sino que lo refuerza, aportando orden, disciplina y una primera capa de análisis cuantitativo que ayuda a tomar decisiones con menos intuición y más evidencia.

Black Belt — Rigor estadístico y profundidad analítica

El verdadero salto llegó con el Black Belt. Aquí la mejora continua deja definitivamente de apoyarse solo en experiencia y criterio profesional, y pasa a sustentarse de forma clara en datos, estadística y análisis riguroso.

Este punto encajó de manera natural con todo lo que había trabajado previamente en Python, analítica de datos e IA. Conceptos como variabilidad, capacidad de proceso, validación de hipótesis o análisis multivariante dejaron de ser abstractos y pasaron a formar parte de un ecosistema coherente: procesos, datos y ciencia trabajando juntos.

El Black Belt no solo aporta herramientas más avanzadas; exige una forma distinta de pensar, más incómoda, más precisa y menos tolerante con atajos. Y eso, en entornos complejos, marca la diferencia.

Lean y Six Sigma: una relación mal entendida

Uno de los grandes aprendizajes de este bloque fue confirmar algo que muchas veces se simplifica en exceso: Six Sigma no contradice Lean. Lean aporta dirección, foco y velocidad; Six Sigma aporta profundidad, estabilidad y rigor científico.

Cuando ambos se apoyan en datos, Python y analítica, la mejora continua deja de ser artesanal y dependiente de personas concretas, y pasa a ser escalable, replicable y defendible en organizaciones grandes y distribuidas.

Desarrollé esta idea con más detalle en otro artículo, donde explico cómo la ciencia de datos actúa como catalizador natural de esta evolución:
👉 https://www.fromleantosmart.com/de-lean-a-lean-six-sigma-con-python-una-evolucion-natural-impulsada-por-la-ciencia-de-datos/

Lecciones aprendidas

La principal lección de este bloque fue clara: Lean Six Sigma no me enseñó a mejorar procesos. Me enseñó a estructurar, formalizar y justificar una práctica que ya existía, dotándola de un lenguaje común y de una base analítica sólida.

Lean Six Sigma no cambió mi forma de pensar; le dio estructura, precisión y rigor, y se convirtió en una pieza clave para conectar mejora continua, datos e Inteligencia Artificial dentro de una misma arquitectura profesional.

Bloque 3 — BPM y CBPA: cerrar un círculo

El conocimiento en Business Process Management (BPM) no fue algo que adquiriera este año. La base la construí años atrás, a través de un máster específico, y desde entonces BPM ha estado siempre presente de una forma u otra en mi trayectoria profesional. Modelar procesos, analizarlos, rediseñarlos y gobernarlos ha sido parte habitual de mi trabajo, especialmente en contextos de transformación y mejora continua.

Por eso, este año no fue un año de descubrimiento en BPM, sino de cierre formal. La certificación CBPA no venía a enseñarme algo radicalmente nuevo, sino a alinear y validar un conocimiento ya adquirido frente a un estándar reconocido internacionalmente.

Una mirada distinta, más madura

La diferencia respecto a años anteriores no estuvo en el contenido, sino en la perspectiva. Llegaba al CBPA con una mirada mucho más madura, enriquecida por:

• Lean Six Sigma, que aporta estructura, medición y rigor analítico.

• Datos e Inteligencia Artificial, que cambian radicalmente lo que es posible hacer con los procesos una vez se salen del papel.

Conceptos que en su momento podían parecer más teóricos —como gobierno de procesos, métricas, jerarquías de procesos o alineación con estrategia— cobraron mucho más sentido cuando los miré desde la óptica de la variabilidad, la analítica y la automatización.

BPM más allá del modelado

Uno de los aprendizajes más claros de este bloque fue confirmar algo que muchas veces se pasa por alto: BPM no va de dibujar procesos, va de entenderlos, medirlos y gestionarlos en el tiempo. El modelado es solo un medio.

Desde esa perspectiva, BPM encaja de forma natural como columna vertebral del resto de disciplinas:

• Lean y Six Sigma actúan sobre los procesos.

• Los datos permiten medirlos y entender su comportamiento real.

• La IA abre la puerta a automatizarlos, predecirlos y adaptarlos.

La certificación CBPA me sirvió para reordenar mentalmente la disciplina y recolocar el proceso en el lugar que le corresponde: como eje central sobre el que se apoyan mejora continua, analítica e inteligencia artificial.

Lecciones aprendidas

La principal lección de este bloque fue confirmar que BPM gana valor con el tiempo. No es una disciplina que brille por sí sola, sino cuando se conecta con experiencia real, datos y tecnología.

El CBPA no fue una revolución, pero sí una validación necesaria y un buen punto de cierre. No añadió nuevas piezas al sistema, pero ayudó a que todas las existentes encajaran mejor, reforzando una idea que atraviesa todo el artículo: procesos como eje, datos como lenguaje y la IA como palanca de cambio.

Bloque 4 — ITIL, PMP y CSCP: ampliar la mirada

Llegados a este punto del año, el foco dejó de estar en profundizar en una disciplina concreta y pasó a ser ensanchar el campo de visión. Si hasta entonces había reforzado base técnica, excelencia operativa y gestión de procesos, ahora tocaba completar el perímetro: IT, proyectos complejos y operaciones end-to-end.

ITIL v4 — Un lenguaje común con IT

ITIL fue, con diferencia, la certificación menos transformadora de este bloque. La abordé porque aparecía de forma recurrente en ofertas y porque, desde posiciones de gestión u operaciones, entender cómo piensa y se organiza un departamento de IT es una ventaja clara.

El nivel Foundation cumple bien su función: proporciona un marco conceptual, un vocabulario común y una visión de la gestión de servicios que ayuda a evitar fricciones innecesarias con IT. No tenía especial interés en profundizar más allá de este nivel —entre otras cosas por su coste—, pero como complemento para mejorar la interlocución con equipos tecnológicos, tiene sentido.

PMP — La más exigente y, probablemente, la más transformadora

El PMP fue otra historia. Sin duda, la certificación más dura del año, no tanto por la dificultad técnica aislada, sino por el esfuerzo mental que exige interiorizar una forma muy específica de razonar y tomar decisiones. Hubo momentos de frustración —y de acordarse seriamente de quien diseña las preguntas del examen—, pero precisamente ahí reside parte de su valor.

Más allá del examen, el PMP ha sido una experiencia educativa extremadamente potente. Me ha aportado herramientas que ya estoy aplicando y que han tenido un impacto muy real en mi forma de trabajar. Especialmente en dos ámbitos:

• Gestión de riesgos, entendida no como un ejercicio documental, sino como una disciplina viva que condiciona decisiones, prioridades y conversaciones.

• Gestión de stakeholders, abordada con una profundidad que va mucho más allá de la intuición o la experiencia acumulada, ayudándome a aterrizar tácticas concretas que antes no siempre consideraba de forma sistemática.

Paradójicamente, el PMP no me enseñó nada radicalmente nuevo, pero sí me obligó a ordenar y formalizar prácticas que ahora aplico con mucha más intención. En términos de impacto práctico, incluso diría que ha sido más transformador que el Lean Six Sigma Black Belt.

Para quien tenga curiosidad por el recorrido completo, dejé reflejada la experiencia —con tropiezos incluidos— en este otro artículo:
👉 https://www.fromleantosmart.com/pmp-una-historia-de-tropiezos-aprendizajes-y-finalmente-superacion/

CSCP — Una visión estratégica end-to-end de las operaciones

El CSCP fue largo. Muy largo. Siempre he dicho que es como un MBA intensivo en operaciones. El temario es tan extenso que, durante la preparación, tenía a menudo la sensación de que cuando terminaba de afianzar un capítulo, ya se me había difuminado el anterior.

Sin embargo, una vez todo empieza a encajar, el valor aparece con mucha claridad. El CSCP aporta una visión end-to-end de la cadena de valor que resulta difícil de conseguir de otra forma. No se centra en herramientas concretas, sino en entender cómo se conectan estrategia, planificación, sourcing, producción, logística y cliente final.

En mi caso, fue especialmente valioso para afianzar conocimientos en partes de la cadena donde no había tenido experiencia directa, y para consolidar una mirada mucho más global y estratégica sobre operaciones. La perspectiva que aporta es sólida, coherente y claramente alineada con contextos industriales internacionales.

Cierre — Un año de construcción

Este último año no ha sido un año de descubrimientos puntuales, sino de construcción deliberada. No partía de cero, pero sí necesitaba ordenar, formalizar y reforzar una arquitectura profesional que había crecido de forma práctica y dispersa con los años.

Python, datos e Inteligencia Artificial aportaron base técnica.
Lean Six Sigma puso método y rigor científico.
BPM cerró círculos pendientes.
PMP, ITIL y CSCP ampliaron la mirada hacia proyectos, IT y operaciones end-to-end.

No ha sido un camino lineal ni planificado desde el inicio. Ha sido un proceso iterativo, guiado por el mercado, la práctica y una reflexión constante sobre qué aporta realmente valor.

Este artículo no es un listado de certificaciones. Es el relato de cómo, en un año, decidí ordenar y reforzar mi perfil profesional con intención. No para adaptarme pasivamente a un cambio profesional, sino para dirigirlo hacia donde yo quería, incluso en un contexto complejo, exigente y cambiante, y hacerlo pensando más en los próximos diez años que en el siguiente proceso de selección.