Cuando el directivo dice que su empresa está adoptando IA, ¿de qué está hablando exactamente?
La pregunta parece obvia, pero no lo es. Y la respuesta que se da, muchas veces, revela una confusión de fondo que explica por qué tanto esfuerzo produce tan poco.
Porque adoptar IA no es una cosa. Es al menos dos, con lógicas completamente distintas, que requieren decisiones distintas, inversiones distintas y perfiles distintos. Mezclarlas no es un error menor y hace que las organizaciones inviertan con convicción en la dirección equivocada, creyendo que con eso avanzan.
El espejismo de la adopción
Hay un patrón que se repite. La organización anuncia que va a adoptar IA. Y pasa a la acción, invirtiendo en licencias para el equipo, talleres de prompting, alguna plataforma especializada para el rubro. En los casos más avanzados, un piloto. Todo eso se agrupa bajo el mismo nombre, “adopción”, y el directivo siente que está moviendo la aguja.
La facilidad de acceso a estas herramientas genera una ilusión de expertise muy extendida. Incluso casos en que alguien toma un curso de seis horas y a la semana siguiente se proclama como speaker en IA. O equipos de profesionales que, luego de algunos días de probar una plataforma caen rendidos a sus pies, con una mezcla de entusiasmo y fascinación. La razón es obvia. La IA resuelve problemas en segundos, hace análisis cruzados y da todo tipo de recomendaciones muy razonables. ¿Habrá algo que no estén logrando ver?
Sucede que lo que produce la IA puede sonar bien sin ser correcto. Puede tener la forma sin tener el fondo. Y distinguir entre las dos cosas requiere exactamente el criterio que el entusiasmo tiende a anular. Quien deposita su fe en lo que aplaude no está en condiciones de evaluarlo.
El ruido ambiente agrava el problema. Con quién conversa el directivo sobre esto, qué lee, qué escucha en los seminarios, todo está contaminado por la misma confusión. Hay quienes, solo a costa de porrazos muy caros, se están dando cuenta que hay lugares donde la IA está bien aplicada y lugares donde no, y que esa distinción requiere un entendimiento que muchos no tienen.
Una palabra, dos cosas distintas
Detrás de la confusión hay algo concreto. La adopción de la IA incluye dos capas que tienen lógicas completamente distintas y que la mayoría está mezclando como si fueran la misma cosa.
La primera es transformación digital. Intervenir procesos, incorporar IA donde corresponde, con los datos correctos, el tipo de modelo de lenguaje correcto, el rediseño necesario. Es trabajo especializado, lento, caro, incómodo. Las tasas de falla son altas. Los proyectos se extienden, los resultados tardan, las resistencias internas juegan en contra. Es, en muchos sentidos, un parto. Y precisamente por eso la mayoría le hace el quite. ¿Para qué complicarse si hay algo más fácil que hacer, y que también es adopción?
La segunda capa es mucho más accesible, es darle acceso a la IA al equipo. Licencias, plataformas, talleres. Úsenla. Explórenla. Sean más productivos. El mensaje es razonable, la ejecución es simple, y el resultado visible, gente usando herramientas. Esto genera la sensación de que algo está ocurriendo. Y algo ocurre, pero es distinto de lo que el directivo imagina.
Porque darle acceso a las personas no toca los procesos. Y la transformación digital real, la que pega en la última línea, la que cambia cómo opera la organización, requiere exactamente lo que se está evitando. Requiere meterse al barro con los datos, con el rediseño, con las decisiones incómodas sobre qué se automatiza y qué no, y con qué tipo de IA en cada parte. Discriminativa o Generativa. Eso no se resuelve con licencias.
Hay además una confusión técnica que agrava la estratégica. Los modelos de lenguaje generativos, los que conversan, redactan, sintetizan, son herramientas poderosas para ciertas cosas y estructuralmente inadecuadas para otras. Pedirle precisión clasificatoria a un modelo generativo es simple y llanamente un error. Es pedirle algo que técnicamente no puede hacer. Y una solución montada sobre ese error no se corrige con más entrenamiento ni con mejor prompting. El problema es de arquitectura. Cuatro consultas encadenadas a un modelo generativo, cada una con un 70% de probabilidad de respuesta correcta, dan una probabilidad compuesta cercana al 24%. En un proceso que requiere precisión, eso es suicida.
El directivo que no tiene conciencia de esto puede meter las patas con clase, y es un riesgo como contraparte. Ya sea del proveedor que le vende la plataforma, del equipo interno que le propone el proyecto, o del consultor que le diseña la hoja de ruta. Está tomando decisiones de inversión en territorio que no entiende, con la convicción de que lo está haciendo bien.
El lugar de las plataformas … y sus límites
Frente a esto, las plataformas especializadas pueden ser de ayuda, pero de corto plazo. Usarlas tiene sentido como punto de degustación, pues permiten aprender qué ofrece realmente la tecnología en el contexto propio, qué hace bien, qué hace mal, quién del equipo se mete en serio y quién se queda en la superficie. Y esta experimentación tiene una ventaja adicional sobre las herramientas genéricas. Al estar diseñada para un rubro específico, lleva a las personas a casos de uso relevantes para su trabajo real. Eso rompe la inercia del uso superficial y acelera el aprendizaje. Es un aporte concreto.
Al usarlas es importante hacerse algunas preguntas. ¿Qué modelo de lenguajes hay detrás? ¿Cuánto cuesta ese token? ¿Es el mismo modelo en todas las consultas o varía según lo que el proveedor tiene disponible en cada momento? La diferencia entre un modelo que cuesta centavos de dólar por token y uno que cuesta varios dólares es brutal. El desempeño no tiene nada que ver. Y el proveedor que atiende a miles de clientes y necesita eficiencia para sobrevivir tiene incentivos que no siempre apuntan en la misma dirección que los del cliente.
Porque una plataforma diseñada para miles de clientes está optimizada para ser razonablemente buena para todos, en promedio. Eso es estructuralmente distinto de algo construido para un proceso específico, con los datos de una organización específica, respondiendo a un problema concreto. La customización que puede ofrecer un proveedor B2C tiene un techo, y ese techo está determinado por su propio modelo de negocio.
Hay además un riesgo técnico que conviene tener claro antes de elegir una plataforma. Si está construida principalmente sobre modelos generativos, y muchas lo están, porque son los más accesibles y los más vistosos, la precisión tiene un límite estructural que no va a cambiar con el tiempo. Los modelos generativos no están diseñados para clasificar con exactitud. Para eso existen los algoritmos clasificatorios, el machine learning. Son herramientas distintas para problemas distintos, y confundirlos tiene consecuencias. El directivo que elige una plataforma sin entender qué hay debajo está tomando una decisión de arquitectura sin saberlo.
La transformación digital real requiere otra cosa. Requiere entender qué parte del proceso se beneficia de qué tipo de IA, con qué calidad de datos, con qué integración. Y eso no se puede delegar completamente a un tercero, de la misma forma en que ninguna empresa externaliza sus procesos críticos. El que delega ese entendimiento pierde la capacidad de ser buena contraparte y con eso, la capacidad de dirigir un frente estratégico.
Hay además una señal en el mercado que vale la pena leer. El SaaSpocalipsis[1], la caída brusca de valorización de empresas de software como servicio tras la irrupción de herramientas de desarrollo accesibles, dice algo concreto. La barrera para construir soluciones propias cayó de forma dramática. Un grupo de personas competentes, con criterio, conocimiento del proceso y acceso a las herramientas correctas puede hacer hoy lo que antes requería un equipo de desarrollo externo, un contrato largo, una dependencia estructural. Eso brinda una independencia que antes no existía. La organización que lo entiende tiene una palanca que la que sigue comprando servicios estándar no tiene.
Dos juegos que requieren dos miradas
Hay un concepto en estrategia organizacional que describe algo que las organizaciones más resilientes hacen bien y muchas hacen mal. La ambidextralidad, la capacidad de explotar bien lo que se tiene hoy mientras se explora lo que va a ser importante mañana. Son dos lógicas que coexisten, que se alimentan de recursos distintos y que requieren miradas distintas. Privilegiar una a costa de la otra tiene un costo que pocas veces es visible de inmediato.
La transformación digital apunta a la explotación. Hace mejor lo que ya se hace, con mayor consistencia, menor costo, mayor velocidad. Su impacto es medible, su justificación es clara, su retorno es visible. Y es copiable. Cuando todos los competidores hayan hecho lo mismo, y lo harán, porque el acceso a la tecnología se democratiza, la ventaja desaparece. Lo que hoy diferencia, mañana es el piso mínimo. Eso ya ocurrió con los ERP, con internet, con los sistemas de gestión. Va a ocurrir con la IA aplicada a procesos.
La segunda capa apunta a la exploración. Potenciar a las personas para pensar mejor, ver antes, conectar lo que otros no conectan. Eso construye algo distinto, la capacidad de innovar desde adentro, conocimiento que se acumula y que no está disponible en ningún catálogo de proveedores. Su retorno no es inmediato ni fácil de medir. Y precisamente por eso se posterga, se subestima, se confunde con el gasto en licencias.
La ventana para diferenciarse existe mientras el cambio no es obvio. Cuando sea evidente para todos que hay que construir esa capacidad, ya no habrá ventaja que tomar, solo terreno que recuperar. Las organizaciones que están construyendo eso ahora, en silencio, sin que aparezca en ningún titular, son las que van a tener algo que el resto no tiene cuando la automatización deje de diferenciar.
En el futuro cercano, con cada vez menos barreras tecnológicas, la automatización de lo automatizable será la condición de supervivencia. Como alguna vez fue reemplazar caballos con trenes o automóviles. Y en ese contexto el activo que hará la diferencia será el conocimiento experto y de contexto. Saber dónde duele, entender el proceso por dentro, ver lo que la IA no ve. Durante décadas ese conocimiento fue un condimento. Quien dominaba la tecnología tenía la ventaja, el que conocía el negocio dependía de él. El SaaSpocalipsis es una señal de que esa lógica está cambiando. Cuando construir una solución propia es accesible para cualquier organización con personas capaces y criterio, lo escaso deja de ser la tecnología. Lo diferenciador, lo valioso, pasa a ser lo que nos hace únicos, aquello en lo que radica la ventaja competitiva real.
La confusión en tiempo real
Tres socios seniors de una empresa de servicios profesionales. Trayectoria larga, clientes importantes, reputación construida durante décadas. Llegaron a conversar sobre IA con genuina preocupación por no quedarse atrás. Evaluando plataformas, con un equipo de 15 profesionales que llevaban semanas probando una herramienta especializada, con fascinación. Energía en movimiento.
Su modelo mental, muy claro. Usar la herramienta para hacer lo mismo más rápido. Mejorar los tiempos de respuesta, producir más en el mismo día, tener algo mejor que lo que el cliente llega con en la mano. La herramienta produce análisis, trae referencias, identifica riesgos. El entusiasmo del equipo se ve como señal de que algo estaba funcionando.
Sin embargo, el profesional ultra-entusiasmado de una herramienta tiene la misma ceguera que cualquier enamorado. Lo encuentra todo bueno. No tiene capacidad de ver los problemas. Una propuesta con la forma correcta y el fondo equivocado se despacha al cliente con apariencia de calidad. Eso es un riesgo, y el que está enamorado de la herramienta no está en condiciones de detectarlo.
En algún momento de la conversación uno de ellos se sinceró. “Nosotros todavía estamos pensando en automatización. Hagan más rápido la investigación. Saquen más rápido la propuesta. Si una toma un día, ahora hagan dos”. Pero los clientes no son ciegos, y esperan que les transfieran las eficiencias. Uno les lanzó la pregunta directa: ¿por qué tendría que pagarte a ti por algo que puedo hacer yo con una IA genérica?
Lo que el cliente no ve es que la solución que le dio la IA es un texto bien redactado, pero puede ser técnicamente incorrecto. No solo por las alucinaciones, sino por la falta de criterio experto. Ningún modelo de lenguaje entrenado con datos genéricos es capaz de cubrir todas y cada una de las situaciones que a un experto le saltan a la vista. Al menos no por ahora. En su metro cuadrado especializado, el profesional experto aún aporta, y mucho. Cuando tienes esto claro, te cambia el foco.
Lo que queda cuando se disipa el humo
La pregunta del cliente resume bien hacia dónde va esto. ¿Por qué tendría que pagarte a ti por algo que puedo hacer yo con la IA?
¿Cuál es la respuesta estratégica? ¿Será obtener una IA más potente que la del cliente? No lo creo. Esa es una carrera que, en el largo plazo, está perdida.
Pero hay algo que hace la diferencia. El prestigio construido durante años. El entendimiento profundo del negocio del cliente, de sus procesos, de dónde le duele y por qué. La experiencia que permite ver lo que el cliente no puede ver, y que ningún modelo entrenado con datos genéricos va a ver por él.
Eso es lo que genera los momentos “guau”. Cuando se le plantea al cliente una idea que no esperaba, que no hubiera encontrado con una herramienta genérica, que solo puede venir de quien lo conoce de verdad y lleva años pensando en sus problemas.
Eso es difícil de clonar. Y es exactamente lo que la obsesión con automatizar está dejando de lado.
El directivo que entiende esto tiene una agenda distinta. Automatiza lo que hay que automatizar, rápido, sin drama, para liberar capacidad. Y pone su energía en lo otro. En construir las condiciones para que el conocimiento que tiene adentro se convierta en ventaja efectiva. En identificar a las personas que pueden llevar eso más lejos. En crear los momentos “guau” que el cliente no va a encontrar en ninguna plataforma.
Lo escaso es esa capacidad, no la tecnología, ahora alcance de todos. Y se construye ahora, con las personas que ya están adentro, con el conocimiento que ya existe, antes de que todos lleguen a la misma conclusión y deje de ser ventaja.
OK con la automatización.. pero ¿qué nos hace únicos?
[1] https://es.finance.yahoo.com/noticias/saaspocalipsis-wall-street-acciones-software-100141803.html