<\/p>\n
\nLa IA no transforma las empresas por s\u00ed sola. Hace falta reconfigurar la organizaci\u00f3n en torno a la cognici\u00f3n abundante, el criterio experto y el aprendizaje acumulativo.<\/p>\n<\/blockquote>\n
Cuando la mayor\u00eda de las personas prueba por primera vez la IA generativa, le sorprende lo f\u00e1cil que resulta y la variedad de aplicaciones que ofrece. Esta facilidad y generalidad han impulsado una adopci\u00f3n masiva a nivel individual: en Estados Unidos, por ejemplo,\u00a0m\u00e1s de la mitad de los adultos la utiliz\u00f3 en 2025<\/a>. Gracias a las capacidades generalistas de los modelos,\u00a0los empleados pueden realizar tareas que antes estaban fuera de su alcance y ahorrar tiempo<\/a>. Pero lo que funciona para las personas no es lo mismo que lo que funciona para las empresas. A nivel organizacional, los\u00a0beneficios individuales todav\u00eda no se han traducido en resultados ni en productividad.<\/a><\/p>\n
Esa brecha entre los beneficios individuales y el impacto organizacional no se cierra sola. Son los directivos quienes deben cerrarla y, para ello, han de aplicar los mismos principios de gesti\u00f3n de siempre a una tecnolog\u00eda con caracter\u00edsticas nuevas. Como se\u00f1alaron los economistas Carl Shapiro y Hal Varian hace una generaci\u00f3n, \u201cla tecnolog\u00eda cambia, las leyes de la econom\u00eda no\u201d. La teor\u00eda de precios sigue prediciendo qu\u00e9 ocurre cuando cae el coste de un factor de producci\u00f3n, pero ese factor es ahora el trabajo cognitivo, muy distinto de una materia prima o un componente. El dise\u00f1o organizacional contin\u00faa siendo clave, pero la frontera entre las tareas humanas y las de las m\u00e1quinas plantea un nuevo desaf\u00edo. Y las empresas no pueden prescindir de un prop\u00f3sito que, como principio rector en el despliegue de la IA, ayude a determinar qu\u00e9 automatizar, qu\u00e9 potenciar, qu\u00e9 proteger y qu\u00e9 rechazar.<\/p>\n
Para lograr una transformaci\u00f3n real, las compa\u00f1\u00edas han de contar con procesos repetibles y escalables, as\u00ed como con l\u00edderes capaces de ejecutarlos. El nuevo desaf\u00edo del liderazgo en la era de la IA obliga a pensar en procesos y sistemas en m\u00faltiples capas, algo que supone un cambio de enfoque para muchos. Demanda construir una organizaci\u00f3n que se renueve continuamente y desarrolle conocimiento t\u00e1cito en torno al criterio, los valores y la cultura, adem\u00e1s de mantener la agilidad directiva que requiere una frontera tecnol\u00f3gica en constante evoluci\u00f3n.<\/p>\n
Cartografiar un nuevo territorio<\/strong><\/h2>\n
Para orientarse en un territorio nuevo, lo primero que se necesita es un mapa, es decir, entender qu\u00e9 tiene de novedoso la propia tecnolog\u00eda. Lo atractivo de los modelos fundacionales como ChatGPT o Claude es que son generalistas excepcionales: escriben, resumen, traducen, programan, analizan y realizan casi cualquier tarea en lenguaje escrito.<\/p>\n
Para las empresas, esa generalidad tiene un coste: los modelos desconocen el contexto espec\u00edfico de cada compa\u00f1\u00eda, pueden generar errores aparentemente veraces (las llamadas alucinaciones) y su nivel de precisi\u00f3n en \u00e1mbitos concretos queda muy por debajo de lo que requieren la mayor\u00eda de los procesos de negocio. A medida que estos modelos pasan de ofrecer resultados que el usuario revisa a actuar en su nombre, ese umbral cobra una relevancia distinta: un error convincente deja de ser un p\u00e1rrafo equ\u00edvoco para convertirse en una acci\u00f3n err\u00f3nea con consecuencias operativas.<\/p>\n
En un proceso de varios pasos, esos errores se amplifican. Lo que las empresas precisan para su operativa no es un generalista, sino algo m\u00e1s cercano a un especialista. Para lograrlo, hay que construir una arquitectura de capacidades sobre el modelo fundacional que permita transformar ese generalista en algo capaz de realizar de forma fiable su trabajo.<\/p>\n
La arquitectura de capacidades puede organizarse en varias capas:<\/p>\n
\n
- El ajuste fino\u00a0adapta el modelo fundacional a un \u00e1mbito concreto mediante entrenamiento adicional con datos relevantes, a costa de reducir su utilidad en otros \u00e1mbitos y cambiando generalidad por precisi\u00f3n.<\/li>\n
- La generaci\u00f3n aumentada por recuperaci\u00f3n\u00a0(RAG) permite que el modelo acceda a documentos y datos propietarios en el momento de la consulta, lo que ancla los resultados en contextos reales de la empresa sin modificar el modelo subyacente.<\/li>\n
- La formulaci\u00f3n de\u00a0prompts<\/em>determina c\u00f3mo se utiliza el modelo, con bibliotecas y plantillas que estandarizan las entradas que generan resultados fiables.<\/li>\n
- La integraci\u00f3n\u00a0incorpora el modelo en flujos de trabajo espec\u00edficos, donde las interfaces de usuario, el dise\u00f1o de procesos y el alcance de las autorizaciones determinan d\u00f3nde entra en juego el criterio humano, d\u00f3nde no y qu\u00e9 puede ejecutar el sistema por s\u00ed mismo.<\/li>\n
- La gobernanza\u00a0establece los l\u00edmites: qu\u00e9 puede hacer la IA, qu\u00e9 no debe hacer y c\u00f3mo se revisan sus resultados.<\/li>\n<\/ul>\n
No todas las empresas necesitan todas estas capas, pero cualquiera que use la IA a escala debe decidir qu\u00e9 capas construir, cu\u00e1les externalizar y c\u00f3mo gestionar la complejidad que esto genera.<\/p>\n
Gestionar la complejidad reubicada por la IA<\/strong><\/h2>\n
Todo proceso tiene una complejidad m\u00ednima que se corresponde con la situaci\u00f3n del mundo real que gestiona. Esa complejidad no puede eliminarse, solo desplazarse. Para el usuario, una herramienta de IA bien dise\u00f1ada parece simple: se formula una pregunta y se obtiene una respuesta. Pero la complejidad que el usuario deja de ver no desaparece, sino que se traslada a la arquitectura de capacidades y, m\u00e1s importante a\u00fan, a la organizaci\u00f3n que la opera.<\/p>\n
Parte de esa arquitectura se externaliza a proveedores: el modelo fundacional, la infraestructura en la nube o las herramientas comerciales. El resto debe construirse y mantenerse internamente:\u00a0pipelines<\/em>\u00a0de datos, sistemas de recuperaci\u00f3n, bibliotecas de\u00a0prompts<\/em>, evaluaci\u00f3n y gobernanza. Cada elemento requiere personas que entiendan lo que hacen, procesos para mantenerlos actualizados y rendici\u00f3n de cuentas cuando fallan.\u00a0La aparente simplicidad de la IA en el punto de uso se paga con un aumento sustancial de la complejidad en otras \u00e1reas<\/a>. La responsabilidad es el aspecto m\u00e1s espinoso. Cuando los sistemas ejecutan acciones con consecuencias, la cuesti\u00f3n de qui\u00e9n responde no se reparte de forma autom\u00e1tica como el trabajo t\u00e9cnico y, a falta de una asignaci\u00f3n deliberada, tiende a recaer all\u00ed donde se produjo el da\u00f1o.<\/p>\n
Parte de esa complejidad se sit\u00faa en infraestructuras que dan soporte a toda la organizaci\u00f3n, como los modelos fundacionales, los sistemas de datos o la monitorizaci\u00f3n y la gobernanza, pero una parte importante se integra en los propios procesos donde la IA se despliega. Aqu\u00ed las empresas suelen descubrir que la IA no encaja f\u00e1cilmente en una fase existente. Los procesos no son un andamiaje neutral: se dise\u00f1aron en torno a lo que los humanos pueden hacer, el contexto que cada persona puede asumir, el coste de transferir trabajo entre varias o el tiempo necesario para formarlas en una habilidad concreta. La IA tiene propiedades distintas: puede manejar m\u00e1s contexto, pero carece de conocimiento t\u00e1cito y no conserva memoria entre sesiones; puede ejecutarse en paralelo a un coste casi nulo, y no se fatiga. La divisi\u00f3n del trabajo optimizada para humanos no es la adecuada para humanos e IA combinados. Los l\u00edmites est\u00e1n mal trazados.<\/p>\n
Redise\u00f1ar los procesos de negocio<\/strong><\/h2>\n
Un antiguo alumno del IESE ha se\u00f1alado un aumento exponencial de la productividad en programaci\u00f3n que termin\u00f3 diluy\u00e9ndose porque la gesti\u00f3n de producto y el control de calidad se convirtieron en los nuevos cuellos de botella. Seg\u00fan\u00a0advierte Amazon Web Services,\u00a0<\/a>los asistentes de programaci\u00f3n basados en IA pueden saturar los procesos posteriores de entrega si no se redise\u00f1an las pruebas, las revisiones y la integraci\u00f3n para adaptarse a esta nueva realidad. Cuando una fase cambia en coste o en naturaleza, todo el proceso debe reequilibrarse. Eso suele requerir un redise\u00f1o integral, no una simple optimizaci\u00f3n. Implica preguntarse, en cada fase, si debe existir, qui\u00e9n o qu\u00e9 debe realizarla y c\u00f3mo se conectan entre s\u00ed las distintas partes.<\/p>\n
Redise\u00f1ar en torno a la IA se reduce a cuatro decisiones: qu\u00e9 hace la IA, qu\u00e9 hace el humano, qu\u00e9 puede hacer la IA sin pedir permiso y c\u00f3mo fluye la retroalimentaci\u00f3n entre ambos. Omitir cualquiera de ellas suele dar lugar a lo que muestran muchos despliegues de la IA: herramientas individuales que funcionan bien, pero resultados a nivel organizacional que no llegan a materializarse.<\/p>\n
El redise\u00f1o de los procesos en torno a la IA es necesario para lograr mejoras organizacionales. Pero no es, por s\u00ed mismo, una fuente de ventaja competitiva, porque todos los competidores pueden redise\u00f1ar tambi\u00e9n y los modelos fundacionales sobre los que todos trabajan son los mismos. Si la tecnolog\u00eda es com\u00fan, la diferenciaci\u00f3n debe venir de lo que cada empresa construye sobre ella: la arquitectura, los procesos que la rodean, los datos con los que aprende y la organizaci\u00f3n que opera todo el sistema.<\/p>\n
La econom\u00eda del efecto acumulativo<\/strong><\/h2>\n
Esto cambia la econom\u00eda del sistema de una forma espec\u00edfica. La arquitectura en s\u00ed es, en gran medida, infraestructura y costes fijos. Los modelos fundacionales se licencian o se construyen, los sistemas de datos y la gobernanza son costosos de implementar, y la capacidad organizacional para gestionarlo todo tampoco es barata. A partir de ah\u00ed, el coste marginal de utilizar la arquitectura para una tarea m\u00e1s, un cliente m\u00e1s o un proceso m\u00e1s es muy bajo. La escala importa. La que se despliega en muchos procesos y con muchos clientes se amortiza m\u00faltiples veces, mientras que la limitada a una aplicaci\u00f3n espec\u00edfica puede no llegar a amortizarse en absoluto. La decisi\u00f3n sobre qu\u00e9 internalizar y qu\u00e9 externalizar en cada capa se vuelve central: qu\u00e9 capas generan suficiente valor diferencial como para justificar su desarrollo interno y cu\u00e1les deber\u00edan adquirirse a proveedores que pueden repartir sus costes fijos entre todo el sector.<\/p>\n
Sin embargo, los costes fijos solo son la mitad de la historia. La tecnolog\u00eda tambi\u00e9n aprende con el uso. Cuantas m\u00e1s interacciones, m\u00e1s datos se generan para el ajuste fino, m\u00e1s ejemplos para los sistemas de recuperaci\u00f3n, m\u00e1s informaci\u00f3n sobre d\u00f3nde fallan los\u00a0prompts<\/em>\u00a0y los flujos de trabajo, y m\u00e1s oportunidades para evaluar y mejorar. Una arquitectura muy utilizada mejora m\u00e1s r\u00e1pido que otra con poco uso. Ese efecto acumulativo es clave, porque la arquitectura de la competencia tambi\u00e9n aprende, y quien aprende m\u00e1s r\u00e1pido ampl\u00eda la brecha.<\/p>\n
Parte de lo que se acumula es de naturaleza operativa: la experiencia acumulada sobre cu\u00e1ndo se puede confiar en el sistema, cu\u00e1ndo no y el patr\u00f3n de fallos en el contexto espec\u00edfico de la empresa. Este conocimiento es propio de cada organizaci\u00f3n, solo se desarrolla con el uso y no puede adquirirse esperando. No hay un punto de equilibrio estable al que acomodarse.<\/p>\n
De ah\u00ed se desprende el imperativo de crecimiento. Solo el uso de la IA a escala permite amortizar los costes fijos y alimentar los bucles de retroalimentaci\u00f3n. Las empresas que consiguen desplegarla en m\u00faltiples procesos y utilizarla de forma intensiva producen tanto las econom\u00edas como el aprendizaje que necesitan los l\u00edderes pioneros. Las que avanzan con cautela pueden descubrir que, cuando est\u00e9n listas para escalar, la distancia con la competencia ya habr\u00e1 crecido.<\/p>\n
La organizaci\u00f3n humana<\/strong><\/h2>\n
En la base de todo esto hay una distinci\u00f3n a\u00fan m\u00e1s fundamental. La IA operacionaliza el conocimiento codificado: lo que una empresa puede poner por escrito, formalizar y representar en un sistema. El conocimiento t\u00e1cito es de otra naturaleza. Reside en las personas y en las relaciones que establecen entre ellas: el criterio que se forja con la experiencia, la capacidad de intuir qu\u00e9 es lo importante en un contexto espec\u00edfico, los est\u00e1ndares compartidos que un equipo desarrolla con el tiempo y la memoria organizacional de lo que se ha probado y lo que ha fracasado. Los competidores pueden adquirir el mismo modelo fundacional y construir una arquitectura similar, pero no la organizaci\u00f3n que ha aprendido a trabajar con ella. La IA gestiona el trabajo codificado, mientras que los humanos poseen el conocimiento t\u00e1cito que lo dirige, eval\u00faa, corrige y le da sentido.<\/p>\n
A medida que los sistemas ganan autonom\u00eda, gran parte de esa direcci\u00f3n debe ejercerse de forma preventiva, incorporada en el propio dise\u00f1o del trabajo, ya que disminuyen las oportunidades de intervenir en el momento. El conocimiento t\u00e1cito sigue siendo humano; lo que cambia es que su punto de aplicaci\u00f3n se adelanta.<\/p>\n
No obstante, el conocimiento t\u00e1cito no se mantiene por s\u00ed solo, y el uso de la IA puede socavar las condiciones que lo nutren. Este conocimiento siempre ha requerido condiciones espec\u00edficas para desarrollarse y transmitirse: aprendizaje, mentor\u00eda, lidiar con problemas complejos y exponerse al criterio de otras personas en tiempo real.\u00a0La experiencia en empresas que est\u00e1n en la frontera del despliegue de la IA<\/a>\u00a0muestra que los empleados trabajan ahora de forma m\u00e1s aut\u00f3noma y reciben menos mentor\u00eda. Los\u00a0experimentos<\/a>\u00a0indican que los empleados que utilizan la IA pueden delegarle la resoluci\u00f3n de problemas y eludir el esfuerzo necesario para afrontarlos. Estos mismos aspectos \u2014independencia, autosuficiencia y uso r\u00e1pido de herramientas para resolver problemas\u2014 pueden aumentar la productividad a corto plazo, pero obstaculizan el desarrollo del conocimiento t\u00e1cito a largo plazo.<\/p>\n
Las\u00a0habilidades de liderazgo<\/a>\u00a0se desplazan as\u00ed hacia la creatividad, colaboraci\u00f3n y gesti\u00f3n de los grupos de inter\u00e9s, o sea, las capacidades humanas que generan y transmiten criterio. Antes, el conocimiento t\u00e1cito surg\u00eda como un subproducto del trabajo: los empleados j\u00fanior bregaban con los problemas y buscaban consejo, ya que era la \u00fanica manera de sacarlos adelante. Ahora, estas condiciones deben dise\u00f1arse e implementarse de forma deliberada: mentor\u00eda estructurada, exposici\u00f3n a problemas complejos sin asistencia de la IA, entornos donde el esfuerzo productivo se permita y se valore, criterios de evaluaci\u00f3n que distingan entre la competencia mediada por la IA y la competencia ganada.<\/p>\n
El desaf\u00edo del liderazgo<\/strong><\/h2>\n
Este es el nuevo territorio: la arquitectura de capacidades, la complejidad desplazada, los procesos redise\u00f1ados, la econom\u00eda del efecto acumulativo y la organizaci\u00f3n humana que posee el conocimiento t\u00e1cito. Aunque se trata de un territorio verdaderamente nuevo, los principios para orientarse en \u00e9l son los que la mayor\u00eda de los l\u00edderes ya conocen. El pensamiento sist\u00e9mico, las econom\u00edas de escala, el dise\u00f1o organizacional y el prop\u00f3sito no son ideas nuevas. Son marcos de gesti\u00f3n duraderos, aplicados a un contexto donde el factor de producci\u00f3n es la cognici\u00f3n, los activos se potencian con el uso y la frontera entre lo que hacen las m\u00e1quinas y lo que hacen los humanos debe trazarse en lugar de heredarse.<\/p>\n
El reto del liderazgo es decidir d\u00f3nde aplicar la cognici\u00f3n de bajo coste, d\u00f3nde es aceptable la actuaci\u00f3n de las m\u00e1quinas, d\u00f3nde debe concentrarse el escaso criterio experto y c\u00f3mo lograr que la organizaci\u00f3n aprenda m\u00e1s r\u00e1pido que sus competidores. Esto exige pensar en sistemas y efectos acumulativos, en lugar de herramientas y pruebas piloto; invertir en la organizaci\u00f3n humana, cuyo valor aumenta a medida que se abarata la capacidad de las m\u00e1quinas, y anclar todo el sistema en el prop\u00f3sito, porque los bucles de retroalimentaci\u00f3n se potencian hacia donde se orienten. Finalmente, requiere un\u00a0consejo de administraci\u00f3n capaz de gobernar<\/a>\u00a0esta labor como una responsabilidad fiduciaria, sin delegarla en la direcci\u00f3n como un mero proyecto tecnol\u00f3gico.<\/p>\n
Cada decisi\u00f3n sobre la IA es una apuesta por una trayectoria. La capacidad de esta tecnolog\u00eda aumenta mientras su coste disminuye, siguiendo una tendencia que apenas da se\u00f1ales de tocar techo. Esto implica que, dentro de un a\u00f1o, la IA puede ser el doble de capaz por la mitad de precio. Las empresas que logren transformar los beneficios individuales en impacto a nivel organizacional ser\u00e1n aquellas que ya hayan construido una organizaci\u00f3n preparada para esta frontera en constante movimiento.<\/p>\n<\/div>\n<\/div>\n
<\/div>\n<\/div>\n<\/div>\n
<\/div>\n<\/div>\n<\/div>\n
<\/p>\n
\n\n<\/p>\n\n\n<\/p>\n