Existen tecnologías que llegan con vocación de herramienta, y hay otras que llegan con vocación de examen. La inteligencia artificial, al menos en nuestra experiencia, pertenece a la segunda categoría.
Cuando la IA generativa irrumpió con fuerza en el mercado, a finales de 2022 y durante 2023, muchas compañías entramos en una fase parecida. Primero llegó la curiosidad. Después, la urgencia. Más tarde, una presión difusa, difícil de medir, la sensación de que había que hacer algo, y hacerlo pronto. En muchas empresas, la conversación sobre IA empezó así, con una mezcla de oportunidad y vértigo.
Había dos caminos. Uno consistía en lanzarse a probar por probar, acumular pilotos, enseñar alguna demo vistosa y dar por hecho que el mercado ya se encargaría de ordenar el resto. El otro exigía más paciencia. Más método. Más honestidad. Decidimos ir por ahí. Antes de convertir la IA en discurso comercial, queríamos entender qué hacía de verdad dentro de una organización como la nuestra. Qué mejoraba. Qué tensaba. Qué aceleraba. Qué ponía en evidencia.
El concepto «Cliente Cero» supone desarrollar e implantar primero en nuestra propia operativa aquello que, con el tiempo, tendría sentido llevar a clientes
De esa decisión nace el concepto «Cliente Cero». No como eslogan, sino como disciplina: desarrollar e implantar primero en nuestra propia operativa aquello que, con el tiempo, tendría sentido llevar a clientes. Probarlo en procesos reales, con documentación propia, dudas genuinas y, sobre todo, nuestros equipos. Sobre esa lógica hemos ido desplegando agentes internos y una plataforma de IA propia, pensada para procesar documentación corporativa en entornos controlados, conectar fuentes diversas, trabajar con los distintos motores del mercado y generar respuestas o salidas útiles dentro de un contexto de negocio.
La primera lección del proyecto fue quizás la más interesante, porque no era tecnológica, sino casi de gestión básica: una empresa puede tener mucho conocimiento y, aun así, funcionar como si no lo tuviera. Esa distancia entre lo que una organización sabe y lo que realmente puede usar en el momento oportuno explica buena parte de las ineficiencias del trabajo del conocimiento. A menudo se habla de la IA como una máquina para producir contenido. En nuestro caso, su valor apareció antes, en la capacidad de recuperar contexto, ordenar memoria y devolver criterio operativo a equipos que ya tenían el conocimiento, aunque disperso.
Índice de temas
El problema no era la falta de información
Con el tiempo he llegado a la conclusión de que muchas compañías no tienen un problema de datos. Tienen un problema de acceso, jerarquía y confianza.
Durante años hemos llamado “gestión del conocimiento” a cosas que, en el fondo, eran almacenamiento. Documentos guardados, procedimientos repartidos, históricos acumulados, decisiones registradas de manera desigual. Todo eso existe, pero no siempre trabaja a favor de la empresa. Solo empieza a hacerlo cuando ese conocimiento puede ser interrogado, trazado y utilizado dentro del flujo real de trabajo.
Otro gran aprendizaje es que cuando un agente de IA responde mal, muchas veces, o en la mayoría en realidad, el fallo no está en el modelo. Está, por ejemplo, en una fuente desactualizada que sigue viva, en una excepción que todo el mundo conoce y nadie ha formalizado, o en un procedimiento que convivía con otro parecido, aunque incompatible. La IA tiene esa virtud de volver visible el desorden operativo que antes se compensaba con oficio, memoria y esfuerzo manual.
Por eso creo tan poco en la idea de “poner IA” como quien instala una capa adicional sobre lo que ya existe. La conversación seria empieza cuando una empresa decide qué conocimiento considera válido, qué fuentes prevalecen, qué puede responder una máquina y qué debe seguir bajo criterio humano. Ahí aparecen la gobernanza, la seguridad, la trazabilidad y el diseño de proceso.
Lo más difícil no fue construir agentes. Fue cambiar el oficio
Si algo hemos aprendido en este camino es que la parte difícil empieza cuando la tecnología ya funciona.
Un agente puede responder bien. Un copiloto puede ahorrar tiempo. Una plataforma puede estar bien diseñada. Nada de eso garantiza adopción. La adopción llega cuando la herramienta entra en el oficio sin erosionar la identidad profesional de quien la usa. Y ése es un matiz importante. La resistencia a la IA casi nunca se presenta como una oposición frontal. Suele aparecer de otra manera: en la necesidad de revisar otra vez, en el impulso de volver al método anterior, en la sensación de que uno pierde control si delega demasiado. Es un comportamiento lógico. La IA no entra solo en procesos. Entra en hábitos, en jerarquías implícitas, en formas de aprender y en formas de ejercer criterio.
De aquí se desprende otra conclusión que me parece decisiva. La IA está cambiando la forma en que se aprende un trabajo. Un perfil junior puede avanzar antes porque tiene más apoyo contextual. Un perfil senior deja de aportar valor por recordar más y empieza a aportarlo por juzgar mejor. Eso obliga a repensar mentoring, desarrollo y responsabilidad. En una empresa de servicios, eso no es un detalle. Es una redefinición del oficio.
Después de todo este recorrido, me quedo con una idea: la IA aporta velocidad, claro. Pero su efecto más profundo aparece cuando obliga a una empresa a decidir cómo quiere trabajar, qué conocimiento merece ser reutilizado, qué procesos deben rediseñarse o qué parte del criterio seguirá descansando en las personas. A partir de ahí, la conversación madura. Se vuelve menos grandilocuente y bastante más útil. Y, en mi opinión, ahí empieza la verdadera transformación.
