Nota: Hacemos nuestro mejor esfuerzo por preservar el espíritu original y los matices de nuestros artículos. Sin embargo, nos disculpamos de antemano por cualquier falla de traducción que pueda notar. Agradecemos sus comentarios en reader_input@mckinsey.com
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
El CEO de un marketplace B2B en etapa inicial desarrolla integraciones para producción mediante notas de voz durante sus trayectos en el metro. Una empresa emergente de tecnología agrícola con 20 empleados ha suspendido todas las contrataciones porque los grandes modelos de lenguaje (large language models, LLM) comerciales ahora realizan más de la mitad de las tareas en prácticamente todas las funciones del negocio. En una plataforma madura de desarrollo, seguridad y operaciones (development, security, and operations, DevSecOps), el personal no técnico utiliza herramientas de inteligencia artificial (IA) para corregir pequeños errores y renombrar funciones, sin necesidad de recurrir al equipo de ingeniería.
No se trata de experimentos aislados. En los últimos meses, nos hemos reunido con líderes tecnológicos y de negocio de 15 empresas centradas en la IA —ubicadas en distintos continentes y pertenecientes a diversos sectores y etapas de desarrollo, desde startups de cuatro personas hasta plataformas globales consolidadas— para entender qué se necesita para que las capacidades de IA realmente generen resultados. Esperábamos escuchar 15 historias diferentes. En cambio, este diverso grupo de empresas, independientes entre sí, parecía converger en las mismas ideas fundamentales sobre lo que se requiere para situar con éxito la IA en el centro de la organización. Esa convergencia es la verdadera historia.
A principios de este año, publicamos una guía estratégica para crear empresas con la IA como eje central. Este artículo se basa en esa guía y va más allá de los marcos y las estrategias teóricas para identificar las prácticas operativas que distinguen a las empresas ganadoras de aquellas que siguen teniendo dificultades para obtener resultados reales de sus iniciativas de IA. Y esas dificultades son reales: la más reciente Encuesta Global sobre IA de McKinsey concluye que, si bien el 88 por ciento de las organizaciones ya utiliza IA en al menos una función del negocio, solo alrededor del 1 por ciento se considera plenamente madura y aproximadamente dos tercios aún no han logrado escalar la IA más allá de proyectos piloto aislados.
¿Qué saben las empresas ganadoras que sus competidoras desconocen? Lo que parecen compartir es una percepción de las posibilidades. En lugar de implementar IA generativa e IA agéntica simplemente para reducir costos y aumentar la productividad, conciben esta tecnología como un multiplicador tanto de la ambición como de las capacidades necesarias para hacer realidad esas ambiciones. Hemos condensado lo aprendido de estos líderes en siete verdades esenciales: conocimientos accionables (insights) forjados con esfuerzo que, en conjunto, conforman un sistema operativo para obtener el máximo provecho de la IA.
La IA no es una herramienta, es un compañero de equipo
El verdadero valor de la IA no consiste en hacer el mismo trabajo más rápido. Consiste en la capacidad de amplificar los esfuerzos de las personas con agentes que funcionan como verdaderos integrantes del equipo.
Cuando comenzamos nuestra investigación a finales del año pasado, los líderes tendían a describir el uso de herramientas de IA como copilotos de productividad personal. Meses después, hablaban en términos de tener verdaderos compañeros de trabajo agénticos, con sus propios nombres, identificadores de Slack, tableros de tareas compartidas y la capacidad de ejecutar tareas de forma autónoma, 24/7. El director de operaciones (COO) de una empresa de tecnología financiera (fintech) de Serie D, por ejemplo, opera un sistema multiagente para evaluar nuevas ideas. Cualquier empleado puede presentar ideas de productos de una sola frase a través de Slack. Tras una evaluación inicial por parte de un gerente de producto, diez agentes especializados trabajan en la idea simultáneamente, cubriendo cuestiones como la definición del producto, la viabilidad del back-end, el reconocimiento de ingresos y el cumplimiento legal, y entregan un conjunto integral de requisitos del producto en cuestión de horas.
El CEO de un marketplace de Serie A cuenta con todo un equipo de agentes personales, incluido un agente asistente ejecutivo que responde correos electrónicos y gestiona su calendario, un agente jefe de gabinete que registra reuniones y genera y distribuye de manera autónoma los siguientes pasos, y un agente analista que proporciona insights de datos en tiempo real a partir de los tableros de control de la empresa. Según él, el equipo virtual ha multiplicado por cinco su capacidad y eficacia. Escuchamos historias similares de otros líderes que entrevistamos.
El patrón estructural es que los puestos se están redefiniendo como colaboraciones entre humanos y agentes, con el trabajo reasignado para amplificar lo que los equipos están dispuestos a intentar. Los ingenieros ahora hacen diseño e investigación de clientes. El personal no técnico abre solicitudes de integración y lanza experimentos internos. Una iniciativa de sostenibilidad de cuatro personas puede atender a 20 clientes empresariales y producir en minutos reportes de cumplimiento que antes le habrían llevado semanas a un despacho de abogados. Un marketplace de Serie A pasó de gestionar 50 acuerdos por asesor a manejar 3,000 simultáneamente, no mediante la contratación de 60 veces más personal, sino desarrollando analistas agénticos que se encargan del trabajo de volumen mientras permiten que los humanos se centren en las conversaciones de alto impacto y alto nivel de confianza que realmente impulsan el negocio. Estas no son ganancias de eficiencia. Son modelos de negocio fundamentalmente diferentes, posibles porque la IA expandió lo que los equipos se atreven a asumir.
Posibles inconvenientes
La otra cara de la moneda de tratar a los agentes como miembros del equipo es la dependencia estructural. “¿Qué externalidades estamos creando al adentrarnos en este mundo agéntico que no hayamos previsto?”, pregunta el CEO de la empresa de tecnología agrícola. “Al delegar cada vez más tareas en los agentes, ¿qué crisis podríamos estar perpetuando?” La compañía mitiga ese riesgo mediante un diseño deliberado de funciones. Los humanos se concentran en los problemas que los agentes realmente no pueden resolver –como el juicio científico ante situaciones inéditas y las relaciones con los socios– y se establecen rutas de escalamiento para cuando los agentes alcanzan los límites de su competencia. La colaboración entre humanos y agentes, afirma el CEO, no consiste en “reemplazar a las personas con IA. Consiste en ser muy precisos al identificar dónde el talento humano es irremplazable”.
La decisión de liderazgo
Deje de medir la IA por las horas ahorradas. Mídala por aquello que la empresa está dispuesta a intentar ahora. Asigne a los agentes nombres, responsabilidades y rutas de escalamiento. Identifique cómo se están reconfigurando los puestos en toda la organización y rediseñe las funciones para reflejar la nueva distribución del trabajo entre humanos y agentes.
Sepa qué desarrollar y qué comprar
Desarrolle únicamente aquello que lo hace realmente distinto. En cuanto a todo lo demás, hasta dónde llegue dependerá de su propio nivel de comodidad.
La primera decisión entre desarrollar o comprar es la más sencilla. Todas las empresas con la IA como eje central con las que hablamos aplican el mismo criterio a su capacidad propia fundamental: ¿Esto ayuda a crear una ventaja defendible —basada en los datos, la experiencia o la propiedad intelectual (PI) de nuestra empresa— que una herramienta comercial no pueda replicar? Si la respuesta es sí, desarróllelo. La empresa de tecnología agrícola desarrolla internamente sus propios modelos de mejoramiento de cultivos, escáneres del panorama de la PI y agentes de investigación y desarrollo (I+D) con capacidad de autoaprendizaje. La compañía de tecnología profunda dedicada al descubrimiento de materiales desarrolla su agente de descubrimiento científico a partir de datos propios. “Nuestra propuesta única de venta son los datos y el criterio que ofrecemos al mundo”, nos dijo el vicepresidente de ingeniería de una empresa emergente de inteligencia climática. “La IA no puede sustituir eso.”
La decisión más compleja es qué hacer con todo lo demás: las herramientas y los agentes que gestionan las operaciones internas. Hasta hace muy poco, la respuesta era sencilla: comprarlo todo. Los proveedores especializados ofrecían un nivel de acabado que los equipos internos podían igualar y las herramientas modernas ya incluían integraciones nativas. Muchas de las empresas que entrevistamos siguen operando de esta manera y están satisfechas con los resultados. En la compañía de IA en fase inicial con la que hablamos, por ejemplo, todas las llamadas de ventas se graban, las transcripciones se publican automáticamente en un espacio de trabajo compartido y se envía un resumen semanal al equipo; un proceso articulado mediante herramientas estándar, sin desarrollo a medida. El CEO puede consultar a los sistemas conectados acerca de la situación de cualquier cliente y obtener al instante una actualización de todo el equipo. Es una filosofía común en las empresas emergentes nativas de IA. “No compramos lo que nos define”, afirma el responsable técnico de una empresa de salud digital en fase de escalamiento. “Compramos lo que nos libera.”
Mientras tanto, las organizaciones con mayor dominio técnico ahora pueden establecer ese límite en un lugar radicalmente distinto. Gracias a agentes de codificación como Claude Code y Cursor, así como a plataformas similares para crear agentes, los equipos internos pueden desarrollar tableros de control, automatizar flujos de trabajo y crear agentes a la medida en cuestión de horas, en lugar de meses, a veces sin que intervenga un solo ingeniero. El director de estrategia de la empresa de tecnología agrícola, por ejemplo, dice que el desarrollo interno es ahora la opción predeterminada. “Personalmente, creo que el software como servicio (SaaS) está muerto”, afirma. “Integrar una herramienta lleva más tiempo que desarrollarla.”
Posibles inconvenientes
Desarrollar agentes y herramientas a la medida puede ser económico. Mantenerlos no lo es. Resulta tentador permitir que cada equipo y departamento desarrolle su propia herramienta de productividad personalizada, pero la factura del mantenimiento llegará tarde o temprano. Que hoy sea barato y fácil de desarrollar no significa que mañana sea barato y fácil de mantener.
La decisión de liderazgo
Desarrolle aquello que lo haga diferente. Para la infraestructura operativa, comience con herramientas estándar y haga que las interfaces nativas de IA, la integrabilidad (integrability) y la capacidad de sustitución (swapability) sean requisitos innegociables. Audite esa infraestructura cada trimestre y prepárese para sustituir cualquier componente que no supere esas pruebas. Y tenga presente que, hoy por hoy, solo los equipos con mayores capacidades técnicas y más disciplinados deberían intentar desarrollar todo internamente, e incluso ellos deberían hacerlo siendo conscientes de los costos de mantenimiento.
Su modelo no es el cuello de botella, sino acceder a su conocimiento tribal
Muchos equipos se enfocan en qué modelo de IA utilizar. Los que están tomando la delantera se concentran en aquello que sus agentes pueden encontrar e invierten en la capa de conocimiento que marca la diferencia.
Cuando le hace una pregunta a un agente y este no puede responderla, no necesariamente es culpa del modelo. Puede que la respuesta nunca se haya documentado o que se encuentre en un lugar al que el modelo no puede acceder. En otras palabras, el límite de su IA lo establece la calidad de su gestión del conocimiento, no la elección del modelo. “No es un problema de IA; es un problema de gestión del conocimiento”, dice el director de operaciones de una plataforma de tecnología energética. “La IA simplemente lo hace visible.” La verdadera brecha no está tanto en la tecnología como en la infraestructura del conocimiento: reuniones que no se registran, datos no estructurados y conocimientos especializados atrapados en la cabeza de las personas.
Para quienes lo hacen bien, la recompensa puede ser considerable. En la plataforma de tecnología energética, por ejemplo, un agente de conocimiento que indexa repositorios de código, páginas del espacio de trabajo digital Notion y conversaciones en Slack permite que los nuevos empleados se pongan al día en muy poco tiempo. En la empresa de IA en fase inicial, el proceso automatizado de ventas almacena todos los datos en una capa de conocimiento “consultable” (queryable). Cuando alguien pregunta: “¿Qué tan avanzado va este cliente potencial específico?”, obtiene al instante el contexto de la operación, extraído de meses de conversaciones acumuladas. “Siempre que tenemos preguntas, simplemente consultamos nuestra base de conocimiento interna”, afirma el CEO de la compañía. El ciclo de retroalimentación entre producto y operaciones se convierte en una ventaja competitiva.
Por su parte, el CEO de la empresa de tecnología agrícola cuestiona la idea ortodoxa de que es indispensable contar con un único lago de datos antes de que la IA pueda funcionar: “Mucha gente se obsesiona con la idea de que ‘se necesita una única fuente de verdad’. Pero lo que hace útiles a los datos es que los humanos interactúan con ellos y los actualizan constantemente.” Algunas personas escriben en Notion, otras usan hojas de cálculo, otras viven en Slack o en videollamadas. En lugar de imponer uniformidad, la empresa desarrolla conectores ligeros que permiten que la IA consulte todos esos datos, dondequiera que se encuentren. “Si alguien utiliza una herramienta, simplemente adáptese a la forma en que ya trabaja”, afirma el CEO.
Posibles inconvenientes
Su capa de conocimiento puede deteriorarse más rápido de lo que imagina y, cuando eso sucede, los agentes tienden a fallar. Cuando los datos envejecen y pierden vigencia, los agentes ofrecen respuestas desactualizadas, lo que erosiona rápidamente la confianza de los usuarios. “Un agente no sabe cuál es la fuente de verdad más reciente y cuál es un documento desactualizado de hace un año”, advierte el COO de una empresa fintech de Serie D. Es una lección que el líder técnico de una empresa de salud digital aprendió por las malas. “Si pudiera cambiar una sola cosa, habría invertido antes en estructurar nuestro contenido”, dice. “Los datos fragmentados ralentizan el flujo de trabajo y frustran a los equipos.” La solución es arquitectónica: desarrollar conectores hacia donde la actividad ya ocurre – reuniones, hilos de Slack, documentos de trabajo– para que la capa de conocimiento se mantenga actualizada sin que nadie tenga que hacerlo manualmente.
La decisión de liderazgo
Grabe todas las reuniones. Transcríbalas automáticamente. Envie los resultados a una capa de conocimiento compartida. Haga que su plataforma de mensajería pueda ser explorada por la IA y conéctela con la infraestructura central de conocimiento para que las conversaciones se conviertan en contexto “consultable”. Vaya a donde las personas ya trabajan y desarrolle conectores para capturar el conocimiento que generan de forma natural. La IA es solo tan inteligente como aquello que puede encontrar.
Diseñe para sustituir, no para la pila tecnológica
La arquitectura ganadora no es una plataforma monolítica. Es una capa de gobernanza delgada que conecta componentes de primera clase y los mantiene intercambiables.
Las empresas con la IA como eje central convergen en un principio de arquitectura compartido: integrar herramientas de primer nivel, conectarlas a una capa compartida gobernada y desarrollar únicamente el delgado tejido conectivo que hace que el contexto sea seguro y “consultable”. En una plataforma tecnológica global, por ejemplo, los ingenieros consultan wikis internos, canalizaciones de integración continua y despliegue continuo, y sistemas de gestión de incidencias mediante agentes de IA conectados a través de servidores del protocolo de contexto de modelos. “Puedo preguntar: ‘¿Qué servicios se ven afectados por esta funcionalidad?’ Y me muestra todo”, nos dijo el responsable técnico de la plataforma. Ese flujo de trabajo de descubrimiento, que reduce horas de búsqueda manual a minutos de consultas conversacionales, es el resultado de esta arquitectura.
El agnosticismo de modelos es un principio de diseño no negociable. “Todo lo que construimos tiene que hacerse de tal manera que podamos quitar fácilmente un modelo y sustituirlo por otro”, afirma el COO de la empresa fintech de Serie D. La compañía utiliza un gateway multimodelo, comenzando con modelos prémium para nuevos flujos de trabajo y migrando después a opciones más económicas una vez que el patrón ha sido validado. Dado el ritmo al que evoluciona la frontera tecnológica, quedar atado a un solo modelo constituye un pasivo estratégico.
Posibles inconvenientes
Una arquitectura conectada y componible (composable) es una enorme fuente de ventaja, pero también una superficie de ataque igualmente amplia. Para protegerse de ese riesgo, la empresa biotecnológica de IA utiliza un modelo de seguridad de tres niveles: datos públicos para los LLM comerciales, datos sensibles para proveedores con acuerdos de retención de datos cero y PI fundamental procesada únicamente en instalaciones propias. “La empresa correría un peligro mortal si esta información se filtrara”, nos dijo el CEO. La estratificación de la seguridad es una decisión de diseño, no un complemento que se añade al final.
La decisión de liderazgo
Estandarice una infraestructura central de gobernanza que incluya la gestión de identidades, permisos, niveles de seguridad y clasificación de datos. Conecte a su alrededor herramientas de primer nivel mediante conectores ligeros. Desarrolle únicamente la delgada capa de integración que hace que el contexto sea seguro y esté gobernado. Diseñe para la sustitución, no para la pila tecnológica.
La confianza precede a la autonomía
Las empresas desarrollan confianza en los sistemas de IA mediante una autonomía progresiva: la IA genera, los humanos evalúan y el sistema solo gana más libertad cuando se lo merece.
Con los agentes de IA, la libertad para operar de manera autónoma es un privilegio que debe ganarse. En la empresa emergente de sostenibilidad en etapa inicial, por ejemplo, el equipo ejecuta manualmente cada proceso hasta que la repetición hace necesaria la automatización; a partir de ese momento, se automatizan los subprocesos uno por uno hasta completar todo el proceso. “Automatice lentamente”, dice el fundador de la empresa. “Hágalo manualmente hasta que el dolor obligue a automatizar. Ahí es cuando sabe que el flujo de trabajo está listo.” Avanzar metódicamente de esta manera permite identificar casos excepcionales que una canalización automatizada pasaría por alto, enseñando al equipo dónde el juicio humano es realmente necesario y dónde se ha convertido en una costumbre. “La IA es la herramienta perfecta para la parte intermedia del proceso”, afirma el fundador. “Los humanos siguen siendo necesarios al principio y al final.”
Las empresas líderes también identifican su límite de calidad y lo mantienen con firmeza, considerando cualquier referencia como una medición del momento, no como una regla fija. Por ejemplo, el fundador de una empresa de tecnología para la salud cuenta que le ofrecieron una solución agéntica con una tasa de éxito del 85 al 90 por ciento, la cual rechazó de inmediato. “Necesitamos operar con una precisión de 99.999 por ciento; en el sector salud no se puede decir que ‘el 80 por ciento es suficiente’”, afirma. En el desarrollo de software y en los flujos de trabajo administrativos, en cambio, la mayoría de los líderes con los que hablamos sitúan ese límite alrededor del 70 al 80 por ciento, señalando que, en la mayoría de los casos, la IA puede alcanzar ese nivel de forma confiable; más allá de ese punto, el verdadero valor reside en el juicio humano. “No se trata solo de usar la IA”, dijo el responsable de ingeniería de una empresa que desarrolla IA para centros de contacto. “Se trata de saber cuándo no utilizarla.”
Posibles inconvenientes
La autonomía sin salvaguardas produce efectos contraproducentes con rapidez, y los errores a menudo aparecen donde menos se espera. Por ejemplo, durante la negociación de un contrato con un cliente, los directivos de la empresa de IA para médicos procesaron una cadena de correos electrónicos y las modificaciones propuestas mediante un agente de IA diseñado para leer y responder correos, el cual redactó inmediatamente esta respuesta: “Todo bien con sus cambios. Sigamos adelante.” En realidad, las condiciones propuestas requerían negociaciones adicionales. Por fortuna, un empleado humano detectó el error antes de que se enviara la respuesta. “Desactivamos esa función de inmediato”, afirma el CEO. La lección: la IA debe sugerir, no actuar, hasta que haya demostrado ser confiable en ese contexto específico.
La decisión de liderazgo
Defina en qué casos es obligatoria la aprobación humana e incorpórela hoy mismo a los flujos de trabajo. Mida el tiempo total del ciclo (generación más revisión), no solo la velocidad de generación; después de todo, las mejoras en la etapa de generación pueden desaparecer en la de revisión. Desarrolle bucles de retroalimentación que permitan al sistema ganar más autonomía con el tiempo. El objetivo no es mantener permanentemente a un humano dentro del proceso; es generar la confianza que hace que la autonomía sea segura.
Centralice la plataforma; descentralice las tareas
Ningún departamento centralizado de IA puede impulsar la transformación. Lo que funciona es que los equipos responsables de la plataforma gobiernen la infraestructura y que los equipos de negocio resuelvan sus propios problemas sobre esa base.
La directora de operaciones de IA de la gran plataforma de tecnología energética tomó una decisión deliberada desde el principio. “Decidí que no soy la experta”, dice. Aprendió que la idea de que una sola persona pueda comprender y optimizar el uso de la IA en múltiples funciones del negocio suele derrumbarse en cuanto los flujos de trabajo cambian más rápido de lo que las directrices pueden adaptarse. El líder técnico de una empresa de salud digital en etapa de escalamiento llegó a la misma conclusión: “No tiene ningún sentido que una sola persona supervise diez unidades de negocio que no comprende.” En cambio, cada unidad de negocio de la empresa decide cómo la IA apoyará el logro de sus objetivos. Una pequeña comunidad de práctica de IA conecta a los líderes para compartir patrones, pero la responsabilidad permanece en los equipos.
En muchas de las organizaciones con las que hablamos, el equipo de tecnología es responsable del acceso gobernado a los modelos, la arquitectura componible, las salvaguardas de seguridad y la infraestructura de conexión. Los equipos de negocio son responsables de los problemas que deben resolverse y de las estrategias necesarias para hacerlo. Esa separación permite que la plataforma se mantenga actualizada mientras los equipos de negocio avanzan a su propio ritmo.
Las empresas líderes también permiten que cualquier persona se convierta en desarrollador, partiendo de la idea de que quienes generan el mayor impacto son quienes aplican la IA para resolver los puntos de fricción de sus propios flujos de trabajo. El CEO de la empresa de tecnología para la salud concede a todos entre una y dos horas diarias para experimentar libremente. El CEO del marketplace de Serie A les dice a sus empleados: “Ustedes pueden resolverlo. No tienen que pedirle al departamento de ingeniería que les desarrolle algo.” Una investigación de McKinsey reveló que los trabajadores tenían tres veces más probabilidades de lo que esperaban los líderes de afirmar que la IA les ayuda a realizar el 30 por ciento o más de sus tareas diarias. En otras palabras, la barrera para escalar no es la falta de disposición de los empleados; es que los líderes no están facilitando el proceso con la suficiente rapidez.
Posibles inconvenientes
La descentralización sin una plataforma genera caos, pero la centralización sin especificidad puede conducir a otro tipo de fracaso. El responsable de ingeniería de una empresa en etapa de escalamiento de Serie C describe el primer caso: “A veces, la gente usa herramientas de automatización no autorizadas y entonces tenemos que cerrar esas cuentas hasta que se obtenga la aprobación correspondiente.” Un ingeniero principal de una plataforma tecnológica consolidada describe el segundo tipo de fracaso: “Creo que intentamos abarcar demasiado desde el principio, tratando de crear un ‘agente que pudiera hacerlo todo’, en lugar de concentrarnos primero en casos de uso específicos. Deberíamos haber lanzado soluciones más pequeñas y más rápido.” Estos dos modos de fracaso tienen la misma respuesta: una plataforma real, gobernada de manera centralizada y con un alcance claramente definido, que permita a los equipos de negocio desarrollar libremente dentro de ella.
La decisión de liderazgo
Designe a un responsable de la plataforma con autoridad explícita sobre la gobernanza, la arquitectura y las salvaguardas de seguridad, y documente qué decisiones corresponden a los equipos de negocio antes de que la plataforma entre en operación. Establezca mecanismos ligeros para compartir rituales –un canal dedicado para mostrar avances, espacios semanales para demostraciones, una biblioteca compartida de prompts– de modo que los logros locales se conviertan en patrones reutilizables sin generar carga burocrática. Mida la adopción de la plataforma en dos niveles: las señales de actividad (uso de tokens, tasas de adopción de herramientas) son indicadores adelantados útiles; la verdadera métrica es lo que los equipos de negocio desarrollan e implementan sobre la plataforma.
La adopción es un volante de inercia, no una implementación
Una adopción exitosa no es una implementación con una fecha límite. Es un volante de inercia (N. del T.: metáfora que describe un sistema en el que cada acción refuerza la siguiente y genera un impulso acumulativo) con cuatro capas que se refuerzan entre ellas: el ejemplo de los líderes, el intercambio de experiencias, la medición y la contratación.
La mayoría de las organizaciones ya ha implementado herramientas de IA. Sin embargo, muchas menos han desarrollado la cultura y la capacidad necesarias para utilizarlas a gran escala. Las empresas que logran cerrar esa brecha construyen un volante de inercia.
La primera capa de ese volante de inercia es el ejemplo de los líderes: ellos son los primeros en actuar y lo hacen de manera visible. El CEO del marketplace de Serie A desarrolla personalmente integraciones para producción e incorpora el dominio de la IA como parte de las evaluaciones de desempeño. “Si alguien aquí no está experimentando”, dice, “probablemente ya se quedó atrás.” El COO de la empresa fintech de Serie D reserva las tardes de los viernes para sesiones de experimentación (hacking) en toda la empresa; incluso el CEO ha tenido que desarrollar su propio agente. “Si no dedica una parte importante de su tiempo a pensar cómo puede escalar sus propias capacidades”, afirma el COO, “entonces no está a la altura del puesto.” La lección: cuando los líderes utilizan la IA y comparten los resultados, dan permiso a todos los demás para experimentar.
La segunda capa es la convicción que surge del intercambio de experiencias. Ninguna de las empresas que analizamos depende únicamente de directrices; por el contrario, el mecanismo que impulsa una adopción genuina es la prueba social. La plataforma de tecnología energética organiza charlas de su comunidad de práctica sobre IA, reuniones generales en las que se presentan casos de éxito y desafíos mensuales de IA para los equipos no técnicos. “No puede estar detrás de cada persona diciéndole que la use”, afirma la directora de operaciones de la plataforma. “Lo que realmente funciona es que las personas compartan historias de éxito.” En la empresa de sostenibilidad en fase inicial, los prompts y flujos de trabajo más eficaces se convierten en GPT personalizados reutilizables y se distribuyen a todo el equipo. “Siempre que alguien desarrolla un buen prompt o un buen flujo de trabajo, lo compartimos”, nos dijo el fundador de la empresa.
La tercera capa es el refuerzo mediante la medición. “Incluso tenemos una clasificación de los departamentos que usan más IA”, comenta el ingeniero de DevSecOps. La lección: lo que se mide, se repite.
La cuarta capa consiste en contratar a personas con el perfil adecuado. El COO de la empresa fintech de Serie D evalúa la experiencia en IA de cada candidato. Si un candidato explica que solo utiliza IA para hacer resúmenes, afirma: “Literalmente pienso: ‘Está bien, entonces aquí termina la entrevista’.” El CEO de la empresa de tecnología para la salud describe el criterio como “más una evaluación de la disposición que de las habilidades”. El CEO de la empresa de tecnología profunda aplica el mismo estándar en todas las funciones, incluso en los puestos no técnicos: “Si alguien dijera: ‘Nunca he usado IA y hago todo manualmente’, prácticamente lo descarto.”
Este volante de inercia de cuatro capas constituye un sistema autorreforzante que genera un efecto acumulativo con el tiempo. Cuando los líderes dan ejemplo utilizando la IA, dan permiso a los equipos para experimentar. Cuando los experimentos tienen éxito y se comparten, generan pruebas sociales que aceleran la adopción en toda la organización. La medición hace visible esa adopción y fomenta la rendición de cuentas. Y contratar personas con dominio de la IA garantiza que cada nueva incorporación eleve el nivel de referencia, haciendo que las tres capas anteriores sean aún más eficaces. El volante de inercia se detiene cuando falta cualquiera de sus capas.
Posibles inconvenientes
Dos modos de fracaso delimitan el volante de inercia. El primero es el agotamiento. “La gente puede llegar a agotarse porque ahora hay muchísimas oportunidades para hacer muchísimas cosas”, dice el CEO de la empresa de tecnología profunda. El segundo es olvidar que el cambio, especialmente cuando es rápido y radical, puede resultar desconcertante. “Para la mayoría de la gente, da bastante miedo”, afirma la directora de operaciones de la plataforma de tecnología energética. “Sea comprensivo. Empiece a utilizar la IA para resolver problemas. Pregunte a las personas: ‘¿Cuál es su mayor problema? ¿Qué es lo que más detestan hacer?’.” Resuelva primero ese problema; la adopción vendrá después.
La decisión de liderazgo
Mida la adopción de la IA por departamento, publique clasificaciones y vincule el dominio de la IA con las evaluaciones de desempeño y los criterios de contratación. Evalúe cuál de las cuatro capas del volante de inercia –el ejemplo de los líderes, el intercambio de experiencias, la medición o la contratación– es la más débil en su organización. Ahí es donde debe invertir primero. Sin las cuatro, las herramientas de IA se adoptan solo en áreas aisladas y nunca generan un efecto acumulativo que se traduzca en una verdadera capacidad organizacional.
La brecha en los modelos operativos se está ampliando
Estas siete verdades son más que una lista de mejores prácticas. Son un sistema agéntico que además se integra con el manual Rewired de McKinsey para la transformación con IA: tratar a los agentes como compañeros de equipo (Verdad 1) plantea de inmediato la pregunta de qué desarrollar y qué comprar (Verdad 2). Desarrollar requiere construir correctamente la capa de conocimiento (Verdad 3), lo que depende de una arquitectura “componible” y gobernada (Verdad 4). Operar de forma segura exige generar confianza de manera gradual (Verdad 5). Escalar requiere el diseño organizacional adecuado (Verdad 6). Y sostener ese esfuerzo hace necesario que la adopción funcione como un volante de inercia cultural, no como una implementación de tecnología de la información (TI) (Verdad 7).
La brecha entre las empresas que operan con este sistema y aquellas que apenas están implementando su primer chatbot no es una brecha tecnológica. McKinsey la describe como “el mayor cambio de paradigma organizacional desde las revoluciones industrial y digital”. Es significativo que las 15 empresas de nuestra investigación llegaran a las mismas conclusiones de forma independiente, bajo diferentes presiones competitivas, en distintos sectores y a diferentes escalas. Esa convergencia sugiere que estos siete principios no son construcciones teóricas, sino el sistema operativo que emerge cuando los equipos que priorizan la IA descubren, en condiciones reales, lo que verdaderamente funciona. Las empresas que se demoran no solo permanecen inmóviles; también ceden terreno frente a competidores que fortalecen sus ventajas con cada ciclo.