Hay dos conversaciones sobre inteligencia artificial que ocurren en paralelo en el mundo empresarial, y casi nadie las distingue. La primera es sobre lo que la IA puede pensar. La segunda es sobre lo que la IA puede operar. Las dos están siendo sobreestimadas. Y cada una por razones completamente distintas.
En 1995, el sociólogo Harry Collins introdujo una distinción que hoy resulta incómodamente relevante: la diferencia entre conocimiento explícito, el que se puede escribir, transferir y reproducir, y conocimiento tácito, el que reside en la experiencia, el juicio y el contexto acumulado de quien toma decisiones. Las máquinas dominan el primero. El segundo sigue siendo humano.
Los modelos de lenguaje son extraordinariamente buenos procesando y recombinando conocimiento explícito. Son herramientas de síntesis, generación y análisis textual sin precedentes. Lo que no son, y lo que ningún avance técnico reciente ha cambiad, es sistemas de pensamiento crítico. No evalúan si una premisa es correcta. No detectan cuándo una pregunta está mal formulada. No saben cuándo deberían decir que no saben.
La promesa implícita de muchas implementaciones de IA empresarial es que la herramienta va a descubrir los problemas, formular las preguntas correctas y entregar respuestas accionables. Eso no es lo que ocurre.
Lo que ocurre es que la IA responde con la misma calidad, o mediocridad, de la pregunta que recibe. Si quien la opera no tiene claridad sobre qué decisión quiere tomar, qué datos son relevantes, y qué constituye una respuesta útil, el output va a ser fluido, bien redactado, y vacío de valor real.
"Una herramienta que amplifica la capacidad analítica de alguien que piensa bien es poderosa. La misma herramienta en manos de alguien que no sabe qué preguntar es ruido con mejor presentación."
El Gartner Hype Cycle describe con precisión lo que está ocurriendo: toda tecnología emergente pasa por una cima de expectativas infladas, seguida de un valle de desilusión, antes de llegar a una meseta de productividad real. La IA está hoy en ese pico, donde los casos de uso más impresionantes circulan sin contexto, y donde la distancia entre el demo y la realidad operacional se vuelve invisible para quien observa desde fuera.
Aquí entra la segunda ilusión, y es más concreta. Construir algo que funciona en tu computador es un ejercicio completamente distinto a construir algo que funciona en producción.
Un HTML que corre en localhost no tiene usuarios concurrentes. No tiene datos reales con inconsistencias, caracteres especiales y campos vacíos. No tiene que integrarse con el ERP de la empresa, el sistema de autenticación, las políticas de seguridad, ni los procesos existentes. No tiene que seguir funcionando cuando la API externa falla. No tiene que ser entendido y operado por alguien que no participó en su construcción.
La distancia entre ambos mundos es concreta: en el demo los datos son limpios, hay un solo usuario y condiciones controladas, el sistema funciona de forma aislada, y el costo de fallar es cero. En producción, los datos son reales e inconsistentes, hay múltiples usuarios con casos imprevistos, el sistema debe integrarse con todo lo que ya existe, y los errores tienen consecuencias operacionales reales.
Esto no es una crítica a la IA. Es una descripción de lo que cualquier sistema de software requiere para existir en el mundo real — y que se olvida sistemáticamente cuando la tecnología es nueva y las demostraciones son impresionantes.
Primero, que la IA no reemplaza el trabajo de definir qué problema se quiere resolver. Antes de cualquier implementación, alguien en la organización tiene que poder responder: ¿qué decisión específica queremos tomar mejor?, ¿qué proceso concreto queremos optimizar?, ¿cómo mediremos si funcionó? Sin esas respuestas, la IA produce outputs que parecen útiles y no cambian nada.
Segundo, que el costo real de adoptar IA en una organización no está en la licencia de la herramienta. Está en la integración, la calidad de los datos, la capacitación de quien la opera, y el diseño del proceso que la rodea. Subestimar esos costos es la razón más común por la que los proyectos de IA empresarial no entregan lo que prometieron.
Tercero y esto es lo más contraintuitivo, que las organizaciones más preparadas para sacar provecho de la IA no son las más entusiastas. Son las más ordenadas. Las que tienen sus procesos documentados, sus datos estructurados y sus preguntas de negocio claras. La IA amplifica lo que ya existe. Si lo que existe es caos, lo amplifica también.
El problema con las burbujas tecnológicas no es la tecnología. Es la expectativa de que la tecnología sustituye el trabajo de pensar. La IA es una herramienta extraordinaria para quien ya sabe qué está buscando. Para quien espera que la herramienta lo descubra sola, el resultado más probable es un demo impresionante y un proyecto que nunca llega a producción.
¿Quieres aplicar estas ideas en tu organización? Conversemos sobre cómo hacerlo.
Agendar sesión gratuitaUna perspectiva por semana. Sin ruido, sin ventas. Solo ideas accionables sobre estrategia, datos y procesos.
Sin spam. Puedes darte de baja cuando quieras.