|
|
|
|
|
|
|
|
En la columna previa argumenté por qué una empresa que no
desarrolle la Inteligencia Artificial de su propio negocio se condena a
desaparecer. Es lo que hizo Mckinsey para aprovechar su principal
tesoro: su conocimiento.
Y expliqué también que la IA necesita materia prima para poder cumplir con
la promesa que lanza. La IA no hace magia, sino que te pide que le
entregues el pasado de tu empresa para poder entregarte el futuro. Y ese
pasado se encuentra sobre todo en el cerebro de las personas (muchas de las
cuales ya se fueron y por tanto se perdió irremediablemente) y una pequeña
parte está reflejado en datos. La IA no puede responder lo que no sabe
(igual que las personas) y por eso a veces trata de inventarlo (igual que
las personas). Estamos alimentando la IA con materia prima de baja calidad
(datos) en lugar de usar la materia prima más nutritiva (conocimiento).
Desde hace tiempo existe una fiebre desatada por los datos llamada Big
data. Los datos son “lo que sabemos de lo que hacemos”, es decir, no
es lo que hacemos sino el rastro que queda después de hacer algo y sobre lo
que podemos reflexionar, analizar y tomar decisiones para cambiar,
mantener, dejar de hacer, incrementar, mejorar, etc. La IA te dice: “ahora
vas a poder aprovechar todo lo que sabes sobre lo que haces ya que hasta
hoy no existía una manera razonable de hacerlo porque no había suficientes
datos o capacidad de almacenamiento y procesamiento para analizarlos”
¿Para qué quieres los datos? Para tomar mejores decisiones que es una de
las definiciones de gestión del conocimiento. Entonces ¿para qué sirve la
IA si no es para gestionar tu conocimiento? Si la IA nos ayuda con la
gestión del conocimiento de la empresa, eso nos obliga a ser mucho más
conscientes de nuestro conocimiento. El conocimiento siempre fue
transparente ya que se trata de un intangible inconsciente que tenían las
personas en la cabeza. Pero ahora que la IA nos permite sacarle partido, el
conocimiento no puede quedar en el limbo como un elemento furtivo que pasa
desapercibido. Si los datos no son el petróleo ¿Por dónde
comenzamos para concretar esa oportunidad? Veamos los 4 pasos.
❶ Identificar
el conocimiento crítico ¿Qué
es lo más importante que sabe mi empresa? Antes de alimentar a una IA,
debemos saber qué conocimiento es realmente valioso. No todo el
conocimiento es igual de importante. El conocimiento crítico es aquel que
sostiene la ventaja competitiva de tu empresa, lo que sabes hacer mejor que
nadie y explica por qué los clientes te eligen a ti y no a la competencia.
Es también el que permite ejecutar los procesos clave de manera eficiente y
diferencial. Es el ADN intelectual de tu negocio. La idea es muy simple: si
alguna actividad es importante para cumplir tus metas, entonces el
conocimiento relacionado con eso es crítico. La ISO
30401 de 2018 dice en su primera página “la organización debe
identificar, evaluar y priorizar los dominios de conocimiento que tienen
mayor valor para la organización y sus partes interesadas” ¿Cómo
identificamos ese conocimiento crítico en medio del vasto océano de
información y actividades diarias? Aquí es donde entra en acción la
metodología de los
mapas de conocimiento crítico que nos ayuda, empezando desde los
objetivos del negocio, a priorizar no solo cuál es el conocimiento más
importante de la empresa sino quien lo tiene, donde está y en qué nivel de
riesgo se encuentra. Un mapa de conocimiento crítico no es un inventario de
"todo lo que sabemos", sino un sistema de prioridades. Es
un GPS que señala qué debemos capturar primero y con cuánta urgencia. No
puedes proteger ni multiplicar lo que no tienes localizado. Este mapa se
convierte en la brújula que guía la gestión inteligente del conocimiento de
la organización. Sin este mapa, intentar gestionar el conocimiento es como
navegar sin rumbo.
❷ Capturar,
sistematizar y organizar el conocimiento crítico. Pasar del cerebro
humano al sistema digital. Si
las empresas hacen tareas repetitivas, eso implica que van a reutilizar
conocimiento y, por tanto, merece la pena documentar el pasado para poder
sacarle partido. Sistematizar significa incorporar lo que se aprende al
catastro de conocimiento organizacional ¿Cómo convertir el conocimiento de
las personas en un lenguaje que entienda la IA? ¿Te has preguntado cómo
captura conocimiento tu organización? ¿Extraemos el conocimiento a cada
individuo con una jeringuilla? Aquí rige una máxima fundamental: Capturar
no puede significar un doble trabajo (primero ejecuto la tarea y después
tengo que documentarla). Las herramientas de IA nos ayudan cada vez más a
que trabajar y documentar lo que se hace ocurra todo al mismo tiempo, como
parte del proceso.
Por suerte, todo
conocimiento es inteligenciartificiable (en mayor o menor medida). Todo
lo que ocurre en la empresa es susceptible de dejar rastro y alimentar una
IA: cualquier pensamiento, acción, decisión, idea, conversación, error,
acierto, historia, ejemplo, recomendación, sueño, sugerencia, prueba, gesto…
¿Qué conocimiento de la empresa tenemos sistematizado de las propuestas,
los presupuestos, los clientes, los proyectos, los productos, las personas,
las alianzas, los planos, los precios, los procesos…? ¿Y qué conocimiento
hemos destilado de por qué ganamos o perdimos, qué salió bien y qué no
salió bien, qué deberíamos haber hecho distinto, cómo lo haremos la próxima
vez, qué hizo la competencia, qué está pasando en el mercado/mundo, qué
necesitamos aprender? Un aspecto clave para una captura efectiva es crear
un ambiente donde compartir conocimiento sea valorado y recompensado.
Muchas iniciativas de GC fracasan porque no logran superar la resistencia
natural de las personas a compartir lo que saben por miedo a resultar
prescindibles o a no ser reconocidos por ello.
Capturar
y sistematizar (sacar el tesoro de
los cerebros antes de que se pierda y preparar el alimento para la IA): Una vez identificado el conocimiento crítico, el siguiente
desafío es monumental: la gran mayoría de ese conocimiento no está en
manuales ni bases de datos, sino en la cabeza y en las manos de las
personas que hacen el trabajo día a día. Se trata de conocimiento tácito,
fruto de la experiencia, difícil de articular y, por tanto, increíblemente
difícil de capturar para alimentar una IA ¿Significa que es imposible? No,
pero requiere un esfuerzo intencionado y el uso de rutinas específicas de
GC. No basta con pedirle a un experto que "escriba lo que sabe".
Un cliente nos decía “no voy a escribir porque no sé qué poner, ni tengo
tiempo”. Este es un ejercicio individual y colectivo para el que
necesitamos procesos que faciliten la explicitación y el intercambio como,
por ejemplo:
· Asistencias y revisiones de Pares: sesiones en las que colegas con
experiencia ofrecen asesoría o revisión a los equipos que enfrentan
desafíos específicos ya conocidos.
· After Action Review, Lecciones Aprendidas y Buenas Prácticas:
Rutinas para hacer análisis profundo después de una tarea o proyecto
significativo y documentar qué funcionó, qué no y qué haríamos diferente en
el futuro.
· Comunidades de Práctica (CoP): Espacios de confianza donde
personas que comparten un ámbito de conocimiento o un desafío similar
colaboran, intercambian experiencias y resuelven problemas juntos. El
conocimiento fluye a través de la conversación y la resolución conjunta
creando una memoria organizacional colectiva.
· Retrospectivas: Análisis estructurados y documentados tras la
finalización de proyectos o fases de estos para recopilar el conocimiento
generado.
· Entrevistas de Captura/Storytelling: Técnicas para "tirar
del hilo" y ayudar a los expertos a expresar no solo qué hacen,
sino cómo y por qué lo hacen de esa manera específica, qué les dice su
intuición cuando algo “huele raro”, revelando los trucos, los atajos
y las decisiones críticas basadas en su experiencia y convirtiéndolas en
historias accesibles para toda la organización.
· Observación/Shadowing: Acompañar (hacer de sombra) a los expertos
mientras trabajan para recoger directamente los matices de su desempeño que
ni ellos mismos son capaces de explicar.
Cómo leí en algún sitio, capturar es “grabar la
canción antes de que el cantante y el guitarrista se jubilen”.
Organizar (pasar
del caos al orden):
El conocimiento capturado, especialmente el tácito, suele ser
desestructurado, contextual, a veces contradictorio y se presenta en
múltiples formatos (texto, audio, video, imagen, diagramas). Para que una
IA pueda "digerirlo", necesitamos procesarlo, darle forma,
limpiarlo y ordenarlo. Esto es mucho más que almacenar documentos en un
repositorio; es un trabajo de curación de contenidos. Sin estándares, tu IA
será como una biblioteca con libros tirados al azar. Algunas acciones clave
son:
·
Estandarización:
Definir protocolos, formatos y plantillas comunes para registrar
aprendizajes y documentar el conocimiento.
·
Taxonomías
y ontologías: Crear categorías, vocabularios controlados y estructuras de
relación entre conceptos para que la IA pueda entender el significado y el
contexto.
·
Validación,
versionado y limpieza: Nombrar expertos que aseguren la calidad, precisión
y actualidad del conocimiento. Eliminar duplicidades, corregir errores y
descartar lo obsoleto.
·
Etiquetado,
metadatos y relaciones: Enriquecer el contenido con etiquetas que faciliten
su búsqueda, conexiones entre distintos elementos de conocimiento y
reutilización por parte de la IA.
Lo que buscamos es contar con un repositorio
centralizado y accesible. Como decía un cliente: "Lo que más cuesta
no es tener la información, sino encontrarla". No basta con tener
el conocimiento, tiene que estar disponible y ser fácilmente localizable,
de lo contrario todo el esfuerzo es inútil. Alimentar una IA con
información de baja calidad, desorganizada o desactualizada no solo no
generará valor, sino que puede llevar a errores costosos y a la pérdida de
confianza en la herramienta. El 36%
del tiempo de los trabajadores se pierde buscando información interna.
Sin una estrategia de GC, la IA solo amplificará este caos
Los
pasos 3 y 4 son eminentemente técnicos.
❸ Entrenar el modelo propio de IA con los
conocimientos existentes de la empresa. Desde
el punto de vista técnico, el modelo de IA de la empresa puede ser un modelo fundacional existente (GPT,
Gemini, Claude, LlaMA, etc.) fine-tuneado
con nuestro conocimiento específico y/o al que hemos aplicado RAG,
donde la IA consulta nuestra base de conocimiento curada (como describimos
en el paso previo) antes de generar una respuesta. Podrían existir
organizaciones muy particulares, por sus necesidades específicas y por sus
recursos, que opten por desarrollar un modelo propio entrenado desde cero,
aunque esto debiese ser una excepción. Independientemente del enfoque
técnico, el objetivo es el mismo: crear una IA que entienda el lenguaje,
los procesos, los productos, los clientes y la historia de nuestra empresa.
Una IA que pueda responder preguntas específicas del negocio con precisión,
asistir en la toma de decisiones contextualizadas, e incluso automatizar
tareas que requieren ese conocimiento interno. Para eso se necesita una
capacidad tecnológica adecuada: elegir el LLM de base, trabajar en un
entorno privado, confidencial y seguro, contar con una infraestructura de
datos de calidad e integración con los sistemas internos (CRM, ERP,
repositorios documentales), técnicas de entrenamiento de IA que combinan el
conocimiento curado de tu empresa con el talento lingüístico del modelo
base, capacidad de cómputo y finalmente una gobernanza sólida que garantiza
que la calidad y la actualización del conocimiento sean sostenibles a largo
plazo, ámbitos todos ellos en los que hay gente mucho más experta que yo.
❹ Mantener
actualizada la IA. La
lógica de desarrollar una IA de la empresa es que nos permita usar el conocimiento
crítico, capturado y curado, para lograr los objetivos que perseguimos.
Para ello, es prioritario contar con un proceso continuo de actualización
ya que el conocimiento empresarial es dinámico y caduca cada vez más
rápido: nuestra IA debe aprender y desaprender constantemente para no
quedar obsoleta. La IA es más fiable en entornos estables y con datos del
pasado, que en contextos cambiantes y específicos donde no cuenta con
conocimiento sistematizado. Cómo hemos repetido en columnas anteriores, las
empresas carecen del “músculo
de aprender” lo que les impide que el aprendizaje forme parte de los
procesos. Por tanto, de la misma manera que para identificar y capturar
conocimiento crítico, necesitas un modelo de gestión del conocimiento, para
que la empresa se asegure de aprender, necesita un modelo de aprendizaje
que recoja los aprendizajes antes,
durante y después de la ejecución de cualquier actividad o proyecto. Y
como ya expliqué en el paso 2, necesitamos integrar las principales rutinas
que permiten que la organización aprenda (lecciones aprendidas,
retrospectivas, CoPs, historias y casos, etc.) en el flujo de los procesos
de trabajo.
Conclusiones
Mientras lees esta columna, tus expertos resuelven
incidencias con soluciones que mañana se evaporarán si no las capturas. Tu
organización está tan solo a un paso de convertir esos conocimientos en un
cerebro digital que trabaje a tu servicio 24x7. Para ello, tienes que
empezar desde el conocimiento crítico: captúralo y almacénalo en un entorno
seguro, entrena un modelo con dicho conocimiento y actualízalo
permanentemente. Cada día que pasas sin la IA de tu empresa es un día en
que regalas inteligencia a tus competidores. Hoy, no saber usar la IA es
como ser analfabeto hace 50 años. La principal fortaleza de los modelos de
IA (la cantidad de cosas que saben) es al mismo tiempo su mayor debilidad:
su conocimiento sobre cada empresa en particular es mínimo ¿Para qué
quieres la IA si no es para gestionar el conocimiento? Crear una IA
corporativa no empieza con tecnología sino con una decisión: tomarse en
serio el conocimiento. Eso implica identificarlo, capturarlo, organizarlo y
usarlo para entrenar una IA que trabaje para ti. El verdadero potencial de
la IA no reside en los algoritmos sino en su capacidad para multiplicar el
conocimiento crítico de cada empresa. Si quieres una IA que entienda tu
negocio, necesitas alimentarla con el conocimiento de tu negocio. Así de
simple. Crear una IA corporativa, un cerebro digital nutrido con la
experiencia y el saber hacer interno, ya no es una fantasía futurista, sino
una prioridad estratégica. Pero esto no sucederá por arte de magia
tecnológica. Requiere una estrategia deliberada de gestión del
conocimiento: identificar qué sabemos, que es valioso, capturarlo allá
donde esté (principalmente, las cabezas de las personas), sistematizarlo y
curarlo con rigor, y finalmente, usarlo para entrenar y mantener viva
nuestra propia inteligencia artificial. Ojo que el proceso tiene sus
dificultades llámense resistencia cultural (los colaboradores no quieren
usar la IA), falta de liderazgo o compromiso directivo, limitaciones
presupuestarias, mala calidad de los datos, etc.
La IA tiene hambre ¿con qué la alimentamos? ¿con
datos? ¿o con conocimiento? Si ya te asombra con lo que tenemos ¿te
imaginas cuando la alimentemos con conocimiento? Los modelos de Lenguaje
actualmente disponibles serán un commodity disponible para todos. Los datos
de tu negocio propietarios son un primer paso donde comenzar a explorar.
Pero el conocimiento de la empresa será el que te permita explotar ventajas
competitivas. Tu IA será tan inteligente como el conocimiento que le
entregues en primer lugar. Yo estoy empezando a crear mi propio gemelo
digital para comprobar qué tareas puede hacer por mí. Dispongo de mucho
conocimiento sistematizado porque he sido bastante disciplinado y con el
paso de los años cuento con gran cantidad de documentos que van desde
artículos, presentaciones, propuestas, metodologías, videos de
conferencias, mails y WhatsApp, etc. Alégrate, cuanto más conocimiento
tienes mejor puedes aprovechar la IA.
La IA será la principal herramienta de GC de tu
negocio. Tu
empresa no podrá ser una empresa inteligente sin IA. Y sin estrategia
de GC no hay estrategia de IA. La magia que promete IA será imposible si no
la alimentamos con conocimiento de la empresa. Si no capturamos el
conocimiento de las personas, estamos desaprovechando el tesoro más
importante y por tanto la IA no te podrá entregar los resultados que
esperas. No
puedes tener una IA inteligente si tu empresa no lo es. Y una empresa
es inteligente cuando sabe lo que sabe y aprende lo que no sabe. Tu
empresa no puede permitirse el lujo de ser “estúpida” en la era de la
inteligencia artificial.
El 11 de junio en Barcelona participaremos en la XI
Jornada de Comunidades de Práctica “Profesionales resilientes al
servicio de la salud” organizado por la Agencia de Salud Pública de
Cataluña con la conferencia “¿De verdad el conocimiento es el
principal activo de cualquier organización, incluso, de la Administración
Pública?”
El 13 de junio en Tarragona participaremos en la
sesión de la Comunidad de Práctica "Va de llegat" para hablar
sobre "IA en procesos de relevo generacional" invitado
por CEJFE.
El 19 de junio impartiremos la conferencia “La IA de
tu empresa” dentro del ciclo de webinars organizado por Cirion.
El 10 y 24 de junio en Cadabra la magia de aprender, realizaremos sesiones
sobre Universidades Corporativas y ¿Cómo el conocimiento y la IA pueden
salvar tu vida? (segunda parte) con Ernesto Barrios
y Jose Luis Alvarez.
|
|
|
