|
|
¿Qué tiene que hacer tu empresa para abordar las
tres
razones que expusimos el mes pasado y empezar a construir una IA que no
solo responda, sino que conozca de verdad el negocio? Recordémoslas: Primera: Estamos alimentando la IA con datos e información, cuando para
funcionar de verdad, necesita conocimiento, igual que las personas. Segundo:
Las organizaciones no saben cuál es su conocimiento crítico porque nunca se
hicieron esa pregunta en serio. Tercero: No somos conscientes de que
el conocimiento que alimenta la IA tiene fecha de caducidad.
Una organización necesita resolver el primero de los
problemas: aclarar qué entendemos por conocimiento. Y es que existe una
confusión que es imprescindible despejar. La mayoría sigue manejando una
definición muy simplista, heredada del sistema educativo. Se asume que el
conocimiento es lo que estudiaste, los contenidos, las asignaturas, la
teoría y lo técnico que cabe en un manual o en una presentación. Pero
conocimiento es un concepto bastante más amplio. Para nosotros, conocimiento es la experiencia que te
permite tomar decisiones y actuar, y que además fue aprendida. Incluye
habilidades, intuición, competencias, relaciones, criterio, actitud, saber
hacer, lectura del contexto, comprensión de las excepciones y capacidad de
juicio. Si puedes hacer algo, entonces tienes conocimiento con
independencia de cómo lo aprendiste (solo unos pocos los traemos de
nacimiento). El conocimiento entonces no es contenido almacenado sino
información interpretada, comprendida y aplicada mediante contexto,
experiencia y juicio para actuar mejor. Este matiz es decisivo porque
muchas empresas creen que están gestionando conocimiento cuando en realidad
solo están gestionando información. Producen informes, recopilan lecciones
y llenan repositorios que, siendo
útiles, no garantiza decisión ni acción.
Aquí viene una distinción esencial. Los documentos que circulan en
las empresas describen un QUÉ: Qué pasó, qué se decidió, qué se vendió, qué
se entregó, qué se espera... Pero si queremos que esos documentos alimenten
con conocimiento a una IA, hace falta añadir varias capas que normalmente
no están.
Primero, el CÓMO. Cómo se hizo y cómo se hace, qué funcionó y qué no,
qué errores se cometieron, qué ejemplos ilustran la práctica real, qué
trucos y buenas prácticas permiten que una solución no sea solo
teóricamente correcta sino operativamente viable.
Segundo, el POR QUÉ y el QUIÉN. El contexto, los argumentos, las
hipótesis que se descartaron, las conversaciones que condicionaron una
decisión, los actores implicados, las restricciones regulatorias, las
presiones del mercado, los intereses de clientes, proveedores o
autoridades... Sin eso, la IA recupera contenido correcto, pero lo aplica
mal porque le falta el escenario que le da sentido.
Tercero, el APRENDIZAJE. Qué cambiaríamos si lo hiciésemos de nuevo,
qué deberíamos repetir, qué se recomendaría a otro equipo que se enfrente
mañana al mismo problema.
Y cuarto, el JUICIO. Hay una parte del conocimiento que nunca estará
del todo en el sistema y que aportan las personas que trabajan con la IA.
La máquina puede recuperar, comparar, sintetizar o sugerir. Pero el juicio
sigue siendo nuestro (por ahora) y menos mal. Si esperas que la IA se
convierta en una ayuda real para el negocio, no basta con darle contenidos,
hay que darle conocimiento. Y eso exige elevar el estándar de lo que
capturamos y reutilizamos dentro de la empresa. Ojo que, por ahora, los sistemas
de IA generativa están siendo entrenados en base a lenguaje, es decir se
les ha entregado texto, imagen, sonido y video. Pero una parte enorme del
conocimiento humano no está plenamente codificada ahí y los LLM todavía no
incorporan ese conocimiento que proviene de nuestra experiencia física: del
movimiento, visión, emociones, tacto, relación con otros, observación, etc.
El segundo problema es que las organizaciones no saben cuál es
su conocimiento crítico porque nunca se han hecho la pregunta. Y sin saber
qué conocimiento sostiene tu ventaja competitiva, tus decisiones clave o
tus procesos esenciales, no puedes protegerlo, multiplicarlo y tampoco
puedes convertirlo en materia prima para la IA. Si no sabes cuál es el
conocimiento crítico, ni dónde está, ni en qué estado se encuentra ¿cómo
esperas sacar partido serio de la IA?
La pregunta clave es muy simple: ¿Dónde está el conocimiento en tu
empresa? Y la respuesta es que está en 2 lugares. Una parte reside en
documentos, sistemas y repositorios. Pero la parte más valiosa sigue
estando en la cabeza de las personas: en su experiencia, en su intuición,
en su saber hacer, en su capacidad para interpretar excepciones, anticipar
riesgos o adaptar procedimientos a la realidad. Y precisamente ese
conocimiento tácito es el más importante y también el más vulnerable. Si
está solo en las personas, la organización corre un riesgo evidente porque
el principal activo es propiedad de los colaboradores y gestionar algo que
se encuentra en el cerebro de las personas es todo un desafío. En primer
lugar, la IA no es capaz de leer mentes. Además, cuando esas personas se
van, el conocimiento se va con ellas. Y si está en documentos, también hay
riesgos. Primero, porque el conocimiento documentado suele ser escaso,
incompleto y pobre: recoge lo más evidente, pero no lo más valioso. Ya lo
dijimos antes, los documentos solo incluyen la parte visible y formal del
trabajo, pero dejan fuera lo que realmente explica el desempeño: el
contexto, las decisiones, las excepciones, las razones y las lecciones
aprendidas. Segundo, porque, cuando existe, a menudo nadie sabe bien dónde
está, si está actualizado, si es oficial o si fue superado hace dos años y
nadie tuvo el detalle de avisar. Una IA confiable necesita algo más que
contenido accesible. Necesita conocimiento con procedencia, confianza,
contexto, autoridad y ciclo de vida. Es decir, saber de dónde viene, si es
fiable, para quién aplica, si es oficial y si sigue vigente. Sin esos cinco
elementos, la empresa no tiene IA confiable, sino que juega a una ruleta
que suena razonable. El problema ya no es solo capturar conocimiento sino
custodiarlo. Porque no todo lo que está disponible debería guiar una
decisión. En muchas empresas conviven políticas aprobadas, borradores,
prácticas informales, versiones antiguas, correos, presentaciones y
documentos heredados. Si no existe una jerarquía clara de autoridad, la IA
puede mezclarlo todo como si tuviera el mismo valor. Y eso abre la puerta a
errores operativos, legales y reputacionales.
Por eso no basta con hacer un inventario documental. Lo decisivo es
distinguir qué conocimiento es crítico. No se trata de listar todo lo que
sabemos, sino de priorizar aquello que más impacto tiene en los resultados,
en la continuidad operativa, en la calidad de las decisiones y en la
diferenciación frente a la competencia. Ese mapa de prioridades es lo que
permite decidir qué conocimiento capturar primero, de quién, con qué
urgencia y con qué usos de IA merece la pena empezar.
Decíamos que un obstáculo es que la mayoría del conocimiento
importante reside en las mentes de las personas. Afortunadamente, todo conocimiento es inteligenciartificiable en mayor o menor medida. Todo lo que ocurre en la empresa deja
rastro y es susceptible de alimentar una IA: una conversación, una
recomendación, un error, una buena decisión, una duda, una objeción de un
cliente, una historia, una idea, un gesto, un sueño, un caso mal resuelto,
una innovación improvisada, una explicación brillante dada en un pasillo.
No significa que capturarlo sea simple ni que podamos hacerlo con precisión
absoluta. Pero incluso una captura imperfecta es infinitamente mejor que la
pérdida total. La buena noticia es que la propia IA nos ayuda en este
camino. Nos permite grabar, transcribir, resumir, estructurar, conectar,
etiquetar y reutilizar conocimiento de maneras que antes eran muy
farragosas. Pero conviene no engañarse: si el punto de partida es un
catastro débil, la IA no crea por sí sola una base sólida de conocimiento.
Si el entorno de conocimiento está fragmentado, desactualizado,
contradictorio o pobremente curado, la IA no lo corrige, sino que lo
amplifica. Casi siempre, el bajo rendimiento de la IA no es un problema del
modelo sino el síntoma de una gestión del conocimiento débil. Ojo porque
hasta aquí estamos hablando de capturar el pasado y ordenar el presente.
Pero eso solo resuelve la mitad del asunto: Identificamos, capturamos,
ordenamos y hacemos disponible lo que la organización ya sabe. Eso es
imprescindible, pero insuficiente porque el conocimiento no es un stock
inmóvil: cambia, envejece, se contradice, se amplía y a veces deja de
servir. Y ahí entra el último desafío.
El tercer problema a trabajar es que la IA no funciona sin conocimiento actualizado y para eso no
basta con almacenar y capturar. Hace falta, por un lado, un ciclo que
supervise la validez del conocimiento y retire lo que ya no es válido. Y
por otro, un sistema de aprendizaje que capture de forma permanente el
nuevo conocimiento que va apareciendo. Una IA solo es confiable si trabaja
con conocimiento vigente mientras una IA alimentada con conocimiento
desactualizado supone un riesgo. Basta con algunas respuestas visibles
basadas en material prescrito, ambiguo o no autorizado para que la
organización desconfíe del sistema y deje de usarlo.
Aquí cobra sentido lo que escribimos el año pasado sobre Cómo hacer que tu empresa
aprenda: 8 momentos. El conocimiento de
la organización tiene ciclo de vida: Se crea, se revisa, se actualiza, se
reemplaza y se retira. Algunas piezas permanecen estables durante años,
pero otras no. Si la empresa no tiene disciplina para revisar, actualizar y
retirar lo viejo, la IA seguirá usándolo con una seguridad pasmosa lo que
es casi peor que no responder. Por eso hace falta un sistema de aprendizaje
continuo con rutinas concretas para que la empresa aprenda. Para algunas
empresas, ese ciclo empieza incluso antes de que la persona se incorpore,
vinculándose con la Universidad para asegurarse de que las nuevas
incorporaciones lleguen con el conocimiento que la organización necesita.
Sigue con el aprendizaje 1. Mucho Antes (onboarding),
2. Antes (revisiones de pares), 3. Just in Time
(IA y comunidades de práctica), 4. Durante y 5. Después de la tarea o
proyecto (lecciones aprendidas), continua con el aprendizaje de 6. Medio
Plazo (innovación), de 7. Largo Plazo (escenarios futuros y tendencias) y
termina con algo que casi todas las empresas hacen fatal: 8. la Salida de
las personas y 9. su Vínculo posterior. Si no gestionas bien la salida,
conviertes cada despedida en una fuga de conocimiento.
Aquí estamos abordando el otro 50% del conocimiento que requiere la
IA de la empresa. La parte del futuro como la capacidad de capturar
sistemáticamente los nuevos aprendizajes para que estén disponibles cuando
alguien los necesite. La confianza en una IA empresarial no nace porque
responda aparentemente bien, sino porque responde con conocimiento vigente,
trazable y aprendido de la experiencia real. Y eso exige que la
organización aprenda mientras trabaja.
Conclusiones: El objetivo de la IA de la empresa es asegurar que el know how permanece dentro de
la organización, se reutiliza, se potencia y no depende de la memoria
frágil de unos pocos. Los datos son señales, la información ordena esas
señales, pero solo el conocimiento aporta el entendimiento que permite
decidir qué significa lo que vemos y qué conviene hacer con ello. Una IA
que no está entrenada con el conocimiento de tu negocio te dará la misma
respuesta que a cualquiera y eso no te diferencia. Si tu IA sabe lo mismo
que la del vecino, tu ventaja competitiva desaparece. No se trata de usar
IA sino usar una IA alimentada por lo que tu empresa sabe, por cómo decide
y por cómo aprende. Pero no podemos obviar un aspecto clave. El éxito de la
IA de la empresa es un trabajo conjunto. La IA propone y las personas
complementamos con nuestro conocimiento. La IA puede acelerar el acceso, la
síntesis, el análisis, la comparación y la redacción. Ayuda muchísimo pero
todavía no elimina la necesidad de juicio humano, especialmente cuando
entran en juego ambigüedad, excepciones, riesgos, subjetividades y
consecuencias estratégicas. Son situaciones donde pesa el criterio, hay que
equilibrar riesgos, leer matices, interpretar excepciones, priorizar bajo
incertidumbre o valorar impactos humanos y reputacionales. Y ahí las
personas seguimos siendo insustituibles siempre que tengamos el
conocimiento para hacerlo…
Por eso la decisión final y la evaluación de los resultados debería
seguir siendo humana. La IA puede asistirnos en casi todo, pero la decisión
conviene no delegarla. Para sentar las bases de la IA, necesitas gestión
del conocimiento que no se quede solo en custodiar el pasado, sino que
incluya un modelo de aprendizaje que capture el futuro. Una GC que
identifique el conocimiento crítico, capture lo tácito, preserve el
contexto, aclare qué fuentes son oficiales, mantenga vivo el ciclo de
actualización y convierta la experiencia en aprendizaje reutilizable.
Cuando la GC está bien hecha, se vuelve invisible porque todo funciona: se
repiten menos errores, se aprende más rápido, se pierde menos conocimiento
cuando alguien se va, todos encuentran lo que necesitan y la IA empieza por
fin a demostrar que es inteligente. La IA de la empresa no falla por falta
de tecnología sino porque todavía no hemos entendido que, antes de pedirle
inteligencia a la máquina, tenemos que tomarnos en serio la inteligencia de
la organización.
- Los días 2 de junio en Barcelona, 11 en Madrid, 16 en Burgos, 22 en
Las Palmas, 25 en Madrid, 30 en Mallorca y 1 de Julio en Barcelona
impartiremos la conferencia “Aprendizaje en un mundo de personas y
organizaciones inteligentes“ durante el lanzamiento del programa Dinamiza
de Caixabank
- El 2 de julio impartiremos la conferencia “Mi Gemelo Digital para
procesos de relevo generacional” en el espacio Charla de los jueves de Otic Sofofa Capital
Humano
- El 7 de julio en la refinería Concón (Chile) impartiremos la
conferencia “Una organización que no aprende desaparece“ para ENAP
- El 7 de julio en Santiago (Chile) impartiremos la conferencia “El
juego va a cambiar: conocimiento, IA y aprendizaje” para los ex
alumnos del MBA de
la Universidad Católica de Chile
- Los días 11, 18, 25 de julio y 1 de agosto impartiremos las
sesiones ” Gestionando el conocimiento en la era de la IA” dentro del Diplomado en Aprendizaje y
Talento para la Transformación Organizacional de la Universidad de Chile
|
|
|
