|
|
|
|
|
|
|
|
La mayoría de las
empresas están haciendo con la IA lo mismo que hicieron con casi todas las
tecnologías anteriores: incorporarla a lo que ya existe y esperar que
mejore los resultados. Compran licencias, prueban herramientas, organizan
cursos, hacen pilotos, crean comités, automatizan tareas, lanzan un chatbot interno y esperan que aparezca la productividad
prometida. Y, claro, en muchos casos algo mejora: Una persona redacta más
rápido un correo, prepara antes una presentación, resume un documento
largo, genera una imagen, revisa un contrato o escribe unas líneas de
código en menos tiempo. No es poca cosa, pero está lejos de lo que la IA
promete y podría hacer. Porque si después de tanto ruido, tanta inversión y
tanta expectativa, preguntas en las organizaciones cuál ha sido el impacto
real de la IA en el negocio, la respuesta suele ser bastante más modesta de
lo esperado. Hay entusiasmo, experimentos, casos interesantes y mejoras
individuales, pero pocas veces hay transformación. La IA está muy presente
en las conversaciones, pero bastante menos en los resultados. Y creo que
hay dos razones de fondo que explican este desajuste. La primera
(que es la que veremos en este artículo) es que seguimos mirando la IA por
la parte equivocada: nos fascina lo visible, pero no
entendemos lo que ocurre debajo. La IA expone la falta de estrategia de
gestión del conocimiento de tu empresa. La segunda es que estamos
intentando introducir una tecnología diseñada para operar a escala digital
dentro de organizaciones diseñadas para las limitaciones humanas. Dicho de
otra manera: no estamos entendiendo bien qué es la IA y tampoco estamos
rediseñando la empresa para aprovecharla.
Solo vemos la parte visible del iceberg
Con la IA nos está
pasando algo parecido a lo que ocurre con un iceberg. Lo que vemos es la
parte que sobresale del agua. Y como es espectacular, nos quedamos hipnotizados.
Vemos los chips, los centros de datos, los modelos, los rankings, los
tokens, las aplicaciones, los prompts, los
agentes, las demos... Vemos que ChatGPT, Claude,
Gemini, Kimi, DeepSeek o cualquier otro modelo
escriben textos, generan código, crean imágenes, producen vídeos, responden
preguntas, resumen documentos, preparan informes o conversan con una
soltura que todavía nos cuesta asumir. Esa parte visible impresiona y es
lógico que ocurra porque nunca habíamos tenido una tecnología capaz de producir
en segundos resultados que antes exigían conocimiento humano, tiempo,
práctica y experiencia. Pero esa no es la parte más importante. La parte
más importante está debajo del agua. Es la que no se ve y precisamente por
eso, la mayoría no la entiende. Debajo de la capa de herramientas, modelos,
prompts y outputs hay algo mucho más decisivo:
conocimiento digitalizado, reutilizado y recombinado.
La IA no hace magia.
Lo que “sabe” IA no se explica porque haya nacido con una iluminación divina sino
porque hemos dedicado décadas a digitalizar conocimiento humano en todas
las formas imaginables: libros, artículos, manuales, conversaciones,
código, imágenes, vídeos, casos, reglas, procedimientos, foros, ejemplos,
investigaciones, decisiones, errores, buenas prácticas, documentos, bases
de datos y experiencias. Todo eso alimenta a los modelos y permite que la
IA responda, genere, combine, prediga, sugiera, compare, programe o diseñe.
La parte visible de la IA responde al QUÉ: qué herramienta uso, qué prompt escribo, qué tarea automatizo, qué resultado
obtengo. La parte invisible responde al CÓMO: cómo se sabe hacer
eso, qué conocimiento lo sostiene, qué experiencia se reutiliza, qué
patrones se han aprendido, qué casos anteriores sirven como referencia, qué
contexto permite interpretar correctamente la situación. Y ahí aparece el
primer problema: muchas empresas están intentando implantar IA mirando solo
la parte de arriba del iceberg. Se preocupan de qué herramienta comprar,
qué modelo usar, qué curso impartir, qué prompt
enseñar o qué aplicación desplegar. Pero no se hacen la pregunta
verdaderamente clave: ¿Qué conocimiento necesita la IA para aportar valor
en nuestro negocio? Porque una cosa es que la IA conozca el mundo y otra
muy distinta es que conozca tu empresa.
Los grandes modelos han
sido entrenados con conocimiento general. Pueden saber muchísimo sobre
medicina, derecho, programación, literatura, logística, marketing,
ingeniería o historia. Pero no conocen tus clientes, tus criterios, tus
excepciones, tus errores recurrentes, tus decisiones, tus matices, tus
proveedores, tus conflictos internos, tus aprendizajes, tus formas reales
de resolver problemas ni las razones por las que en tu organización las
cosas funcionan como funcionan. Y en las empresas, el valor casi siempre está
en esa última milla. La diferencia rara vez está en el procedimiento
oficial. Está en saber cuándo aplicarlo y cuándo no, en conocer la
excepción, en recordar qué ocurrió la vez anterior, en saber qué cliente
reacciona mal ante determinado enfoque, en detectar que una máquina falla
cuando cambia la humedad, en intuir que una negociación se puede torcer por
una conversación que no aparece en ningún acta, en distinguir entre lo que dice
el proceso y lo que realmente hay que hacer para que las cosas salgan bien.
Eso se llama conocimiento y la mayor parte de ese conocimiento no está
disponible para la IA.
La IA no puede reutilizar lo que la empresa no
ha sido capaz de capturar
Durante años, las
organizaciones han repetido que las personas son su principal activo. Es
una frase bonita, aunque incompleta. Lo que realmente necesitan las
organizaciones no son personas en abstracto, sino el conocimiento que determinadas
personas poseen y aplican para lograr resultados. Si una persona se marcha
llevándose un conocimiento crítico que nadie más tiene, la empresa se
descapitaliza. Si un experto se jubila y nadie capturó su experiencia, la
empresa pierde parte de su inteligencia. Si un equipo resuelve un problema
complejo y no deja registro de lo aprendido, el siguiente equipo volverá a
empezar desde cero. Si una buena práctica queda encerrada en un
departamento, el resto seguirá reinventando ruedas. Nada de esto es nuevo,
lleva siglos ocurriendo. La diferencia es que ahora la IA lo vuelve mucho
más evidente. Antes, una empresa podía funcionar razonablemente, aunque no
gestionase su conocimiento de manera rigurosa. Era ineficiente, pero
sobrevivía. Tiraba de memoria informal, llamadas, correos, reuniones,
favores, veteranos, documentos viejos y gente que sabía cómo se hacían las
cosas. El sistema era frágil, pero más o menos aguantaba. Con la IA, esa
fragilidad se convierte en un peligro mortal. Si
el conocimiento está en la cabeza de las personas, la IA no lo puede leer.
Si está en documentos desactualizados, la IA puede usar conocimiento
caducado.
Si está disperso en carpetas, correos, chats y presentaciones, la IA puede
mezclarlo sin distinguir qué está vigente y qué no. Si no existe una fuente
fiable, la IA puede responder con seguridad sobre una base dudosa. Si la empresa
no sabe cuál es su conocimiento crítico, la IA tampoco lo sabrá por
intuición. La IA no ordena por arte de magia el desorden que la
organización lleva años creando. En muchos casos, lo amplifica.
Por eso, es
equivocado pensar que la IA es un proyecto tecnológico. La
IA de tu empresa es, sobre todo, un proyecto de gestión del
conocimiento. Necesita tecnología, por supuesto, pero la tecnología no es el
punto de partida. El punto de partida es responder preguntas que muchas
empresas nunca se han tomado en serio:
- ¿Qué conocimiento crítico sostiene
nuestro negocio?
- ¿Dónde está?
- ¿Quién lo tiene? ¿Y quién lo
necesita?
- ¿En qué formato existe?
- ¿Está actualizado?
- ¿Es fiable?
- ¿Qué parte está documentada y qué
parte sigue siendo tácita?
- ¿Qué conocimiento se pierde cuando
alguien se marcha?
- ¿Qué errores repetimos porque no
reutilizamos lo aprendido?
- ¿Qué tendría que saber una IA para
ayudarnos de verdad?
La mayoría de las
empresas no tienen buenas respuestas a esas preguntas. Y sin esas
respuestas, la IA queda reducida a una herramienta genérica. Muy potente,
muy vistosa, muy rápida, pero genérica y una IA genérica difícilmente puede
darte una ventaja diferencial. Si tu IA sabe lo mismo que la IA de tu
competencia, no tienes una ventaja, sino que tienes acceso a un mínimo
común. La ventaja aparecerá cuando seas capaz de entrenar, alimentar y contextualizar
la IA con el conocimiento específico de tu organización. Pero para eso
primero tienes que saber cuál es ese conocimiento, dónde está y cómo
convertirlo en algo reutilizable. Ahí es donde muchas empresas descubren
que el problema no era la IA. El problema era su escasa disciplina para
gestionar conocimiento.
Confundimos datos, información y conocimiento
Una parte de la
confusión viene de que muchas organizaciones creen que tienen conocimiento porque
acumulan datos, informes, documentos, presentaciones, manuales,
indicadores, actas y repositorios. Pero eso no es sinónimo de conocimiento.
Casi siempre es solo información. El dato registra algo que ocurrió. La
información ordena esos datos para que podamos entender qué pasó. El
conocimiento permite decidir qué conviene hacer. La diferencia importa
muchísimo. Un sistema puede decirte que las ventas han caído un 12%. Eso es
información útil, pero saber por qué han caído, qué parte depende del mercado,
qué parte depende del equipo comercial, qué cliente está cambiando sus
prioridades, qué señal anticipó ese comportamiento, qué se intentó antes,
qué funcionó y qué no y qué conviene
hacer ahora, eso ya exige conocimiento. Y ese conocimiento suele estar
lleno de contexto, experiencia, criterio y matices. Las empresas producen
cantidades industriales de información, pero pocas veces convierten esa
información en conocimiento reutilizable. Tienen muchos documentos, pero pocos
aprendizajes bien capturados. Tienen muchos indicadores, pero poco
entendimiento compartido. Tienen muchos procedimientos, pero pocas
explicaciones sobre excepciones y decisiones reales. Por eso una IA puede
leer miles de documentos y aun así no entender el negocio. Porque leer no
equivale a comprender. Acceder a información no equivale a tener
conocimiento. Y responder con fluidez no equivale a saber decidir bien. Por
regla general, los documentos contienen mucha información, pero poco
conocimiento. Si queremos que la IA ayude de verdad, no basta con darle
documentos, hay que entregarle conocimiento depurado: contexto, criterios,
ejemplos, contraejemplos, lecciones aprendidas, buenas prácticas,
excepciones, decisiones, razones, recomendaciones y límites. La IA necesita
saber no solo qué se hizo, sino cómo, por qué, con quién, en qué
condiciones, qué salió mal, qué se aprendió y qué haríamos distinto la
próxima vez. Ese es el tipo de alimento que convierte una IA genérica en
una IA útil para el negocio.
La segunda razón: la empresa fue diseñada para
humanos
Aunque resolviéramos
el problema del conocimiento, seguiríamos teniendo otro obstáculo enorme:
las organizaciones fueron diseñadas para personas, no para inteligencias
artificiales. La IA no cabe en una empresa diseñada para inteligencia
humana. Y esto que parece obvio, tiene consecuencias profundas tal y como
veremos en la siguiente columna.
- El 6 y 20 de octubre en el espacio Co-laboratorio en el marco de Abra Laboratorio de Aprendizaje hablaremos de “Qué podemos aprender del deporte de alto
rendimiento sobre la colaboración” con Jose
Angel Samaniego, primer entrenador de basketball
y de “Qué nos dice el mundo
Militar sobre la colaboración” con Fernando Silva,
ex Director de la Escuela Militar
- El 2 de octubre en Madrid impartiremos
la conferencia “Del conocimiento experto al aprendizaje colectivo: cómo
construir una organización que aprende” para Renfe de la mano de Hedima
- Desde el 21 de agosto hasta el 2 de
octubre estamos impartiendo el curso ”Aprendizaje organizacional
en la era de la IA” con la Escuela de Psicología de la UAI
- Los días 29 de septiembre y 1, 6, 8,
13 y 15 de octubre impartiremos las sesiones ” Gestión del Talento y
Cultura de Aprendizaje Basada en Habilidades” dentro del Diplomado en gestión de
organizaciones para el Futuro del Trabajo de la Escuela de Psicología de la
UAI y Futuro del Trabajo
- Desde el 21 de agosto hasta el 2 de octubre estamos impartiendo el
curso ”Aprendizaje organizacional
en la era de la IA” con la Escuela de Psicología de la UAI
- Los días 29 de septiembre y 1, 6, 8, 13 y 15 de octubre
impartiremos las sesiones ” Gestión del Talento y Cultura de Aprendizaje
Basada en Habilidades” dentro del Diplomado en gestión de
organizaciones para el Futuro del Trabajo de la Escuela de Psicología de la
UAI y Futuro del Trabajo
- El 9 de noviembre en Bilbao impartiremos la
conferencia “El juego (del talento) va a cambiar” dentro del Foro
ekonomistak Pro organizado por el Colegio
Vasco de Economistas
- El 14 de noviembre en Sarriko
(Bilbao) impartiremos la sesión sobre “Organizaciones Inteligentes” dentro
del Executive
MBA de la Universidad del País Vasco UPV
|
|
|
