天美传媒 Insight
IA generativa: f谩cil de usar, dif铆cil de gestionar
La IA no transforma las empresas por s铆 sola. Hace falta reconfigurar la organizaci贸n en torno a la cognici贸n abundante, el criterio experto y el aprendizaje acumulativo.
Por Sampsa Samila
Cuando la mayor铆a de las personas prueba por primera vez la IA generativa, le sorprende lo f谩cil que resulta y la variedad de aplicaciones que ofrece. Esta facilidad y generalidad han impulsado una adopci贸n masiva a nivel individual: en Estados Unidos, por ejemplo, . Gracias a las capacidades generalistas de los modelos, . Pero lo que funciona para las personas no es lo mismo que lo que funciona para las empresas. A nivel organizacional, los
Esa brecha entre los beneficios individuales y el impacto organizacional no se cierra sola. Son los directivos quienes deben cerrarla y, para ello, han de aplicar los mismos principios de gesti贸n de siempre a una tecnolog铆a con caracter铆sticas nuevas. Como se帽alaron los economistas Carl Shapiro y Hal Varian hace una generaci贸n, 鈥渓a tecnolog铆a cambia, las leyes de la econom铆a no鈥�. La teor铆a de precios sigue prediciendo qu茅 ocurre cuando cae el coste de un factor de producci贸n, pero ese factor es ahora el trabajo cognitivo, muy distinto de una materia prima o un componente. El dise帽o organizacional contin煤a siendo clave, pero la frontera entre las tareas humanas y las de las m谩quinas plantea un nuevo desaf铆o. Y las empresas no pueden prescindir de un prop贸sito que, como principio rector en el despliegue de la IA, ayude a determinar qu茅 automatizar, qu茅 potenciar, qu茅 proteger y qu茅 rechazar.
Para lograr una transformaci贸n real, las compa帽铆as han de contar con procesos repetibles y escalables, as铆 como con l铆deres capaces de ejecutarlos. El nuevo desaf铆o del liderazgo en la era de la IA obliga a pensar en procesos y sistemas en m煤ltiples capas, algo que supone un cambio de enfoque para muchos. Demanda construir una organizaci贸n que se renueve continuamente y desarrolle conocimiento t谩cito en torno al criterio, los valores y la cultura, adem谩s de mantener la agilidad directiva que requiere una frontera tecnol贸gica en constante evoluci贸n.
Cartografiar un nuevo territorio
Para orientarse en un territorio nuevo, lo primero que se necesita es un mapa, es decir, entender qu茅 tiene de novedoso la propia tecnolog铆a. Lo atractivo de los modelos fundacionales como ChatGPT o Claude es que son generalistas excepcionales: escriben, resumen, traducen, programan, analizan y realizan casi cualquier tarea en lenguaje escrito.
Para las empresas, esa generalidad tiene un coste: los modelos desconocen el contexto espec铆fico de cada compa帽铆a, pueden generar errores aparentemente veraces (las llamadas alucinaciones) y su nivel de precisi贸n en 谩mbitos concretos queda muy por debajo de lo que requieren la mayor铆a de los procesos de negocio. A medida que estos modelos pasan de ofrecer resultados que el usuario revisa a actuar en su nombre, ese umbral cobra una relevancia distinta: un error convincente deja de ser un p谩rrafo equ铆voco para convertirse en una acci贸n err贸nea con consecuencias operativas.
En un proceso de varios pasos, esos errores se amplifican. Lo que las empresas precisan para su operativa no es un generalista, sino algo m谩s cercano a un especialista. Para lograrlo, hay que construir una arquitectura de capacidades sobre el modelo fundacional que permita transformar ese generalista en algo capaz de realizar de forma fiable su trabajo.
La arquitectura de capacidades puede organizarse en varias capas:
- El ajuste fino adapta el modelo fundacional a un 谩mbito concreto mediante entrenamiento adicional con datos relevantes, a costa de reducir su utilidad en otros 谩mbitos y cambiando generalidad por precisi贸n.
- La generaci贸n aumentada por recuperaci贸n (RAG) permite que el modelo acceda a documentos y datos propietarios en el momento de la consulta, lo que ancla los resultados en contextos reales de la empresa sin modificar el modelo subyacente.
- La formulaci贸n de prompts determina c贸mo se utiliza el modelo, con bibliotecas y plantillas que estandarizan las entradas que generan resultados fiables.
- La integraci贸n incorpora el modelo en flujos de trabajo espec铆ficos, donde las interfaces de usuario, el dise帽o de procesos y el alcance de las autorizaciones determinan d贸nde entra en juego el criterio humano, d贸nde no y qu茅 puede ejecutar el sistema por s铆 mismo.
- La gobernanza establece los l铆mites: qu茅 puede hacer la IA, qu茅 no debe hacer y c贸mo se revisan sus resultados.
No todas las empresas necesitan todas estas capas, pero cualquiera que use la IA a escala debe decidir qu茅 capas construir, cu谩les externalizar y c贸mo gestionar la complejidad que esto genera.
Gestionar la complejidad reubicada por la IA
Todo proceso tiene una complejidad m铆nima que se corresponde con la situaci贸n del mundo real que gestiona. Esa complejidad no puede eliminarse, solo desplazarse. Para el usuario, una herramienta de IA bien dise帽ada parece simple: se formula una pregunta y se obtiene una respuesta. Pero la complejidad que el usuario deja de ver no desaparece, sino que se traslada a la arquitectura de capacidades y, m谩s importante a煤n, a la organizaci贸n que la opera.
El dilema entre generalidad, precisi贸n y simplicidad
En 1976, el psic贸logo social canadiense Warren Thorngate propuso el 鈥減ostulado de la complejidad proporcional鈥�: ninguna teor铆a puede ser general, precisa y sencilla a la vez. Una teor铆a general errar谩 en los detalles, una precisa ser谩 limitada y una sencilla obviar谩 los matices. Todo modelo, teor铆a o incluso cualquier proceso de negocio debe prescindir de una de las tres caracter铆sticas en favor de las otras dos.
Cincuenta a帽os despu茅s, este , aun cuando los grandes modelos de lenguaje (LLM) parezcan cuestionarlo, pues son generales, razonablemente precisos y asombrosamente f谩ciles de usar. Con todo, la aparente resoluci贸n de este dilema es un espejismo.
La sencillez de cara al usuario se ha conseguido trasladando una enorme complejidad al sistema subyacente, incluyendo los par谩metros, el entrenamiento y las capas de gobernanza que hacen que la interfaz parezca natural.
En cuanto a la precisi贸n, el dilema no se ha resuelto, sino desplazado. Como los LLM son m谩quinas de predicci贸n que producen inferencias plausibles en lugar de verificadas, operan en contra de un 鈥渦mbral de precisi贸n鈥� cada vez m谩s visible a medida que aumenta la generalidad. Ampliar el alcance tiende a incrementar las tasas de error, mientras que estrecharlo mediante el ajuste fino o la recuperaci贸n tiende a limitar su utilidad.
En resumen, la simplicidad que los usuarios ven es la complejidad que la organizaci贸n debe gestionar.
Parte de esa arquitectura se externaliza a proveedores: el modelo fundacional, la infraestructura en la nube o las herramientas comerciales. El resto debe construirse y mantenerse internamente: pipelines de datos, sistemas de recuperaci贸n, bibliotecas de prompts, evaluaci贸n y gobernanza. Cada elemento requiere personas que entiendan lo que hacen, procesos para mantenerlos actualizados y rendici贸n de cuentas cuando fallan. . La responsabilidad es el aspecto m谩s espinoso. Cuando los sistemas ejecutan acciones con consecuencias, la cuesti贸n de qui茅n responde no se reparte de forma autom谩tica como el trabajo t茅cnico y, a falta de una asignaci贸n deliberada, tiende a recaer all铆 donde se produjo el da帽o.
Parte de esa complejidad se sit煤a en infraestructuras que dan soporte a toda la organizaci贸n, como los modelos fundacionales, los sistemas de datos o la monitorizaci贸n y la gobernanza, pero una parte importante se integra en los propios procesos donde la IA se despliega. Aqu铆 las empresas suelen descubrir que la IA no encaja f谩cilmente en una fase existente. Los procesos no son un andamiaje neutral: se dise帽aron en torno a lo que los humanos pueden hacer, el contexto que cada persona puede asumir, el coste de transferir trabajo entre varias o el tiempo necesario para formarlas en una habilidad concreta. La IA tiene propiedades distintas: puede manejar m谩s contexto, pero carece de conocimiento t谩cito y no conserva memoria entre sesiones; puede ejecutarse en paralelo a un coste casi nulo, y no se fatiga. La divisi贸n del trabajo optimizada para humanos no es la adecuada para humanos e IA combinados. Los l铆mites est谩n mal trazados.
Redise帽ar los procesos de negocio
Un antiguo alumno del 天美传媒 ha se帽alado un aumento exponencial de la productividad en programaci贸n que termin贸 diluy茅ndose porque la gesti贸n de producto y el control de calidad se convirtieron en los nuevos cuellos de botella. Seg煤n los asistentes de programaci贸n basados en IA pueden saturar los procesos posteriores de entrega si no se redise帽an las pruebas, las revisiones y la integraci贸n para adaptarse a esta nueva realidad. Cuando una fase cambia en coste o en naturaleza, todo el proceso debe reequilibrarse. Eso suele requerir un redise帽o integral, no una simple optimizaci贸n. Implica preguntarse, en cada fase, si debe existir, qui茅n o qu茅 debe realizarla y c贸mo se conectan entre s铆 las distintas partes.
Redise帽ar en torno a la IA se reduce a cuatro decisiones: qu茅 hace la IA, qu茅 hace el humano, qu茅 puede hacer la IA sin pedir permiso y c贸mo fluye la retroalimentaci贸n entre ambos. Omitir cualquiera de ellas suele dar lugar a lo que muestran muchos despliegues de la IA: herramientas individuales que funcionan bien, pero resultados a nivel organizacional que no llegan a materializarse.
El redise帽o de los procesos en torno a la IA es necesario para lograr mejoras organizacionales. Pero no es, por s铆 mismo, una fuente de ventaja competitiva, porque todos los competidores pueden redise帽ar tambi茅n y los modelos fundacionales sobre los que todos trabajan son los mismos. Si la tecnolog铆a es com煤n, la diferenciaci贸n debe venir de lo que cada empresa construye sobre ella: la arquitectura, los procesos que la rodean, los datos con los que aprende y la organizaci贸n que opera todo el sistema.
La econom铆a del efecto acumulativo
Esto cambia la econom铆a del sistema de una forma espec铆fica. La arquitectura en s铆 es, en gran medida, infraestructura y costes fijos. Los modelos fundacionales se licencian o se construyen, los sistemas de datos y la gobernanza son costosos de implementar, y la capacidad organizacional para gestionarlo todo tampoco es barata. A partir de ah铆, el coste marginal de utilizar la arquitectura para una tarea m谩s, un cliente m谩s o un proceso m谩s es muy bajo. La escala importa. La que se despliega en muchos procesos y con muchos clientes se amortiza m煤ltiples veces, mientras que la limitada a una aplicaci贸n espec铆fica puede no llegar a amortizarse en absoluto. La decisi贸n sobre qu茅 internalizar y qu茅 externalizar en cada capa se vuelve central: qu茅 capas generan suficiente valor diferencial como para justificar su desarrollo interno y cu谩les deber铆an adquirirse a proveedores que pueden repartir sus costes fijos entre todo el sector.
Sin embargo, los costes fijos solo son la mitad de la historia. La tecnolog铆a tambi茅n aprende con el uso. Cuantas m谩s interacciones, m谩s datos se generan para el ajuste fino, m谩s ejemplos para los sistemas de recuperaci贸n, m谩s informaci贸n sobre d贸nde fallan los prompts y los flujos de trabajo, y m谩s oportunidades para evaluar y mejorar. Una arquitectura muy utilizada mejora m谩s r谩pido que otra con poco uso. Ese efecto acumulativo es clave, porque la arquitectura de la competencia tambi茅n aprende, y quien aprende m谩s r谩pido ampl铆a la brecha.
Parte de lo que se acumula es de naturaleza operativa: la experiencia acumulada sobre cu谩ndo se puede confiar en el sistema, cu谩ndo no y el patr贸n de fallos en el contexto espec铆fico de la empresa. Este conocimiento es propio de cada organizaci贸n, solo se desarrolla con el uso y no puede adquirirse esperando. No hay un punto de equilibrio estable al que acomodarse.
De ah铆 se desprende el imperativo de crecimiento. Solo el uso de la IA a escala permite amortizar los costes fijos y alimentar los bucles de retroalimentaci贸n. Las empresas que consiguen desplegarla en m煤ltiples procesos y utilizarla de forma intensiva producen tanto las econom铆as como el aprendizaje que necesitan los l铆deres pioneros. Las que avanzan con cautela pueden descubrir que, cuando est茅n listas para escalar, la distancia con la competencia ya habr谩 crecido.
La organizaci贸n humana
En la base de todo esto hay una distinci贸n a煤n m谩s fundamental. La IA operacionaliza el conocimiento codificado: lo que una empresa puede poner por escrito, formalizar y representar en un sistema. El conocimiento t谩cito es de otra naturaleza. Reside en las personas y en las relaciones que establecen entre ellas: el criterio que se forja con la experiencia, la capacidad de intuir qu茅 es lo importante en un contexto espec铆fico, los est谩ndares compartidos que un equipo desarrolla con el tiempo y la memoria organizacional de lo que se ha probado y lo que ha fracasado. Los competidores pueden adquirir el mismo modelo fundacional y construir una arquitectura similar, pero no la organizaci贸n que ha aprendido a trabajar con ella. La IA gestiona el trabajo codificado, mientras que los humanos poseen el conocimiento t谩cito que lo dirige, eval煤a, corrige y le da sentido.
A medida que los sistemas ganan autonom铆a, gran parte de esa direcci贸n debe ejercerse de forma preventiva, incorporada en el propio dise帽o del trabajo, ya que disminuyen las oportunidades de intervenir en el momento. El conocimiento t谩cito sigue siendo humano; lo que cambia es que su punto de aplicaci贸n se adelanta.
No obstante, el conocimiento t谩cito no se mantiene por s铆 solo, y el uso de la IA puede socavar las condiciones que lo nutren. Este conocimiento siempre ha requerido condiciones espec铆ficas para desarrollarse y transmitirse: aprendizaje, mentor铆a, lidiar con problemas complejos y exponerse al criterio de otras personas en tiempo real. muestra que los empleados trabajan ahora de forma m谩s aut贸noma y reciben menos mentor铆a. Los indican que los empleados que utilizan la IA pueden delegarle la resoluci贸n de problemas y eludir el esfuerzo necesario para afrontarlos. Estos mismos aspectos 鈥搃ndependencia, autosuficiencia y uso r谩pido de herramientas para resolver problemas鈥� pueden aumentar la productividad a corto plazo, pero obstaculizan el desarrollo del conocimiento t谩cito a largo plazo.
Las se desplazan as铆 hacia la creatividad, colaboraci贸n y gesti贸n de los grupos de inter茅s, o sea, las capacidades humanas que generan y transmiten criterio. Antes, el conocimiento t谩cito surg铆a como un subproducto del trabajo: los empleados j煤nior bregaban con los problemas y buscaban consejo, ya que era la 煤nica manera de sacarlos adelante. Ahora, estas condiciones deben dise帽arse e implementarse de forma deliberada: mentor铆a estructurada, exposici贸n a problemas complejos sin asistencia de la IA, entornos donde el esfuerzo productivo se permita y se valore, criterios de evaluaci贸n que distingan entre la competencia mediada por la IA y la competencia ganada.
El desaf铆o del liderazgo
Este es el nuevo territorio: la arquitectura de capacidades, la complejidad desplazada, los procesos redise帽ados, la econom铆a del efecto acumulativo y la organizaci贸n humana que posee el conocimiento t谩cito. Aunque se trata de un territorio verdaderamente nuevo, los principios para orientarse en 茅l son los que la mayor铆a de los l铆deres ya conocen. El pensamiento sist茅mico, las econom铆as de escala, el dise帽o organizacional y el prop贸sito no son ideas nuevas. Son marcos de gesti贸n duraderos, aplicados a un contexto donde el factor de producci贸n es la cognici贸n, los activos se potencian con el uso y la frontera entre lo que hacen las m谩quinas y lo que hacen los humanos debe trazarse en lugar de heredarse.
El reto del liderazgo es decidir d贸nde aplicar la cognici贸n de bajo coste, d贸nde es aceptable la actuaci贸n de las m谩quinas, d贸nde debe concentrarse el escaso criterio experto y c贸mo lograr que la organizaci贸n aprenda m谩s r谩pido que sus competidores. Esto exige pensar en sistemas y efectos acumulativos, en lugar de herramientas y pruebas piloto; invertir en la organizaci贸n humana, cuyo valor aumenta a medida que se abarata la capacidad de las m谩quinas, y anclar todo el sistema en el prop贸sito, porque los bucles de retroalimentaci贸n se potencian hacia donde se orienten. Finalmente, requiere un esta labor como una responsabilidad fiduciaria, sin delegarla en la direcci贸n como un mero proyecto tecnol贸gico.
Cada decisi贸n sobre la IA es una apuesta por una trayectoria. La capacidad de esta tecnolog铆a aumenta mientras su coste disminuye, siguiendo una tendencia que apenas da se帽ales de tocar techo. Esto implica que, dentro de un a帽o, la IA puede ser el doble de capaz por la mitad de precio. Las empresas que logren transformar los beneficios individuales en impacto a nivel organizacional ser谩n aquellas que ya hayan construido una organizaci贸n preparada para esta frontera en constante movimiento.
+INFO:
鈥溾��, de Sharique Hasan, Alexander Oettl y Sampsa Samila.
鈥溾��, de Liudmila Alekseeva, Jos茅 Azar, Mireia Gin茅 y Sampsa Samila, publicado en Strategic Management Journal (2026).
鈥溾��, de Henk de Jong, Robert Maciejko, Sampsa Samila y Christoph Wollersheim.
Una versi贸n de este art铆culo se publica en la publicaci贸n anual聽Insight for Global Leaders, n潞. 2聽(2026)
