Hay una conversación que suele ocurrir todos los años en las compañías.

Cada área presenta sus necesidades. Finanzas cuestiona los supuestos. Se revisan ingresos, costos, inversiones, headcount y rentabilidad.

Después vienen varias rondas de ajustes hasta lograr que las cifras cuadren.

Todo eso es necesario.

Pero hay una pregunta que muchas veces queda por fuera de la discusión:

¿El presupuesto que acabamos de aprobar financia la estrategia que decimos querer construir?

No es una diferencia menor.

Una empresa puede tener una estrategia que habla de nuevos segmentos, experiencias distintas, automatización, datos, nuevos modelos comerciales o expansión y, al mismo tiempo, asignar la enorme mayoría de sus recursos de la misma manera que lo hacía antes.

En ese momento aparece una contradicción difícil de esconder: la estrategia mira hacia adelante, pero el capital sigue mirando hacia atrás.

El presupuesto también es una decisión estratégica

Tendemos a tratar el presupuesto como un ejercicio financiero.

En realidad, también es uno de los mecanismos más concretos de ejecución de la estrategia.

Una presentación puede decir que cierta capacidad es prioritaria. Pero si después no recibe talento, capital, atención gerencial o tiempo, probablemente no era una prioridad. Era una intención.

Por eso hay una lectura del presupuesto que me parece particularmente útil: dejar de observar únicamente cuánto recibe cada área y empezar a identificar qué modelo de negocio estamos financiando con cada peso.

Ahí cambia la conversación.

Una parte de los recursos necesariamente tiene que mantener funcionando el negocio actual. Otra debería mejorar su productividad y competitividad. Y una tercera tiene que permitir experimentar, construir o escalar aquello que puede producir los ingresos futuros.

El porcentaje correcto no es universal.

Depende de la industria, del momento de la compañía, de la disponibilidad de caja, del riesgo y de cuánto esté cambiando el mercado.

Lo importante es hacer explícita esa elección.

El peligro de optimizar demasiado bien el presente

Hay empresas que pueden volverse extraordinariamente eficientes haciendo algo cuya relevancia empieza a disminuir.

Y esa es una trampa difícil de detectar porque los indicadores financieros pueden seguir luciendo bien durante algún tiempo.

Se reducen costos. Mejora la productividad. Se cumplen presupuestos. Los proyectos entregan ahorros.

El problema aparece cuando toda esa eficiencia fortalece un modelo que el cliente empieza a valorar menos.

Por eso transformar una compañía no significa abandonar el negocio que hoy produce caja. Sería irresponsable.

Significa evitar que el éxito presente consuma todos los recursos necesarios para construir la siguiente fuente de crecimiento.

Subscribe

Es una tensión de dirección, no una receta financiera.

Tampoco se trata de financiar cualquier innovación

El extremo contrario es igual de peligroso.

Decir que hay que invertir en el futuro no significa abrir una chequera para proyectos con nombres atractivos.

Una apuesta nueva debería poder responder, al menos, cuatro preguntas:

¿Qué cambio del mercado estamos intentando capturar?

¿Qué hipótesis de negocio estamos probando?

¿Qué evidencia esperamos encontrar y en qué plazo?

¿Qué tendría que ocurrir para invertir más, corregir o detenernos?

Esa disciplina importa porque la transformación también destruye valor cuando confunde experimentación con gasto permanente.

El futuro necesita capital, pero también gobierno.

Tecnología es una consecuencia, no el punto de partida

Esto se vuelve especialmente relevante cuando la conversación entra en tecnología.

Comprar una nueva plataforma, implementar inteligencia artificial o automatizar procesos puede generar enorme valor.

Pero ninguna de esas decisiones responde por sí sola a la pregunta estratégica.

Primero debería existir claridad sobre qué tiene que cambiar en la forma como el negocio compite.

Después podemos preguntarnos qué tecnología, datos, capacidades y procesos hacen posible ese cambio.

Es justamente la diferencia entre digitalizar y transformar.

Digitalizar puede mejorar lo que ya hacemos.

Transformar obliga a decidir si debemos seguir haciéndolo de la misma manera.

La pregunta que llevaría a una junta

Por eso, frente a un presupuesto estratégico, además de revisar crecimiento, EBITDA, flujo de caja, CAPEX y retorno, agregaría una conversación sencilla:

¿Cuánto de nuestros recursos está destinado a operar el negocio actual, cuánto a hacerlo más eficiente y cuánto a construir nuevas fuentes de valor?

No para establecer una fórmula rígida.

Para hacer visible la decisión.

Porque una estrategia sin reasignación de recursos difícilmente cambia una organización.

Puede cambiar el discurso. Puede cambiar la tecnología. Incluso puede cambiar el organigrama.

Pero si el capital sigue exactamente donde estaba, probablemente el modelo también.

Y ahí está, para mí, una de las señales más concretas de transformación empresarial:

cuando la manera de asignar recursos empieza a reflejar la manera en que la compañía quiere competir en el futuro.

La pregunta no es simplemente cuánto vas a gastar el próximo año.

Es qué negocio estás decidiendo financiar con ese dinero.

Share

La inteligencia artificial está empezando a invertir ese problema.

Hoy una persona puede construir en horas algo que hace pocos años habría necesitado un equipo. Puede automatizar un proceso, desarrollar un agente, analizar información o probar una solución sin esperar necesariamente a que Tecnología tenga capacidad disponible. Y aunque todavía estamos comenzando a entender el alcance de ese cambio, creo que trae una consecuencia organizacional de la que hablamos poco: cuando innovar se vuelve demasiado fácil, el recurso escaso deja de ser la capacidad y empieza a ser el criterio.

Suscríbete ahora

Microsoft ofrece un caso interesante porque está viviendo esa tensión dentro de su propia organización. Con más de 200.000 empleados y una adopción acelerada de inteligencia artificial, la compañía creó una estructura de consejos internos para orientar el despliegue de IA, reducir duplicaciones, fortalecer responsabilidades y concentrar inversión en los casos que realmente generen valor para el negocio.

La decisión parece administrativa, pero creo que revela algo bastante más profundo.

Durante la primera etapa de transformación digital, muchas empresas tuvieron que empujar la innovación desde el centro. Creamos laboratorios, células digitales, oficinas de transformación y equipos especializados porque la capacidad para experimentar estaba concentrada en pocas personas. Ahora estamos entrando en una etapa diferente. Si las herramientas permiten que miles de empleados experimenten simultáneamente, la innovación empieza a desplazarse hacia los bordes de la organización.

Eso puede ser extraordinariamente poderoso. También puede convertirse rápidamente en una nueva fuente de complejidad.

Dos áreas pueden construir soluciones para el mismo problema. Un piloto puede funcionar técnicamente sin resolver ninguna prioridad estratégica. Podemos terminar pagando diferentes herramientas para capacidades similares. Y una organización puede celebrar cientos de casos de uso mientras sigue teniendo enormes dificultades para demostrar cuánto valor económico produjo todo ese movimiento.

Microsoft parece haber identificado ese riesgo. Su expectativa interna es bastante concreta: las iniciativas de IA deben producir valor cada trimestre y los indicadores se revisan mensualmente a nivel de liderazgo. Sus consejos buscan precisamente conectar estrategia, datos, adopción, gobierno y medición para pasar de la experimentación a resultados repetibles.

Eso cambia bastante la conversación.

El problema deja de ser “cómo conseguimos que nuestra gente utilice IA” y empieza a ser “cómo conseguimos que miles de personas con nuevas capacidades tomen buenas decisiones sobre dónde utilizarlas”.

Y esa segunda pregunta ya no pertenece solamente a Tecnología.

Pertenece al liderazgo.

Porque democratizar una herramienta sin distribuir contexto estratégico puede producir mucha actividad y poca transformación. Una persona necesita saber qué puede construir, pero también entender cuáles son las prioridades del negocio, qué resultado esperamos modificar, qué riesgos no estamos dispuestos a asumir y cuándo una solución local debería convertirse en una capacidad empresarial.

Por eso creo que una de las habilidades más importantes de las organizaciones en los próximos años será aprender a gobernar la abundancia.

No gobernarla creando veinte comités y devolviendo toda decisión al centro. Eso simplemente reemplazaría un cuello de botella por otro. El reto es mucho más interesante: conseguir que la capacidad esté distribuida mientras el criterio permanezca alineado.

Eso exige estrategia clara, métricas compartidas, límites conocidos y líderes capaces de dar contexto sin controlar cada experimento.

La propia investigación reciente de Microsoft apunta en esa dirección. Su AI Strategy Roadmap, basado en entrevistas con 70 líderes de negocio y tecnología, identifica estrategia, datos, experiencia, cultura y gobierno como capacidades que deben avanzar juntas para conseguir escalar la IA. No basta con acumular pilotos

Y ahí encuentro una paradoja que probablemente veremos cada vez más.

La tecnología que promete simplificar nuestras empresas también puede llenarlas de nuevas herramientas, agentes, proyectos y automatizaciones si no somos capaces de escoger.

Podemos terminar utilizando IA para hacer más rápido cosas que no necesitábamos hacer.

Automatizando procesos que deberíamos eliminar.

Construyendo soluciones que ya existen en otra área.

Y llamando transformación a una enorme cantidad de actividad difícil de conectar con crecimiento, rentabilidad o cliente.

Por eso cada vez me interesa menos preguntar cuántos casos de uso de inteligencia artificial tiene una empresa.

Prefiero preguntar cuántos llegaron realmente al resultado.

Porque quizá la ventaja competitiva de la próxima etapa no esté en las organizaciones capaces de utilizar más IA.

Estará en aquellas capaces de desarrollar algo bastante más difícil de copiar:

el criterio para saber dónde no utilizarla.

Compartir

Suscríbete ahora

Uno demuestra que la IA aumenta la productividad. Otro advierte que va a destruir empleos. Un tercero asegura que, en lugar de reemplazar personas, las hará más productivas. Y casi siempre hay una investigación, una universidad prestigiosa o un laboratorio reconocido detrás de cada argumento.

El problema es que una investigación puede ser metodológicamente correcta y, al mismo tiempo, llevarnos a conclusiones equivocadas cuando intentamos aplicarla a una realidad mucho más amplia.

Y ese es uno de los mayores desafíos que tenemos hoy para entender realmente el impacto de la inteligencia artificial.

No se trata de desconfiar de la investigación. Se trata de aprender a entender qué está midiendo realmente cada estudio y, sobre todo, qué está dejando por fuera.

No toda la evidencia sobre IA tiene el mismo problema

Podemos encontrar, de manera simplificada, tres tipos de investigaciones.

La primera utiliza teorías sólidas desarrolladas en otro momento tecnológico para explicar lo que está ocurriendo hoy. El problema no necesariamente está en esas teorías, sino en extender sus conclusiones a una tecnología cuyas capacidades son muy diferentes a aquellas existentes cuando fueron formuladas.

La segunda es probablemente más compleja: investigaciones rigurosas que encuentran resultados válidos, pero dentro de un espacio muy específico. El error aparece cuando convertimos ese resultado local en una explicación general sobre el impacto de la IA.

Y finalmente están las investigaciones donde existen intereses evidentes detrás de determinadas conclusiones. Como sucede en cualquier industria, siempre debemos entender quién financia un estudio, qué intereses existen y qué hipótesis intenta demostrar.

Pero es el segundo grupo el que debería preocupar especialmente a quienes tomamos decisiones empresariales.

Porque una investigación puede estar perfectamente diseñada y aun así mostrarnos solamente una parte de la película.

El problema de medir una tecnología que no deja de cambiar

Pensemos en un estudio que intenta medir cuánto aumenta la productividad de un trabajador utilizando inteligencia artificial.

Se seleccionan dos grupos, se introduce una herramienta de IA en uno de ellos y posteriormente se comparan los resultados.

Metodológicamente parece razonable.

El problema es que existe una diferencia fundamental entre la inteligencia artificial y muchas tecnologías anteriores: la capacidad tecnológica que estamos intentando medir no permanece estable.

Un software tradicional podía mantenerse relativamente igual durante años. Esto permitía estudiar sus efectos con cierta estabilidad.

Con la IA ocurre algo diferente.

Los modelos mejoran constantemente. Aparecen nuevas capacidades, disminuyen costos, aumenta la velocidad, se incorporan agentes y cambian las posibilidades de automatización.

Por eso un estudio realizado en un momento determinado puede medir correctamente lo que una tecnología podía hacer entonces y, sin embargo, perder rápidamente capacidad para explicar lo que esa misma tecnología puede hacer meses después.

Estamos intentando fotografiar algo que se está moviendo.

Productividad no significa necesariamente captura de valor

Existe otro supuesto que merece especial atención.

Normalmente asumimos que, si una tecnología aumenta la productividad de una empresa o de una persona, una parte importante de ese beneficio será capturada por quien adopta la tecnología.

Con la IA esto no necesariamente ocurre.

Una empresa puede volverse más productiva y, sin embargo, una parte considerable del valor económico generado terminar en otro lugar del ecosistema.

Puede capturarlo quien controla el modelo.

Quien controla la infraestructura.

Quien controla la interfaz con el cliente.

Quien posee la distribución.

O quien logra convertirse en el nuevo punto de coordinación del mercado.

Esto introduce una distinción estratégica fundamental:

crear valor y capturar valor son dos problemas diferentes.

Una empresa puede utilizar IA exitosamente, mejorar procesos y reducir tiempos sin que eso signifique necesariamente que haya fortalecido su posición competitiva.

Incluso podría ocurrir lo contrario.

Podría estar aumentando su productividad mientras simultáneamente transfiere poder económico hacia otro actor de su cadena de valor.

Adoptar IA tampoco es instalar una tecnología

Otro problema aparece cuando tratamos la adopción de inteligencia artificial como tradicionalmente tratábamos la implementación de software.

Implementábamos una herramienta.

Capacitábamos a las personas.

Medíamos un antes y un después.

Pero con IA probablemente no exista un verdadero “después”.

Las capacidades continúan evolucionando. Los procesos deben rediseñarse. Las personas aprenden nuevas formas de trabajar. Aparecen nuevas posibilidades de automatización y también nuevas necesidades de supervisión, validación y control.

La adopción deja entonces de ser un proyecto tecnológico para convertirse en una capacidad organizacional continua.

Esto cambia completamente la conversación para los líderes.

La pregunta deja de ser:

¿Cuándo terminamos de implementar IA?

Y pasa a ser:

¿Qué tan rápido puede nuestra organización absorber las nuevas capacidades que la IA va creando?

Esa diferencia parece pequeña, pero estratégicamente es enorme.

También estamos midiendo mal el trabajo

Quizás el problema más profundo sea asumir que los cargos, las funciones y los procesos actuales seguirán existiendo tal como los conocemos.

Muchos estudios analizan cuánto puede automatizarse de determinado trabajo.

Pero la IA no necesariamente reemplaza un cargo completo.

Puede descomponerlo.

Una función que antes estaba concentrada en una persona puede dividirse en múltiples actividades. Algunas serán automatizadas. Otras serán aumentadas por IA. Algunas pasarán a otro equipo. Otras incluso podrían trasladarse al cliente.

Y después esas actividades pueden volver a combinarse de maneras completamente diferentes.

Esto significa que el impacto de la IA sobre el empleo probablemente no pueda entenderse únicamente preguntando:

¿Qué trabajos va a reemplazar la IA?

La pregunta más interesante podría ser:

¿Cómo va a reorganizarse el trabajo cuando podamos separar actividades que históricamente estaban obligadas a permanecer juntas?

Ahí comienza una discusión mucho más estratégica.

Cinco preguntas para entender realmente el impacto de la IA

Una manera más completa de analizar lo que está ocurriendo consiste en observar una cadena de cinco elementos:

Capacidad → Sustitución → Interfaz → Reconfiguración → Captura de valor.

1. Capacidad

Primero debemos preguntarnos qué puede hacer ahora una máquina que antes no podía hacer.

Generar contenido.

Interpretar información.

Razonar sobre determinados problemas.

Coordinar actividades.

Ejecutar acciones.

La frontera tecnológica se está moviendo constantemente.

2. Sustitución

Después debemos entender qué actividades humanas pueden automatizarse o complementarse gracias a esas nuevas capacidades.

Esta es la parte donde normalmente se concentra la conversación sobre productividad.

Pero es apenas el comienzo.

3. Interfaz

Cuando una máquina puede realizar una parte diferente del trabajo, cambian también los puntos donde interactúan personas, procesos, clientes y organizaciones.

Aparecen nuevas interfaces.

Y quien controla esas interfaces puede comenzar a ocupar una posición mucho más importante dentro del ecosistema.

4. Reconfiguración del trabajo

Las actividades que antes estaban agrupadas dentro de un cargo, un equipo o incluso una empresa pueden separarse y combinarse nuevamente.

Trabajo que antes realizaba un empleado puede pasar al cliente.

Trabajo que realizaba una firma profesional puede convertirse en software.

Trabajo que hacía un equipo puede pasar a un agente.

Y trabajo que antes requería ejecución humana puede transformarse principalmente en supervisión humana.

Aquí la IA deja de ser solamente una herramienta de productividad y comienza a modificar el diseño de las organizaciones.

5. Captura de valor

Finalmente aparece la pregunta que probablemente más debería interesar a un CEO:

¿Quién captura el valor económico después de toda esta transformación?

No necesariamente será quien utilizó la IA inicialmente.

Puede ser quien controle el modelo, la plataforma, la interfaz, el workflow, la distribución, la confianza del cliente o el nuevo punto de coordinación del mercado.

Y ahí es donde la discusión sobre inteligencia artificial deja de ser tecnológica y se convierte en estrategia.

El error es detenernos demasiado pronto

Muchos análisis sobre IA terminan en la segunda pregunta.

¿Qué puede hacer la IA?

¿Qué puede automatizar?

¿Cuánto aumenta la productividad?

Son preguntas importantes.

Pero son insuficientes.

Porque podemos demostrar que una persona realiza una tarea 30% más rápido y aun así no entender qué ocurrirá con esa actividad dentro de tres años.

Tal vez esa tarea desaparezca del cargo.

Tal vez pase al cliente.

Tal vez se integre dentro de otra función.

Tal vez sea realizada completamente por un agente.

O tal vez el valor generado termine siendo capturado por una empresa que hoy ni siquiera participa de esa industria.

Por eso estudiar solamente productividad puede llevarnos a entender correctamente una parte del fenómeno mientras ignoramos la transformación del sistema completo.

La conversación que deberían tener las empresas

Durante los últimos años muchas organizaciones han concentrado su discusión sobre inteligencia artificial en casos de uso.

¿Dónde podemos implementar IA?

¿Qué procesos podemos automatizar?

¿Cuánto podemos ahorrar?

Son preguntas necesarias, pero probablemente demasiado operativas para el tamaño de la transformación que estamos enfrentando.

Los comités ejecutivos deberían comenzar a incorporar otras preguntas:

¿Qué nuevas capacidades tecnológicas pueden cambiar estructuralmente nuestro negocio?

¿Qué actividades de nuestra cadena de valor pueden separarse?

¿Cuáles pueden migrar hacia clientes, proveedores, plataformas o agentes?

¿Qué interfaces nuevas aparecerán?

¿Qué parte de nuestra ventaja competitiva puede desaparecer?

¿Y qué necesitamos controlar para seguir capturando valor?

Porque el verdadero impacto de la inteligencia artificial probablemente no esté solamente en hacer más eficiente el trabajo que hacemos hoy.

Puede estar en cambiar quién hace ese trabajo, dónde se realiza, cómo se organiza y quién termina quedándose con el valor que produce.

Esa es una conversación mucho más incómoda que preguntar cuántas horas podemos ahorrar utilizando IA.

Pero también es la conversación que realmente importa.

La próxima vez que veamos un estudio diciendo que la inteligencia artificial aumenta la productividad, elimina empleos o transforma determinada profesión, quizás deberíamos resistir la tentación de compartir inmediatamente el titular.

Primero habría que hacer cinco preguntas:

¿Qué nueva capacidad apareció?

¿Qué sustituye o complementa?

¿Qué interfaz modifica?

¿Cómo reorganiza el trabajo?

¿Y quién captura finalmente el valor?

Hasta que podamos responder las cinco, probablemente todavía estemos viendo solamente una parte de la película.

Hace tiempo dejé de creer en esa idea.

No porque desconfíe de la tecnología. Todo lo contrario. He pasado buena parte de mi carrera impulsando procesos de transformación y estoy convencido de que las organizaciones que no evolucionen tecnológicamente tendrán enormes dificultades para competir. Lo que me genera dudas es otra cosa: la facilidad con la que confundimos madurez digital con ausencia de riesgo.

Cada vez que una empresa presenta un gran proyecto de transformación, la conversación suele concentrarse en la fecha de salida, el presupuesto ejecutado o la cantidad de procesos que ahora funcionan sobre una nueva plataforma. Son indicadores importantes, pero dicen muy poco sobre la pregunta que realmente determina el éxito de una transformación: ¿qué ocurrirá el día en que esa plataforma falle?

Esa pregunta puede parecer pesimista. Yo creo que es profundamente estratégica. No porque esperemos que los sistemas fallen todos los días, sino porque sabemos que, tarde o temprano, algún componente fallará. Siempre ocurre. La diferencia entre una organización madura y una inmadura no está en evitar todos los incidentes. Está en la capacidad para absorberlos sin que el negocio pierda el control de la situación.

El caso de TSB Bank ilustra muy bien esa diferencia.

En abril de 2018, el banco culminó uno de los proyectos tecnológicos más ambiciosos de la banca británica. Después de más de cuatro años de preparación, decidió migrar millones de cuentas desde la infraestructura heredada de Lloyds Banking Group hacia una nueva plataforma tecnológica desarrollada por SABIS, la filial tecnológica de Banco Sabadell. El proyecto había sido objeto de múltiples ensayos, revisiones y validaciones. La decisión de salir a producción no fue improvisada; por el contrario, estaba respaldada por pruebas, simulaciones y recomendaciones técnicas que indicaban que la migración estaba lista.

Sin embargo, la realidad rara vez respeta los planes.

La migración de los datos se completó correctamente, pero varios componentes de la infraestructura comenzaron a comportarse de una manera distinta a la prevista. Los canales digitales dejaron de responder con estabilidad, millones de clientes no pudieron acceder a sus cuentas y la presión sobre las oficinas físicas y los centros de atención telefónica creció hasta superar ampliamente la capacidad de respuesta del banco. El problema tecnológico terminó convirtiéndose, en cuestión de horas, en una crisis operativa y reputacional.

Lo más interesante de esta historia no es que un sistema fallara. Eso puede ocurrir en cualquier organización. Lo verdaderamente revelador fue descubrir que la resiliencia del negocio dependía demasiado de que la tecnología funcionara exactamente como había sido diseñada. Cuando el sistema dejó de responder, buena parte de los mecanismos alternativos tampoco logró absorber el volumen de clientes, consultas y operaciones. El incidente dejó de ser un problema informático y pasó a convertirse en un problema de negocio.

Esa diferencia me parece mucho más importante que cualquier discusión técnica sobre servidores, configuraciones o capacidad de procesamiento.

Durante años hemos repetido que la transformación digital consiste en reducir la dependencia de las personas mediante procesos automatizados. Es cierto, pero solo hasta cierto punto. Porque mientras más automatizamos una organización, mayor se vuelve la responsabilidad de diseñar mecanismos que permitan seguir operando cuando esa automatización deja de funcionar. Paradójicamente, la madurez digital no elimina la necesidad de las personas; exige que las personas diseñen mejores formas de responder cuando la tecnología no alcanza.

La revisión independiente encargada posteriormente por el consejo de administración de TSB llegó a una conclusión interesante. Además de identificar problemas técnicos, señaló oportunidades de mejora en la supervisión de proveedores, en la preparación del proyecto y en la forma como se realizaron determinadas pruebas. Como consecuencia, el banco modificó su estructura de gobierno tecnológico, fortaleció la supervisión sobre los proveedores y decidió asumir directamente el control de sus operaciones de TI.

Es llamativo que, después de una de las mayores crisis tecnológicas de la banca británica, las principales decisiones no consistieran en comprar más tecnología. Consistieron en fortalecer el liderazgo, el gobierno y la capacidad organizacional para gestionar el riesgo.

Creo que ahí aparece una enseñanza que trasciende ampliamente al sector financiero.

En manufactura hablamos de fábricas inteligentes. En salud hablamos de hospitales digitales. En educación hablamos de universidades impulsadas por inteligencia artificial. En todos los casos existe una tendencia natural a medir el avance por el nivel de automatización alcanzado. Mucho menos frecuente es preguntar cuánto depende ahora la organización de que esa automatización funcione perfectamente.

La historia de TSB demuestra que esa dependencia puede convertirse en el mayor riesgo de una transformación. No porque la tecnología sea mala, sino porque ninguna tecnología está diseñada para ser infalible. La verdadera pregunta nunca debería ser si el sistema puede fallar. La respuesta es evidente. La pregunta estratégica es si la organización fue diseñada para seguir inspirando confianza cuando inevitablemente ocurra.

Cada vez me convenzo más de que las empresas están dedicando demasiado tiempo a discutir cómo acelerar sus procesos digitales y muy poco a discutir cómo fortalecer su capacidad para recuperarse cuando esos procesos no funcionen como esperaban. La resiliencia sigue pareciendo una conversación secundaria, cuando probablemente sea el atributo más importante de cualquier organización digital.

Quizá ese sea uno de los grandes cambios que todavía nos falta hacer en la forma de entender la transformación digital. Durante años pensamos que el objetivo era construir sistemas más robustos. Hoy empiezo a creer que el verdadero desafío consiste en construir organizaciones más robustas. Porque los clientes rara vez recuerdan que una plataforma tuvo un error técnico. Lo que nunca olvidan es cómo reaccionó la empresa cuando ese error ocurrió.

Subscribe

El proyecto lleva meses de retraso.

El presupuesto aumentó.

Los equipos están agotados.

Los proveedores aseguran que falta muy poco.

La alta dirección ya anunció la fecha.

Los clientes fueron informados.

El mercado espera el lanzamiento.

Y alguien hace una pregunta incómoda.

”¿Estamos realmente listos?”

Normalmente la respuesta no depende únicamente de la realidad.

Depende del costo político de volver a aplazar el proyecto.

Y ahí aparece una de las decisiones más difíciles de cualquier transformación digital.

Porque retrasar un lanzamiento duele.

Pero lanzar un sistema antes de tiempo puede terminar costando mucho más.

El caso de Revlon demuestra exactamente eso.

No es una historia sobre un software malo.

Es una historia sobre una organización que tenía una visión correcta, pero que terminó descubriendo que una fecha de salida nunca puede ser más importante que la capacidad de operar el negocio al día siguiente.

Subscribe

Una transformación necesaria

Después de adquirir Elizabeth Arden en 2016, Revlon enfrentaba un problema común en muchas compañías que crecen mediante adquisiciones.

Demasiados sistemas.

Demasiados procesos.

Demasiadas formas distintas de operar.

La empresa utilizaba decenas de plataformas ERP en diferentes negocios y necesitaba consolidarlas para ganar eficiencia y tener una operación integrada. Por eso decidió avanzar hacia una implementación corporativa de SAP S/4HANA.

La decisión estratégica era difícil de cuestionar.

Unificar procesos.

Reducir complejidad.

Mejorar la información.

Escalar operaciones.

Todo sonaba razonable.

El problema nunca fue la visión.

Fue la ejecución.

Las pruebas ya estaban mostrando problemas

Según documentos judiciales posteriores, durante la preparación del proyecto aparecieron dificultades importantes en la planta de Oxford, la mayor instalación de manufactura de Revlon.

Los problemas fueron suficientemente relevantes como para que el despliegue completo se aplazara cuatro veces.

La organización evaluó volver a retrasarlo.

Finalmente decidió continuar.

Este punto me parece fascinante.

Porque no estamos hablando de una falla que apareció de manera completamente inesperada.

Existían señales.

Existían riesgos conocidos.

Y aun así el proyecto siguió adelante.

No conocemos todas las discusiones internas.

Pero sí conocemos una realidad que se repite en muchas organizaciones.

Cada aplazamiento hace más difícil aprobar el siguiente.

El costo de llegar a tiempo

SAP entró en operación en febrero de 2018.

Muy pronto comenzaron los problemas.

La planta perdió capacidad para fabricar ciertos productos.

Se retrasaron despachos.

Grandes clientes minoristas dejaron de recibir mercancía.

Revlon tuvo que recurrir a envíos urgentes y acciones extraordinarias para recuperar el nivel de servicio.

En su informe anual, la propia compañía cuantificó parte del impacto:

• aproximadamente US$64 millones en ventas que no pudo despachar durante 2018;

• US$53,6 millones en costos extraordinarios para mitigar la caída del servicio;

• y una debilidad material en los controles internos asociada con la implementación del ERP.

No fueron solamente problemas tecnológicos.

El sistema afectó la operación.

La operación afectó el servicio.

Y el servicio terminó afectando el negocio.

La obsesión por el “go-live”

Creo que muchas empresas siguen midiendo las transformaciones con el indicador equivocado.

Celebran el día en que el sistema entra en producción.

Pero el cliente nunca celebra un go-live.

Solo nota si recibe o no su pedido.

Si la factura llega correctamente.

Si la aplicación funciona.

Si el producto está disponible.

El verdadero lanzamiento ocurre cuando el cliente continúa su vida sin sentir que la empresa acaba de cambiar el corazón de su operación.

Todo lo demás es un hito interno.

El costo hundido también transforma decisiones

Hay otro aprendizaje que me parece todavía más importante.

Cuanto más tiempo lleva un proyecto, más difícil resulta detenerlo o retrasarlo.

Los economistas llaman a esto la falacia del costo hundido.

Ya invertimos demasiado.

Ya contratamos demasiada gente.

Ya comunicamos la fecha.

Ya no podemos devolvernos.

Y, sin darnos cuenta, dejamos de decidir mirando el futuro.

Empezamos a decidir mirando el pasado.

Las inversiones realizadas empiezan a justificar inversiones adicionales.

No porque aumenten la probabilidad de éxito.

Sino porque aceptar la pérdida parece emocionalmente más difícil.

En transformación digital, esa lógica puede ser devastadora.

La tecnología no entiende de calendarios

Hay algo que la tecnología nunca negocia.

No le importa la presión política.

No le importa el cierre del trimestre.

No le importa la presentación a la junta.

No le importa que la campaña comercial ya comenzó.

El sistema está listo.

O no lo está.

Las organizaciones, en cambio, sí sienten esas presiones.

Y muchas veces terminan adaptando la decisión técnica a la necesidad del calendario.

El problema es que los clientes nunca pagan por nuestros cronogramas.

Pagan por recibir un buen servicio.

Lo que este caso significa para otras industrias

Este patrón aparece constantemente.

• Un banco cambia su core antes del cierre fiscal porque el contrato vence.

• Una aseguradora lanza una nueva plataforma antes del periodo de renovación.

• Una universidad cambia el sistema académico justo antes del inicio de clases.

• Un retailer implementa un ERP semanas antes de la temporada navideña.

• Un hospital migra sistemas sin haber entrenado completamente a sus equipos.

En todos esos casos la conversación suele ser la misma.

“No podemos seguir retrasándolo.”

Quizá la pregunta correcta sea otra.

”¿Podemos permitirnos lanzarlo así?”

Cinco preguntas que cualquier junta debería hacer antes de aprobar un go-live

• ¿Qué evidencia demuestra que estamos listos, además de cumplir la fecha?

• ¿Qué riesgos siguen abiertos y quién los aceptó?

• ¿Cuál sería el costo de retrasar un mes frente al costo de interrumpir la operación?

• ¿Tenemos un plan real para volver atrás si algo sale mal?

• ¿Estamos tomando una decisión técnica o una decisión política?

Share

La reflexión que me deja

Cada vez creo menos en los proyectos que llegan puntuales.

Y cada vez creo más en los proyectos que llegan preparados.

Porque el cliente nunca pregunta si cumplimos el cronograma.

Pregunta por qué su pedido no llegó.

Revlon no necesitaba únicamente un ERP nuevo.

Necesitaba proteger la continuidad del negocio mientras cambiaba el corazón de su operación.

Ese sigue siendo el desafío de cualquier transformación.

No instalar tecnología.

Sino cambiarla sin romper aquello que mantiene viva a la empresa.

Y quizá la decisión más valiente que puede tomar un líder no sea decir:

“Salimos el lunes.”

Quizá sea decir:

“Todavía no. Porque el negocio vale más que el calendario.”

Subscribe

Más velocidad.

Menos intervención manual.

Menos errores humanos.

Más capacidad para procesar decisiones.

Es una promesa razonable.

Una máquina puede revisar información, ejecutar reglas y responder en milisegundos. Una persona no.

El problema aparece cuando esa velocidad se convierte en el principal indicador de éxito y dejamos en segundo plano una pregunta mucho más incómoda:

¿Qué tan rápido podemos detener el sistema cuando se equivoca?

Creo que muchas empresas están construyendo tecnologías cada vez más autónomas dentro de organizaciones que todavía reaccionan de manera completamente manual.

La máquina ejecuta en segundos.

La alerta llega por correo.

El equipo se reúne.

Alguien intenta entender qué pasó.

Otro busca quién tiene autoridad para detener el proceso.

Y, mientras tanto, la tecnología sigue tomando decisiones.

El caso de Knight Capital es quizá una de las demostraciones más extremas de ese problema.

No porque todas las empresas operen en mercados financieros ni porque todas puedan perder cientos de millones de dólares en menos de una hora.

Sino porque muestra lo que ocurre cuando la velocidad del sistema supera por completo la velocidad del gobierno que debería controlarlo.

Una empresa construida alrededor de la automatización

Knight Capital era una de las firmas más importantes de intermediación y creación de mercado en acciones de Estados Unidos.

Su negocio dependía de sistemas capaces de recibir órdenes, enviarlas a diferentes mercados y ejecutar transacciones a gran velocidad.

No era una empresa tradicional que estuviera empezando a experimentar con tecnología.

La tecnología era el corazón del negocio.

Eso hace que el caso sea todavía más interesante.

Tener una organización altamente digital no garantiza que exista una buena gestión del riesgo tecnológico.

De hecho, cuanto más central es el software para el negocio, más peligrosa puede ser la confianza excesiva en que “el sistema funciona”.

En 2012, Knight estaba dirigida por Thomas Joyce.

Ese año, la Bolsa de Nueva York preparaba el lanzamiento de un nuevo programa denominado Retail Liquidity Program. Knight debía adaptar uno de sus sistemas automáticos de enrutamiento para participar.

La tarea parecía rutinaria.

Desarrollar el código.

Probarlo.

Instalarlo en los servidores.

Activarlo el día del lanzamiento.

Pero una secuencia de decisiones pequeñas terminó produciendo una consecuencia catastrófica.

El código antiguo que nunca desapareció

Años antes, Knight había utilizado una función llamada Power Peg dentro de su sistema de negociación.

La función había quedado defectuosa después de cambios previos en el código y ya no debía utilizarse.

Sin embargo, permaneció instalada.

No estaba activa.

Pero seguía ahí.

Cuando el equipo preparó el nuevo desarrollo para el programa de la Bolsa de Nueva York, reutilizó una señal que antes había estado asociada con esa función antigua.

El nuevo código debía instalarse en ocho servidores.

Solo fue desplegado correctamente en siete.

En el servidor restante, la nueva señal activó por error la función obsoleta que todavía estaba dentro del sistema.

Ese detalle parece técnico.

Pero revela una creencia gerencial muy común:

si algo está desactivado, creemos que ya no representa un riesgo.

No necesariamente.

Los procesos antiguos, las excepciones y el código que nadie utiliza siguen acumulando complejidad.

Y esa complejidad permanece silenciosa hasta que una nueva implementación la vuelve a conectar con el negocio.

La transformación digital no solo incorpora tecnología nueva.

También hereda decisiones antiguas.

Cuarenta y cinco minutos

El mercado abrió el 1 de agosto de 2012.

El servidor que no había recibido correctamente la actualización empezó a procesar ciertas órdenes utilizando la función defectuosa.

El sistema no reconocía correctamente cuándo una orden ya había sido ejecutada.

Entonces continuaba enviando nuevas instrucciones al mercado.

Una y otra vez.

Durante los primeros 45 minutos, el sistema de Knight envió más de cuatro millones de órdenes para intentar completar apenas 212 órdenes originales de clientes.

Negoció más de 397 millones de acciones.

Acumuló posiciones no deseadas por varios miles de millones de dólares.

Y produjo una pérdida de más de US$460 millones.

La cifra es tan grande que puede hacer que el caso parezca lejano.

Pero el patrón es completamente cotidiano.

Un sistema recibe una instrucción equivocada.

No detecta que ya la ejecutó.

No tiene un límite efectivo.

Y sigue operando.

La tecnología no tuvo intención.

Simplemente hizo exactamente aquello para lo que había quedado configurada.

A una velocidad que la organización no pudo controlar.

Las alertas estaban ahí

Hay un dato del informe de la SEC que me parece especialmente importante.

Antes de la apertura del mercado, un sistema interno de Knight generó 97 correos electrónicos automáticos que identificaban un error relacionado con el sistema.

Esos mensajes no habían sido diseñados formalmente como alertas críticas.

Pero constituían una oportunidad para detectar el problema y corregirlo antes de que empezaran las operaciones.

La empresa no reaccionó.

Esto demuestra que tener información no equivale a tener control.

Las empresas pueden producir miles de métricas, reportes, alarmas y notificaciones.

Pero una alerta solo sirve cuando alguien:

• entiende qué significa;

• sabe qué debe hacer;

• tiene autoridad para actuar;

• y puede detener el proceso a tiempo.

De lo contrario, la organización no tiene un sistema de alerta.

Tiene ruido.

En Knight, la tecnología estaba hablando.

El problema es que la organización no estaba escuchando.

El error no fue solamente técnico

Después del incidente, la SEC investigó a Knight Capital.

Su conclusión fue mucho más amplia que “hubo una falla de software”.

La autoridad encontró deficiencias en los controles para limitar órdenes, supervisar la exposición financiera, probar despliegues de código y responder a incidentes tecnológicos importantes.

También concluyó que la empresa había revisado sus controles con un enfoque demasiado limitado: verificaba que existieran y que funcionaran según lo previsto, pero no analizaba suficientemente qué ocurriría si alguno de los sistemas fallaba de manera inesperada. Knight aceptó pagar una multa de US$12 millones y contratar a un consultor independiente para revisar sus controles.

Esa diferencia es fundamental.

Una empresa puede tener controles y seguir estando desprotegida.

Puede tener políticas.

Listas de verificación.

Comités.

Indicadores.

Y aun así no haber pensado seriamente en el escenario de falla.

La pregunta no es solamente:

“¿Funciona el sistema?”

También debe ser:

“¿Qué puede ocurrir si funciona mal, pero sigue ejecutando?”

Porque algunos de los incidentes más peligrosos no son aquellos en los que la tecnología se detiene.

Son aquellos en los que continúa funcionando con una lógica equivocada.

El costo de no tener un freno

La pérdida de Knight fue tan grande que puso en riesgo inmediato la continuidad de la empresa.

Pocos días después, la compañía necesitó conseguir aproximadamente US$400 millones de inversionistas para mantenerse operando.

En diciembre de 2012 se anunció su fusión con Getco, completada en 2013 para crear KCG Holdings.

En menos de una hora, una falla tecnológica había cambiado la posición estratégica, financiera y societaria de una compañía que llevaba años construyéndose.

No fue simplemente un incidente operativo.

Fue una transformación involuntaria del negocio.

Y acá aparece una idea que creo que muchas juntas directivas todavía subestiman:

cuando la tecnología es central para la operación, el riesgo tecnológico también es riesgo de solvencia, reputación y continuidad empresarial.

No puede quedarse únicamente en el área de sistemas.

La obsesión por eliminar la intervención humana

Durante años, las empresas han intentado reducir los puntos de intervención manual.

Tiene sentido.

Cada aprobación agrega tiempo.

Cada paso puede generar errores.

Cada transferencia entre áreas crea fricción.

Pero no toda intervención humana es burocracia.

Algunas son mecanismos de seguridad.

El reto no consiste en conservar controles manuales lentos dentro de procesos cada vez más rápidos.

Consiste en reemplazarlos por mejores mecanismos.

Límites automáticos.

Monitoreo en tiempo real.

Pruebas graduales.

Capacidad de reversión.

Separación de responsabilidades.

Alertas que escalan correctamente.

Y, sobre todo, un interruptor capaz de detener el sistema cuando el comportamiento se sale de los parámetros previstos.

Una empresa verdaderamente digital no es la que elimina todas las intervenciones.

Es la que sabe exactamente dónde todavía necesita juicio, autorización o capacidad de freno.

Lo que este caso dice sobre la inteligencia artificial

El incidente ocurrió en 2012, antes de la actual explosión de la inteligencia artificial generativa.

Pero creo que su enseñanza es todavía más relevante hoy.

Estamos construyendo sistemas que:

• aprueban operaciones;

• asignan precios;

• recomiendan decisiones;

• generan respuestas para clientes;

• detectan fraude;

• distribuyen inventarios;

• seleccionan candidatos;

• y, cada vez más, ejecutan acciones con menor supervisión.

La discusión se concentra en la precisión.

¿Qué tan bueno es el modelo?

¿Qué porcentaje de aciertos logra?

¿Cuánto tiempo ahorra?

Son preguntas necesarias.

Pero no son suficientes.

También necesitamos preguntar:

• ¿Qué tan rápido detectamos que está fallando?

• ¿Cuántas decisiones puede ejecutar antes de ser detenido?

• ¿Qué pérdidas máximas puede producir?

• ¿Qué ocurre si el error aparece en todos los casos al mismo tiempo?

• ¿Quién tiene autoridad para apagarlo?

• ¿Podemos volver al proceso anterior?

• ¿El sistema explica lo suficiente para entender qué pasó?

La autonomía sin límites no es inteligencia.

Es exposición.

La tecnología también escala el error

La gran ventaja de un sistema digital es que permite replicar una decisión de manera instantánea.

Pero esa misma característica se convierte en su mayor riesgo.

Una persona puede equivocarse en un caso.

Un sistema puede equivocarse en millones.

Una persona suele detenerse cuando algo parece extraño.

Una máquina puede seguir ejecutando mientras sus instrucciones sigan siendo técnicamente válidas.

Una empresa tradicional puede tener tiempo para detectar un problema.

Una empresa automatizada puede consumir ese tiempo en segundos.

Por eso, al digitalizar, no basta con trasladar las reglas actuales hacia un sistema.

Hay que rediseñar la forma en que se identifican y contienen los errores.

La capacidad de escalar debería venir acompañada por una capacidad equivalente para limitar el daño.

Las implicaciones para otras industrias

Banca

Un modelo puede bloquear automáticamente miles de tarjetas por detectar un patrón equivocado.

El control no consiste solamente en mejorar la precisión.

También en limitar el alcance y permitir una corrección rápida.

Seguros

Una regla automatizada puede rechazar reclamaciones de manera consistente.

Si está mal diseñada, la organización no tendrá cientos de decisiones independientes.

Tendrá un sesgo sistemático convertido en política operativa.

Retail

Un algoritmo puede modificar precios o inventarios en toda una red.

Una mala señal puede producir pérdidas, desabastecimiento o una experiencia incoherente en cuestión de minutos.

Salud

Un sistema puede priorizar pacientes o generar recomendaciones clínicas.

Un error repetido a escala requiere controles mucho más exigentes que una falla aislada.

Recursos humanos

Una herramienta puede descartar miles de candidatos siguiendo un criterio defectuoso.

La velocidad del filtro no vuelve justa la decisión.

Solo vuelve más eficiente su repetición.

Servicio al cliente

Una IA puede ofrecer la misma información incorrecta a miles de usuarios antes de que una persona revise las conversaciones.

En todos estos casos, la automatización no elimina el riesgo.

Cambia su velocidad, su alcance y la dificultad de detectarlo.

Seis preguntas que deberían hacerse los líderes

1. ¿Cuál es el peor resultado que puede producir el sistema?

No el promedio.

El extremo.

2. ¿Cuántas decisiones puede ejecutar antes de que lo detectemos?

La capacidad de daño depende tanto del error como de su velocidad.

3. ¿Existe un límite automático?

No debería depender exclusivamente de que alguien vea un correo.

4. ¿Quién puede detenerlo?

La responsabilidad debe ser explícita.

5. ¿Podemos reversar la decisión?

Un sistema sin capacidad de retroceso convierte cada despliegue en una apuesta.

6. ¿Qué tecnología antigua sigue escondida dentro de la nueva?

La deuda tecnológica no desaparece porque ya nadie la mencione.

La reflexión que me queda

Durante años, la transformación digital se presentó como una forma de acelerar empresas.

Y lo es.

Pero acelerar sin diseñar la capacidad de frenar no es transformación.

Es perder control con mayor eficiencia.

Knight Capital no fue destruida por una tecnología demasiado avanzada.

Fue puesta al borde de desaparecer porque su sistema podía actuar más rápido de lo que la empresa podía entender, decidir y reaccionar.

Creo que ahí está la lección más relevante para los líderes actuales.

A medida que damos más autonomía a la tecnología, el gobierno no puede volverse más liviano.

Tiene que volverse más rápido.

Más claro.

Y mucho más exigente.

Porque el objetivo no es construir sistemas que nunca fallen.

Eso probablemente no existe.

El verdadero objetivo es construir organizaciones capaces de detectar el error, contenerlo y detenerlo antes de que una mala decisión automatizada se convierta en una crisis empresarial.

Subscribe

La pregunta es válida.

Lo que me preocupa es la velocidad con la que solemos responderla.

Vemos una tarea repetitiva y concluimos que es sencilla.

Tomar un pedido.

Responder una consulta.

Clasificar un documento.

Validar una solicitud.

Agendar una cita.

Como una persona la realiza cientos de veces al día, asumimos que el proceso está perfectamente definido y que solo falta pasárselo a una máquina.

Pero repetitivo no significa simple.

Muchas tareas parecen fáciles precisamente porque una persona lleva años absorbiendo su complejidad sin que la organización se dé cuenta.

Interpreta excepciones.

Corrige información incompleta.

Reconoce cuándo el cliente está confundido.

Identifica algo que no encaja.

Hace una pregunta adicional.

Escala el caso cuando las reglas ya no alcanzan.

Todo eso ocurre en segundos y casi nunca aparece en el manual del proceso.

Por eso creo que uno de los errores más frecuentes de la transformación digital es intentar reemplazar el trabajo humano antes de haber entendido realmente en qué consiste.

El piloto de inteligencia artificial de McDonald’s en sus autoservicios permite ver este problema con bastante claridad.

Una tarea aparentemente perfecta para automatizar

En un restaurante de comida rápida, tomar un pedido parece una actividad ideal para la inteligencia artificial.

El menú es limitado.

Las preguntas se repiten.

Los productos están codificados.

La conversación tiene una finalidad concreta.

El cliente pide.

El sistema registra.

La cocina prepara.

Desde afuera, parece casi una transacción estructurada.

Además, el autoservicio es estratégico para McDonald’s. La empresa ha mantenido durante años una estrategia apoyada en cuatro grandes frentes: digital, entrega a domicilio, autoservicio y desarrollo de restaurantes. En sus mercados principales, los canales digitales ya representan una parte importante de las ventas y de su relación con el consumidor.

Automatizar la toma de pedidos podía prometer varias mejoras al mismo tiempo:

• reducir la presión sobre los equipos;

• atender con mayor rapidez;

• aumentar la consistencia;

• procesar más vehículos;

• y permitir que los trabajadores se concentraran en preparar y entregar la comida.

Share

La oportunidad no era imaginaria.

En octubre de 2021, McDonald’s e IBM anunciaron un acuerdo para acelerar el desarrollo de su tecnología de toma automatizada de pedidos. IBM adquiriría McD Tech Labs, una unidad creada después de que McDonald’s comprara en 2019 a Apprente, una empresa especializada en inteligencia artificial conversacional.

McDonald’s estaba dirigida por Chris Kempczinski, quien había asumido como CEO en 2019.

La compañía no estaba improvisando con una herramienta descargada unas semanas antes. Había adquirido capacidades, creado un laboratorio tecnológico y establecido una alianza con una de las compañías más experimentadas del mundo en inteligencia artificial empresarial.

Era una apuesta seria.

Y, sobre el papel, razonable.

El mundo real no habla como una base de datos

El problema apareció cuando una conversación aparentemente estructurada se encontró con la realidad.

Un autoservicio no es un ambiente silencioso.

Hay motores.

Viento.

Música.

Personas hablando dentro del vehículo.

Distintas pronunciaciones.

Acentos.

Niños cambiando de opinión.

Clientes que interrumpen.

Pedidos personalizados.

Productos agotados.

Promociones.

Correcciones de último momento.

Frases como:

“Quitame la salsa de ese, pero ponésela al otro.”

“Dame lo mismo que pidió ella, pero sin queso.”

“No, esperá. Mejor cambiame las papas por…”

Una persona no procesa esas conversaciones únicamente como una secuencia de palabras.

Las interpreta dentro de un contexto.

Sabe cuándo confirmar.

Cuándo esperar.

Cuándo ignorar un ruido.

Cuándo detectar que el pedido registrado no tiene sentido.

La inteligencia artificial debía convertir esa ambigüedad en instrucciones precisas para la cocina.

Y algunas veces no lo logró.

Durante el piloto aparecieron reportes de pedidos incorrectos. Algunos errores se hicieron virales: cantidades desproporcionadas, productos añadidos sin que el cliente los pidiera y combinaciones extrañas, como helado con tocineta.

Las anécdotas son llamativas, pero no deberían distraernos del punto central.

La dificultad no consistía simplemente en reconocer palabras.

Consistía en manejar una conversación llena de variaciones, excepciones y correcciones en un ambiente operativo ruidoso.

El trabajo era más complejo de lo que parecía.

En 2024, McDonald’s detuvo el piloto

En junio de 2024, McDonald’s confirmó que terminaría la prueba desarrollada con IBM y retiraría la tecnología de los restaurantes participantes.

La compañía explicó que el piloto había servido para evaluar si la toma automatizada de pedidos generaba ahorros operativos o mejoras en la velocidad del servicio. También afirmó que el aprendizaje le daba confianza en que los pedidos por voz formarían parte del futuro de sus restaurantes, aunque la solución probada con IBM no continuaría.

Este punto es importante.

McDonald’s no declaró que la inteligencia artificial fuera inútil.

Tampoco abandonó su estrategia digital.

De hecho, continuó profundizando su infraestructura tecnológica y su colaboración con otros proveedores, incluyendo iniciativas en la nube y aplicaciones de IA en la operación de sus restaurantes.

Lo que terminó fue una implementación específica.

Eso hace que el caso sea mucho más interesante que una historia sencilla de éxito o fracaso.

Una transformación madura no consiste en defender eternamente una tecnología porque ya se invirtió en ella.

También implica detener una solución, aprender de la experiencia y reconsiderar cómo debe diseñarse.

El problema no fue haber experimentado.

El problema habría sido escalar el sistema por orgullo, aun sabiendo que no entregaba una experiencia suficientemente confiable.

La automatización suele ignorar el trabajo invisible

Creo que acá aparece una reflexión que sirve para muchas industrias.

Las empresas conocen bastante bien el costo visible de una actividad.

Cuántas personas la realizan.

Cuánto tiempo dedican.

Cuánto cuestan sus salarios.

Cuántos turnos se requieren.

Lo que no siempre conocen es el valor invisible que esas personas agregan.

Un trabajador de autoservicio no solo transcribe.

También detecta errores antes de enviarlos.

Un asesor bancario no solo registra una solicitud.

También identifica que el cliente no entendió una condición.

Un agente de seguros no solo vende una póliza.

También traduce exclusiones que podrían generar un conflicto futuro.

Una persona de servicio al cliente no solo responde.

También reconoce cuándo el problema necesita empatía, criterio o una excepción.

Cuando la organización automatiza sin identificar ese trabajo invisible, suele comparar dos cosas que no son equivalentes.

Por un lado, calcula el costo total de la persona.

Por otro, calcula únicamente la capacidad básica de la tecnología.

Entonces concluye que la máquina es más barata.

Pero después aparecen los costos que nunca estuvieron en el caso de negocio:

• errores;

• reprocesos;

• reclamos;

• abandonos;

• intervención manual;

• pérdida de confianza;

• supervisión adicional;

• y daño reputacional.

La automatización puede seguir siendo rentable.

Pero el análisis debe incluir el trabajo completo, no solamente su parte más visible.

Subscribe

El error de diseñar desde el promedio

La inteligencia artificial suele funcionar bastante bien en los casos frecuentes.

El problema es que las operaciones reales no están compuestas únicamente por casos promedio.

Supongamos que una herramienta procesa correctamente el 90 % de los pedidos.

La cifra puede parecer excelente.

Pero en un negocio con millones de transacciones, el 10 % restante sigue representando una cantidad enorme de clientes afectados.

Además, no todos los errores tienen el mismo costo.

Confundir una bebida puede producir una molestia.

Registrar un alérgeno que el cliente pidió retirar puede tener una consecuencia mucho más seria.

El promedio puede ocultar los casos que realmente importan.

Por eso las empresas no deberían preguntar solamente:

“¿Qué porcentaje de operaciones puede automatizar la IA?”

También deberían preguntar:

“¿Qué tipos de error comete?”

“¿Cuándo necesita ayuda?”

“¿Qué tan rápido detectamos que se equivocó?”

“¿El proceso permite corregir antes de afectar al cliente?”

“¿Qué ocurre en los casos que se salen de la norma?”

Una automatización responsable no elimina necesariamente a la persona.

A menudo cambia el momento en el que interviene.

El verdadero modelo no siempre es reemplazar

Muchas conversaciones de inteligencia artificial parten de una elección demasiado limitada:

persona o máquina.

Pero existen diseños más inteligentes.

La IA puede tomar una primera parte del pedido y pasar a una persona cuando detecta incertidumbre.

Puede sugerir respuestas, mientras un trabajador las valida.

Puede transcribir la conversación y permitir una confirmación visual.

Puede identificar pedidos rutinarios y dejar los complejos al equipo.

Puede escuchar la interacción y alertar cuando algo parece inconsistente.

En esos modelos, la tecnología no compite con el criterio humano.

Lo amplifica.

Esto puede parecer menos revolucionario que anunciar que una tarea fue automatizada por completo.

Pero quizá sea mucho más útil para el negocio.

La transformación digital no tiene que demostrar que una máquina puede operar sola.

Tiene que generar mejores resultados.

Si una combinación entre IA y personas entrega mayor velocidad, menos errores y una experiencia más confiable, esa debería ser la solución, aunque no produzca un titular tan atractivo.

Lo que este caso significa para otras industrias

Banca

Los bancos están automatizando originación de créditos, prevención de fraude, atención y análisis documental.

La IA puede procesar enormes volúmenes de información.

Pero un caso financiero no siempre cabe completamente en un modelo.

Un cliente puede tener ingresos irregulares.

Un negocio puede no parecerse a los datos históricos.

Una transacción extraña puede ser legítima.

Automatizar no debería significar que nadie pueda comprender, revisar o corregir una decisión.

Seguros

Un siniestro parece un proceso estructurado hasta que se escucha la historia del cliente.

Los documentos pueden clasificarse automáticamente.

El fraude puede detectarse con modelos.

Pero las circunstancias humanas, las excepciones contractuales y los momentos emocionalmente sensibles siguen requiriendo criterio.

La eficiencia no puede convertir la reclamación en una conversación donde nadie escucha.

Salud

Un asistente digital puede clasificar síntomas, recordar medicamentos o gestionar citas.

Pero el riesgo de interpretar mal una excepción es alto.

En salud, automatizar la respuesta promedio sin una ruta clara de escalamiento puede ser peligroso.

Educación

Una universidad puede usar IA para orientar estudiantes, corregir ejercicios o recomendar contenidos.

Pero aprender no es simplemente recibir una respuesta.

También implica motivación, contexto, diálogo y acompañamiento.

La tecnología puede ampliar la capacidad del profesor.

Eso no significa que haya entendido todo el trabajo que realiza.

Recursos humanos

Una herramienta puede filtrar candidatos y resumir hojas de vida.

Pero los datos históricos pueden reproducir decisiones anteriores, incluyendo sus sesgos.

Automatizar el proceso no garantiza mejorar el criterio con el que se decide.

Servicio al cliente

Un chatbot puede resolver miles de preguntas frecuentes.

Pero no debería retener al cliente cuando la conversación ya necesita una persona.

Una automatización que impide resolver el problema no es autoservicio.

Es una barrera digital.

Cinco preguntas para los líderes

Antes de automatizar una actividad, haría estas preguntas.

1. ¿Qué hace realmente la persona?

No lo que dice la descripción del cargo.

Lo que ocurre en la práctica.

¿Qué excepciones resuelve?

¿Qué riesgos detecta?

¿Qué decisiones toma sin que aparezcan en el proceso formal?

2. ¿Qué ocurre cuando la tecnología no entiende?

Debe existir una ruta rápida y visible para pedir ayuda.

Si el cliente tiene que luchar contra la automatización para llegar a una persona, el diseño ya falló.

3. ¿Estamos midiendo ahorro o resultado?

Reducir segundos, contactos o empleados no demuestra por sí solo que la experiencia mejoró.

También hay que medir precisión, resolución, satisfacción, reclamos y correcciones.

4. ¿Podemos experimentar sin escalar el error?

McDonald’s probó la solución en una parte limitada de su red y finalmente decidió retirarla.

Ese es precisamente el valor de un piloto: aprender antes de convertir una hipótesis en un estándar global.

5. ¿La tecnología está ampliando el criterio o intentando eliminarlo?

Hay tareas donde la automatización total tiene sentido.

En otras, el mejor resultado aparece cuando la máquina procesa y la persona interpreta.

No distinguirlas es una decisión gerencial, no un problema del algoritmo.

La reflexión que me queda

Es fácil quedar impresionado por una inteligencia artificial que realiza en segundos algo que antes tomaba minutos.

Pero la velocidad no nos dice si entendió.

La reducción de costos no nos dice si creó valor.

Y el porcentaje de automatización no nos dice si el cliente recibió una mejor experiencia.

Creo que el verdadero desafío de la IA no es demostrar que puede reemplazar personas.

Es descubrir dónde la tecnología mejora el trabajo, dónde necesita supervisión y dónde el criterio humano sigue siendo parte esencial del valor.

McDonald’s no fracasó por probar inteligencia artificial en el autoservicio.

Hizo lo que una empresa que experimenta debería hacer: probó, midió, aprendió y retiró una solución que todavía no estaba lista para escalar.

La enseñanza para los líderes no es evitar la automatización.

Es dejar de tratarla como una carrera por eliminar personas.

Porque antes de preguntarnos quién sobra en un proceso, deberíamos entender algo mucho más básico:

qué problema resuelve esa persona cuando la realidad deja de comportarse como estaba previsto.

Hay una creencia de transformación digital que me preocupa cada vez más:

pensar que automatizar una conversación también automatiza la responsabilidad.

La idea suena seductora.

Un chatbot atiende más rápido.

No duerme.

No se cansa.

No pide vacaciones.

Responde al mismo tiempo a miles de personas.

Reduce carga operativa.

Ordena la demanda.

Baja costos.

Visto desde un comité, parece una decisión obvia.

Pero el cliente no vive la experiencia desde el comité.

El cliente no piensa:

“Estoy interactuando con una herramienta tecnológica probablemente entrenada con una base de conocimiento que puede tener errores”.

El cliente piensa algo mucho más simple:

“La empresa me está diciendo esto.”

Y ahí empieza el problema.

Porque una cosa es usar inteligencia artificial para mejorar la atención.

Y otra muy distinta es usarla como si fuera una zona gris donde nadie responde por lo que se promete.

El caso Air Canada

En noviembre de 2022, Jake Moffatt necesitaba viajar por la muerte de su abuela. Antes de comprar los tiquetes, consultó el chatbot de Air Canada sobre las tarifas por duelo.

El chatbot le indicó que podía comprar el tiquete y solicitar el descuento después, dentro de un plazo determinado.

Moffatt compró los tiquetes.

Después pidió el reembolso correspondiente.

Air Canada lo negó.

La aerolínea sostuvo que su política real exigía solicitar la tarifa por duelo antes de viajar y que no permitía aplicar ese descuento retroactivamente. El problema era que el chatbot de su propia página web había dicho algo distinto.

El caso llegó al Civil Resolution Tribunal de British Columbia.

En febrero de 2024, el tribunal decidió que Air Canada debía responder por la información entregada por su chatbot. La aerolínea fue condenada a pagar C$650,88 en daños, C$36,14 en intereses y C$125 en costos del tribunal, para un total de C$812,02.

El monto, para una aerolínea, es irrelevante.

Pero la decisión es muy importante.

Porque deja una lección que va mucho más allá de un chatbot mal configurado:

si una empresa pone una herramienta a hablar con sus clientes, esa herramienta habla en nombre de la empresa.

La defensa que revela el verdadero problema

Lo más interesante del caso no fue solamente que el bot se equivocara.

Fue la defensa de Air Canada.

Según la decisión y la cobertura del caso, la aerolínea intentó argumentar que no debía ser responsable por la información entregada por el chatbot. El tribunal rechazó esa idea y señaló que no había razón para que el pasajero distinguiera entre una parte de la página web que era confiable y otra que no lo era.

Esa parte me parece clave.

Porque muestra una confusión que muchas empresas están cometiendo.

Por dentro, la organización divide todo:

El bot.

La web.

El área de tecnología.

El área legal.

El área de servicio.

El proveedor.

La base de conocimiento.

La política comercial.

El cliente no ve nada de eso.

El cliente ve una sola cosa:

una empresa respondiendo.

Y cuando esa respuesta falla, la confianza se rompe completa, no por áreas.

Automatizar no es abandonar

Creo que este es el punto central.

La automatización no elimina la necesidad de gestión.

La aumenta.

Cuando una persona de servicio al cliente se equivoca, el error suele quedar contenido en una conversación.

Cuando un chatbot se equivoca, puede repetir el mismo error cientos o miles de veces con una seguridad impecable.

Ese es el riesgo de la transformación digital mal entendida.

No solo hace más eficientes los aciertos.

También puede hacer más escalables los errores.

Por eso, antes de implementar un chatbot, las empresas deberían tener conversaciones que van mucho más allá de la tecnología.

¿Qué temas puede responder?

¿Qué temas debe escalar?

¿Qué políticas están actualizadas?

¿Quién revisa sus respuestas?

¿Qué pasa si contradice una política pública de la empresa?

¿Qué evidencia conserva la compañía de lo que le dijo al cliente?

¿Quién tiene autoridad para apagarlo o limitarlo si empieza a responder mal?

Si esas preguntas no están resueltas, la empresa no tiene una estrategia de automatización.

Tiene una ruleta operativa.

El problema no es el chatbot

Sería un error concluir que los chatbots son malos.

No lo son.

Pueden ser extraordinariamente útiles.

Pueden resolver preguntas frecuentes.

Reducir tiempos de espera.

Guiar procesos simples.

Mejorar accesibilidad.

Liberar a los equipos humanos para atender casos más complejos.

Pero su valor depende del gobierno que los rodea.

Un chatbot no debería ser visto como un reemplazo barato de atención al cliente.

Debería ser una extensión controlada de la promesa de servicio de la empresa.

Y eso cambia la conversación.

No basta con preguntarse:

¿Cuánto nos vamos a ahorrar?

También hay que preguntarse:

¿Qué riesgo estamos asumiendo si responde mal?

¿Qué experiencia estamos diseñando para el cliente?

¿Qué temas son demasiado sensibles para dejarlos sin supervisión?

¿Qué tan rápido podemos corregir un error?

La automatización sin gobierno puede parecer eficiencia.

Pero muchas veces es simplemente irresponsabilidad operativa con una interfaz moderna.

El cliente no distingue entre canal y compañía

Este es uno de los grandes aprendizajes de la transformación digital.

Las empresas siguen pensando por canales.

El cliente no.

Para la organización hay página web, aplicación, call center, WhatsApp, chatbot, correo, sucursal, asesor y redes sociales.

Para el cliente hay una sola relación.

Si el chatbot dice una cosa y el call center dice otra, el cliente no piensa que hubo un problema de integración.

Piensa que la empresa no sabe lo que está haciendo.

Si la aplicación promete algo y la oficina lo niega, el cliente no piensa en arquitectura tecnológica.

Piensa que le incumplieron.

Si la IA responde con seguridad una política equivocada, el cliente no dice “falló el modelo”.

Dice “me engañaron”.

Y esa diferencia es fundamental.

La transformación digital no puede diseñarse desde la comodidad del organigrama.

Tiene que diseñarse desde la experiencia real del cliente.

Comment

Las implicaciones para otras industrias

El caso Air Canada parece pequeño, pero aplica a muchas industrias.

Banca

Un chatbot que informa mal una tasa, una comisión, un plazo o una condición de crédito puede generar reclamos, sanciones y pérdida de confianza.

En banca, una respuesta automática no es solo atención.

Puede ser información financiera relevante.

Seguros

Una IA que explica mal una cobertura puede crear expectativas que luego la compañía no está dispuesta a cumplir.

Y cuando ocurre el siniestro, el problema deja de ser técnico.

Se vuelve reputacional y legal.

Salud

Un asistente virtual que orienta mal a un paciente puede tener consecuencias mucho más delicadas.

Acá la pregunta no es solo eficiencia.

Es seguridad, responsabilidad y criterio clínico.

Educación

Una universidad que automatiza admisiones, requisitos, homologaciones o pagos puede terminar entregando información contradictoria a estudiantes.

Y para un estudiante, un error de ese tipo puede costar tiempo, dinero y confianza.

Retail

Un bot que promete disponibilidad, precios, devoluciones o garantías que luego no se cumplen convierte una mala respuesta en una mala experiencia de marca.

En todas estas industrias, la pregunta no es si debemos automatizar.

La pregunta es:

¿Qué tipo de responsabilidad estamos preparados para asumir cuando automatizamos?

La lección para los líderes

Creo que hay cinco aprendizajes claros.

El primero:

La IA no terceriza la responsabilidad.

Si está en tu canal, con tu marca y atendiendo a tus clientes, habla por vos.

El segundo:

No todo debe automatizarse al mismo nivel.

Hay preguntas simples y repetitivas.

Y hay casos sensibles, emocionales, legales o financieros que requieren escalamiento humano.

El tercero:

La base de conocimiento es tan importante como el modelo.

Un chatbot no puede responder correctamente si las políticas internas están desactualizadas, dispersas o mal gobernadas.

El cuarto:

La experiencia debe diseñarse como una sola conversación.

No puede haber una verdad en la web, otra en el bot y otra en el call center.

El quinto:

La eficiencia sin confianza no es transformación.

Es solo reducción de costos con riesgo acumulado.

La reflexión que me queda

La inteligencia artificial va a cambiar profundamente la atención al cliente.

Eso es evidente.

Pero quizá el mayor riesgo no está en que las máquinas se equivoquen.

El mayor riesgo está en que las empresas crean que, porque respondió una máquina, la responsabilidad también se volvió automática, difusa o discutible.

No funciona así.

Para el cliente, la voz del chatbot es la voz de la empresa.

Y por eso la pregunta de fondo no es:

“¿Cuántas conversaciones puede atender nuestra IA?”

La pregunta real es:

“¿Estamos dispuestos a hacernos responsables por cada respuesta que nuestra IA entrega?”

Porque transformar digitalmente una empresa no consiste en poner tecnología entre la compañía y el cliente.

Consiste en usar la tecnología para responder mejor.

Y responder mejor, al final, también significa responder por lo que se dice.

Subscribe

“Todas las empresas serán empresas de tecnología.”

Durante mucho tiempo la repetimos casi como una verdad absoluta.

Y creo que hizo mucho daño.

No porque la tecnología haya dejado de ser importante.

Todo lo contrario.

Hoy es más importante que nunca.

El problema es que muchas organizaciones interpretaron esa idea de una manera equivocada.

Pensaron que transformarse significaba parecerse a las empresas que estaban de moda.

Amazon.

Google.

Netflix.

Salesforce.

Microsoft.

Y empezaron a copiar estructuras, discursos, modelos de negocio y hasta vocabulario.

De repente todas querían construir plataformas.

Todas querían vender software.

Todas querían crear ecosistemas.

Todas querían ser “tech”.

Pero pocas se detuvieron a responder una pregunta mucho más incómoda:

¿Eso realmente genera más valor para nuestros clientes?

Creo que uno de los mejores ejemplos de esa confusión fue General Electric.

Cuando una empresa industrial quiso convertirse en una empresa de software

A comienzos de la década de 2010, Jeff Immelt tenía una visión ambiciosa.

GE no debía limitarse a fabricar motores, turbinas, locomotoras o equipos médicos.

Debía convertirse en una empresa digital industrial.

La apuesta parecía lógica.

Cada máquina producía enormes cantidades de información.

Si GE lograba conectar esos activos, analizarlos y convertir los datos en servicios digitales, podría generar nuevas fuentes de ingresos y diferenciarse frente a sus competidores.

Con esa idea nació GE Digital y la plataforma Predix, diseñada para conectar equipos industriales, recopilar información y desarrollar aplicaciones para clientes industriales. GE llegó a invertir más de US$4.000 millones en esta estrategia y proyectó que el negocio de software alcanzaría US$15.000 millones en ingresos hacia 2020.

Sobre el papel, parecía el futuro.

Pero transformar una organización centenaria no dependía únicamente de construir una plataforma.

Dependía de que esa plataforma resolviera problemas reales y fuera adoptada por quienes debían usarla.

Y ahí comenzaron las dificultades.

Subscribe

El error no fue tecnológico

Con frecuencia se presenta Predix como un fracaso tecnológico.

No creo que esa sea la mejor lectura.

Los desafíos más profundos aparecieron en otro lugar.

Muchas unidades de negocio de GE ya tenían sus propias soluciones digitales y no veían razones suficientes para migrar.

La cultura de ingeniería industrial chocó con la lógica del desarrollo de software.

La propuesta de valor de la plataforma no terminó siendo suficientemente clara para crear un ecosistema sólido de desarrolladores y clientes externos.

Y la organización empezó a dedicar enormes recursos a construir una plataforma antes de demostrar que realmente existía un mercado dispuesto a adoptarla.

Es importante entender esto.

GE no fracasó porque quisiera usar tecnología.

Fracasó porque, en parte, confundió la transformación con un cambio de identidad.

Quiso competir en un terreno donde otras compañías llevaban décadas construyendo capacidades muy distintas.

Hay una diferencia enorme entre digitalizar un negocio y cambiar de negocio

Creo que muchas empresas siguen cayendo en esa misma trampa.

Un banco cree que debe convertirse en una empresa tecnológica.

Una aseguradora piensa que ahora es una empresa de datos.

Una universidad afirma que debe ser una plataforma digital.

Una empresa manufacturera quiere parecerse a una startup.

Pero la verdadera pregunta nunca es qué etiqueta queremos usar.

La pregunta es:

¿Cómo podemos crear más valor para nuestros clientes utilizando mejor la tecnología?

Porque la tecnología es un medio.

No una identidad.

Amazon utiliza inteligencia artificial porque vende mejor gracias a ella.

Una aerolínea la utilizará para optimizar rutas.

Un hospital para mejorar diagnósticos.

Un banco para gestionar riesgos.

El objetivo nunca fue convertirse en una empresa de inteligencia artificial.

El objetivo siempre fue resolver mejor un problema.

Cuando olvidamos eso, la transformación deja de estar guiada por el cliente y empieza a estar guiada por la moda.

El peligro de perseguir tendencias

Hay una consecuencia que pocas veces discutimos.

Cuando una empresa intenta parecerse a otra, normalmente deja de invertir suficiente energía en aquello que realmente la hacía diferente.

GE tenía un conocimiento extraordinario sobre activos industriales.

Décadas de experiencia.

Relaciones con clientes.

Capacidad de ingeniería.

Una marca respetada.

Todo eso seguía siendo una ventaja enorme.

La pregunta no era cómo competir contra Amazon Web Services.

La pregunta era cómo usar esas capacidades para ofrecer mejores soluciones industriales.

Es una diferencia sutil.

Pero cambia completamente la estrategia.

Cinco preguntas que deberían hacerse los líderes antes de iniciar cualquier transformación

La primera:

¿Estamos resolviendo un problema del cliente o siguiendo una tendencia del mercado?

La segunda:

¿La tecnología fortalece nuestra ventaja competitiva o intenta reemplazarla?

La tercera:

¿Estamos construyendo capacidades que nuestros clientes valoran o capacidades que impresionan en las presentaciones?

La cuarta:

¿Estamos invirtiendo porque existe una oportunidad real o porque sentimos presión de no quedarnos atrás?

Y la quinta:

¿Si quitáramos toda la tecnología del proyecto, seguiría existiendo una necesidad de negocio clara?

Si la respuesta es no, probablemente el proyecto nació al revés.

La reflexión que me deja

Cada generación tiene su palabra de moda.

Reingeniería.

Calidad total.

Lean.

Agilidad.

Ahora inteligencia artificial.

Todas aportan herramientas valiosas.

El problema aparece cuando dejamos que esas herramientas definan quiénes somos.

La transformación digital nunca debió consistir en convertir empresas industriales en empresas de software, bancos en empresas tecnológicas o universidades en plataformas.

Debió consistir en algo mucho más simple y mucho más difícil:

utilizar la tecnología para hacer extraordinariamente bien aquello que solo esa organización sabe hacer.

Creo que ahí está la diferencia entre una transformación que crea valor y una que simplemente sigue la tendencia del momento.

“Lo importante es salir. Después corregimos.”

Durante años me pareció una muestra de agilidad.

Hoy ya no estoy tan seguro.

Porque una cosa es aprender rápido.

Y otra muy distinta es trasladarle al cliente el costo de ese aprendizaje.

Creo que muchas empresas empezaron a interpretar mal algunas de las mejores ideas del mundo digital.

Conceptos como Minimum Viable Product, iteración continua o mejora incremental terminaron convertidos, en algunos casos, en una justificación para lanzar experiencias que todavía no estaban listas.

Y ahí hay una diferencia enorme.

Un MVP sirve para aprender cuando el riesgo está controlado.

No para deteriorar la experiencia de millones de clientes que ya confiaban en la marca.

Cuando innovar empieza a destruir valor

La transformación digital suele presentarse como una carrera.

Quién lanza primero.

Quién incorpora antes la inteligencia artificial.

Quién publica más funcionalidades.

Quién hace más despliegues por semana.

Todo eso importa.

Pero hay una pregunta que aparece mucho menos:

¿Qué estamos poniendo en riesgo mientras corremos?

Porque la confianza también es un activo.

Y es mucho más difícil reconstruirla que desarrollar una nueva funcionalidad.

Subscribe

El caso Sonos

En mayo de 2024, Sonos lanzó una reconstrucción completa de su aplicación móvil.

El objetivo era razonable.

La compañía buscaba una arquitectura tecnológica más moderna que permitiera innovar con mayor velocidad en el futuro. La propia empresa explicó que reconstruyó la aplicación desde cero para ofrecer una mejor experiencia y una plataforma más flexible para desarrollar nuevas capacidades.

Sin embargo, el lanzamiento produjo el efecto contrario.

Miles de usuarios reportaron funciones desaparecidas, dificultades para configurar equipos, problemas de estabilidad y una experiencia inferior a la que ya tenían.

Lo interesante no es el error técnico.

Es la consecuencia estratégica.

Sonos reconoció que la situación afectó las ventas, retrasó el lanzamiento de nuevos productos y obligó a dedicar recursos importantes para recuperar la confianza. Meses después anunció un conjunto de compromisos: pruebas más exigentes, estándares mínimos de calidad antes de lanzar, programas beta más amplios, un consejo de clientes y un mecanismo interno para detener lanzamientos cuando la experiencia no cumpliera los criterios establecidos.

En enero de 2025, Patrick Spence dejó la dirección ejecutiva.

No porque una aplicación tenga errores.

Eso puede ocurrir.

Sino porque la organización entendió demasiado tarde que el problema nunca fue únicamente tecnológico.

El verdadero error no fue el software

Creo que sería muy fácil concluir que Sonos lanzó una mala aplicación.

Pero esa explicación se queda corta.

Lo realmente preocupante es la creencia que había detrás.

La idea de que siempre es mejor salir rápido y corregir después.

Esa lógica funciona cuando el costo del error es bajo.

Cuando el experimento afecta a un grupo reducido.

Cuando existe una forma sencilla de volver atrás.

Pero deja de funcionar cuando la experiencia completa del cliente depende de esa decisión.

Hoy un banco depende de su aplicación.

Una aerolínea depende de su plataforma.

Una universidad depende de su campus virtual.

Una aseguradora depende de sus canales digitales.

Una empresa de audio, como Sonos, depende de la aplicación que controla todo el ecosistema.

En esos casos, el software ya no acompaña al producto.

Es el producto.

Y eso cambia completamente las reglas.

El indicador equivocado

Hay algo que me preocupa.

Muchas organizaciones siguen midiendo el éxito de una transformación por indicadores internos.

Número de funcionalidades.

Cantidad de despliegues.

Cumplimiento del cronograma.

Velocidad del equipo.

Pero el cliente mide otra cosa.

Si puede usar el servicio.

Si funciona.

Si la experiencia mejoró.

Si todavía confía.

Es perfectamente posible cumplir todos los indicadores internos y, al mismo tiempo, destruir valor para el cliente.

Y ese es uno de los errores más costosos de la transformación digital.

Celebrar el lanzamiento mientras el cliente empieza a perder la paciencia.

La conversación que deberíamos tener

Creo que antes de cualquier gran despliegue tecnológico, toda organización debería responder tres preguntas.

La primera:

¿Qué experiencia existente estamos poniendo en riesgo?

La segunda:

¿Podemos aprender de forma gradual sin afectar a toda la base de clientes?

Y la tercera, quizá la más importante:

¿Quién tiene la autoridad para detener un lanzamiento cuando la calidad todavía no alcanza el estándar que la marca prometió?

Porque si nadie puede decir “todavía no”, la organización no tiene gobierno tecnológico.

Tiene un calendario.

La reflexión que me deja

Durante años pensamos que el gran enemigo de la transformación digital era la lentitud.

Hoy creo que también debemos cuidarnos del extremo contrario.

La obsesión por demostrar velocidad.

Innovar no consiste en lanzar más funcionalidades.

Consiste en generar más valor.

Y eso exige una disciplina que suele pasar desapercibida:

Saber cuándo acelerar.

Y, sobre todo, saber cuándo todavía no es momento de hacerlo.

Porque la confianza tarda años en construirse.

Pero una sola actualización puede empezar a destruirla.

Share

Hay una frase que llevo años escuchando en juntas directivas y comités de transformación.

“Necesitamos cambiar el sistema.”

Cada vez estoy menos convencido de que ese sea el verdadero problema.

Porque, cuando uno mira con calma los grandes fracasos de transformación digital, encuentra un patrón curioso: casi nunca empiezan por una mala tecnología.

Empiezan porque la empresa quiere cambiar las herramientas sin cambiar la forma en que trabaja.

Y esa diferencia parece sutil, pero lo cambia todo.

La ilusión de que el software transforma empresas

Hay algo profundamente tranquilizador en comprar tecnología.

Tiene presupuesto.

Tiene cronograma.

Tiene proveedores.

Tiene hitos.

Tiene un “go-live”.

Da la sensación de que la transformación ya comenzó.

Lo difícil viene después.

Porque el software empieza a hacer visibles todas esas conversaciones que durante años la organización logró evitar.

¿Por qué este proceso necesita ocho aprobaciones?

¿Por qué dos áreas hacen exactamente lo mismo?

¿Por qué seguimos capturando información que nadie usa?

¿Por qué seguimos midiendo indicadores que no ayudan a tomar decisiones?

¿Por qué un cliente tiene que pasar por cinco sistemas distintos para resolver un problema sencillo?

Ahí es cuando muchas transformaciones empiezan a incomodar.

No por culpa del software.

Sino porque el software deja al descubierto cómo funciona realmente la organización.

Y pocas cosas generan más resistencia que verse en un espejo.

Confundimos digitalizar con conservar

Creo que uno de los errores más frecuentes de las empresas es este:

Quieren que la nueva tecnología se comporte exactamente igual que la anterior.

Es una paradoja.

Hablan de transformación.

Pero esperan que nada importante cambie.

Quieren un ERP que respete todos los procesos históricos.

Una plataforma digital que siga los mismos flujos burocráticos.

Una herramienta de inteligencia artificial que valide las mismas decisiones que antes tomaban los comités.

En otras palabras, quieren innovación…

…sin renunciar a ninguna de las costumbres que hicieron necesaria esa innovación.

Y ahí la transformación deja de existir.

Lo único que hacemos es digitalizar el pasado.

El caso de Lidl

Un buen ejemplo ocurrió en Lidl.

En 2011, la compañía inició un proyecto para reemplazar su sistema central por SAP. Era una iniciativa gigantesca, diseñada para soportar el crecimiento internacional de la cadena.

Siete años después, el proyecto fue cancelado tras una inversión cercana a los 500 millones de euros. Diversas investigaciones señalaron que uno de los mayores puntos de fricción fue la dificultad para conciliar procesos propios de Lidl con la lógica estándar del ERP. En lugar de replantear ciertos procesos del negocio, gran parte del esfuerzo terminó orientándose a adaptar el software a la organización.

Durante mucho tiempo, este caso se presentó como un fracaso de SAP.

Yo no estoy tan seguro.

Creo que fue, sobre todo, un fracaso para aceptar que una transformación implica renunciar a algunas formas de trabajar que ya no tienen sentido.

Porque esa es la conversación que casi nunca aparece en las presentaciones de los proyectos.

El verdadero costo de proteger el pasado

Todas las organizaciones tienen procesos heredados.

Es normal.

Fueron útiles.

Generaron resultados.

Construyeron el negocio.

El problema aparece cuando dejamos de preguntarnos si todavía responden al mundo actual.

La mayoría de las empresas dedica muchísimo tiempo a seleccionar tecnología.

Muy pocas dedican el mismo tiempo a decidir qué prácticas deberían desaparecer.

Y esa omisión cuesta caro.

Porque cada personalización innecesaria, cada excepción al proceso estándar y cada decisión tomada para evitar incomodar a un área terminan haciendo que el proyecto sea más largo, más costoso y más complejo.

Pero el verdadero costo no es financiero.

Es estratégico.

Cada vez que una empresa adapta la tecnología para proteger una mala práctica, está enviando un mensaje muy claro:

“Preferimos conservar nuestra forma de trabajar antes que aprovechar una oportunidad para mejorarla.”

Y eso no es un problema tecnológico.

Es un problema de liderazgo.

Transformar también significa dejar cosas atrás

Hay una idea que me parece mucho más útil que hablar de inteligencia artificial, nube o automatización.

Toda transformación implica una renuncia.

No se puede construir una organización distinta aferrándose a todos los procesos, incentivos y estructuras que pertenecen al modelo anterior.

Sin embargo, pocas juntas directivas hablan de aquello que están dispuestas a abandonar.

Se habla de inversiones.

Se habla de plataformas.

Se habla de funcionalidades.

Pero casi nunca se habla de las costumbres que deberán desaparecer para que esa inversión tenga sentido.

Y quizá esa sea la conversación más importante de todas.

La pregunta que deberíamos hacernos antes de comprar cualquier tecnología

Creo que las organizaciones siguen formulando la pregunta equivocada.

No es:

¿Qué sistema necesitamos implementar?

Es:

¿Qué forma de trabajar estamos dispuestos a dejar atrás?

Porque la tecnología, por sí sola, rara vez transforma una empresa.

Lo que hace es acelerar aquello que ya existe.

Si la organización aprende rápido, la tecnología amplificará esa capacidad.

Si decide lento, la lentitud también se volverá más eficiente.

Si la cultura favorece la colaboración, el impacto será enorme.

Si protege los silos, esos silos simplemente estarán mejor digitalizados.

Por eso sigo creyendo que el verdadero desafío de la transformación digital nunca ha sido tecnológico.

Ha sido profundamente humano.

Y tal vez esa sea la reflexión más incómoda de todas:

Las empresas no fracasan porque compran el software equivocado. Fracasan porque esperan que el software haga el trabajo que solo el liderazgo puede hacer.

Y cada vez estoy más convencido de que explica por qué tantas empresas sienten que llevan años transformándose… sin lograr transformarse de verdad.

Creo que el mayor error de la transformación digital fue su nombre.

Suena extraño decirlo después de más de veinte años hablando del tema. Pero justamente por eso vale la pena preguntárselo.

Porque el nombre hizo que todos miráramos hacia el mismo lugar.

Hacia la tecnología.

Y, en mi opinión, ahí empezó la confusión.

La conversación se volvió digital

Durante dos décadas llenamos las agendas de las juntas directivas con palabras como nube, inteligencia artificial, automatización, big data, blockchain, aplicaciones, omnicanalidad o ciberseguridad.

Todas importantes.

Pero, mientras hablábamos de eso, dejamos de hacer preguntas mucho más incómodas.

¿Cómo tomamos decisiones?

¿Qué comportamientos estamos premiando?

¿Qué cosas nadie se atreve a cuestionar porque “siempre se han hecho así”?

¿Qué parte de nuestro éxito pasado se convirtió en un obstáculo para el futuro?

Es curioso.

La conversación sobre transformación digital terminó siendo, muchas veces, una conversación sobre tecnología.

Y creo que nunca debió empezar por ahí.

La tecnología nunca fue el cuello de botella

Subscribe

En los últimos años he visto empresas invertir millones en plataformas, migraciones, inteligencia artificial y automatización.

Muchas de esas implementaciones fueron técnicamente exitosas.

Los proyectos salieron.

Los cronogramas se cumplieron.

Los sistemas funcionaron.

Y, sin embargo, el negocio cambió muy poco.

¿Por qué?

Porque la tecnología rara vez es quien toma las decisiones.

Las decisiones las siguen tomando personas.

Si un comité sigue castigando el error, nadie va a experimentar aunque tenga la mejor IA del mercado.

Si una organización sigue premiando únicamente la eficiencia de corto plazo, nadie va a asumir el riesgo de reinventar el negocio.

Si los incentivos no cambian, la tecnología simplemente acelera la manera actual de trabajar.

No la transforma.

Por eso cada vez me convence menos escuchar frases como:

“Tenemos que acelerar la transformación digital.”

La pregunta que me nace inmediatamente es otra.

¿Transformar qué?

Porque comprar tecnología no necesariamente transforma una empresa.

Puede modernizarla.

Puede volverla más eficiente.

Puede reducir costos.

Todo eso es valioso.

Pero transformar implica algo mucho más profundo.

Implica cambiar la forma en que la organización entiende su propio negocio.

El verdadero legado también puede convertirse en el verdadero problema

Hay una paradoja que me parece fascinante.

Las empresas exitosas llegan a ser exitosas porque desarrollan una manera de hacer las cosas mejor que los demás.

Repiten decisiones.

Construyen procesos.

Estandarizan.

Generan disciplina.

Eso es precisamente lo que les permite crecer.

Pero con el tiempo ocurre algo curioso.

Aquello que antes era una ventaja empieza a convertirse en una limitación.

No porque estuviera mal.

Sino porque el contexto cambió.

Mientras el mercado evoluciona, la organización sigue protegiendo la lógica que la hizo grande.

Y ahí aparece la verdadera resistencia.

No la resistencia a la tecnología.

La resistencia a cuestionar las ideas que alguna vez funcionaron.

Por eso no creo que las empresas sean resistentes al cambio.

Creo que son resistentes a poner en duda aquello que les dio éxito.

Y son dos cosas muy distintas.

Tal vez llevamos años haciéndonos la pregunta equivocada

Subscribe

Cuando una organización dice que quiere transformarse, normalmente pregunta:

”¿Qué tecnología necesitamos?”

Yo empezaría por otro lado.

Preguntaría:

¿Qué verdad sobre nuestro negocio seguimos defendiendo simplemente porque nos funcionó durante muchos años?

Esa conversación probablemente genere mucho más valor que discutir qué plataforma comprar.

Porque una empresa cambia de verdad cuando cambia la calidad de las preguntas que se hace.

No cuando cambia el software que utiliza.

Un principio para empezar la conversación

No creo tener una definición definitiva de transformación digital.

De hecho, desconfío de quienes creen tenerla.

Pero sí hay una idea que cada vez me convence más.

La transformación digital no comienza cuando una empresa incorpora nueva tecnología.

Comienza cuando tiene el coraje de cuestionar las ideas que la hicieron exitosa.

Tal vez el problema nunca fue digital.

Tal vez siempre fue la manera en que decidimos.

Y si esa hipótesis es correcta, entonces la próxima gran ventaja competitiva no estará en quién compra primero la tecnología.

Estará en quién se atreve primero a cambiar la conversación.

Message me

Implementar inteligencia artificial.

Migrar a la nube.

Automatizar procesos.

Modernizar los sistemas.

Digitalizar la operación.

Ninguna de esas respuestas está necesariamente equivocada.

El problema es que ninguna responde la pregunta de fondo.

Durante años hemos confundido la transformación digital con la incorporación de tecnología. Y esa confusión ha llevado a organizaciones de todos los tamaños a invertir millones sin lograr cambios proporcionales en su competitividad.

No porque hayan elegido una mala plataforma.

Sino porque empezaron por la pregunta equivocada.

La transformación digital nunca fue un proyecto tecnológico.

Es un proceso de rediseño organizacional.

La tecnología es una consecuencia.

No el punto de partida.

La diferencia parece sutil, pero cambia por completo la conversación.

Una empresa puede implementar inteligencia artificial y seguir tomando las mismas decisiones de siempre.

Puede migrar todos sus sistemas a la nube y mantener procesos diseñados para otra época.

Puede lanzar una aplicación espectacular y continuar ofreciendo exactamente la misma experiencia de cliente.

En todos esos casos hubo digitalización.

Pero no necesariamente transformación.

Ese patrón aparece una y otra vez cuando analizamos organizaciones de distintos sectores.

En retail, Starbucks descubrió que facilitar los pedidos desde una aplicación no resolvía los cuellos de botella de su operación. La tecnología optimizó la entrada de pedidos, pero la capacidad para entregar la experiencia prometida no evolucionó al mismo ritmo.

En educación, muchas universidades incorporaron plataformas virtuales, aulas digitales y herramientas de inteligencia artificial. Sin embargo, en numerosos casos el modelo educativo sigue respondiendo a la misma lógica de hace décadas: clases magistrales, planes de estudio rígidos y una desconexión creciente entre lo que se enseña y lo que demanda el mercado.

En banca ocurre algo similar. Existen aplicaciones cada vez más sofisticadas, mientras muchos procesos internos continúan siendo lentos, fragmentados y diseñados alrededor de la organización, no del cliente.

Los ejemplos cambian.

El error es el mismo.

Creer que incorporar tecnología transforma automáticamente un negocio.

No lo hace.

La tecnología acelera aquello que ya existe.

Si el modelo operativo está bien diseñado, permitirá escalar más rápido.

Si el modelo está mal diseñado, también escalará… pero sus problemas.

Por eso me preocupa que hoy dediquemos tantas conversaciones a discutir qué tecnología adoptar y tan pocas a cuestionar cómo estamos creando valor.

La verdadera transformación digital empieza cuando una organización se hace preguntas mucho más incómodas.

¿Seguimos resolviendo un problema relevante para nuestros clientes?

¿Nuestra forma de trabajar tiene sentido en el contexto actual?

¿Qué procesos deberían desaparecer en lugar de automatizarse?

¿Qué decisiones seguimos tomando porque siempre se hicieron así?

Solo después de responder esas preguntas tiene sentido hablar de inteligencia artificial, automatización o plataformas.

La tecnología no reemplaza la estrategia.

La ejecuta.

Y esa diferencia explica por qué algunas organizaciones utilizan la misma tecnología para reinventar su industria, mientras otras apenas consiguen digitalizar sus viejos problemas.

Por eso, cada vez que escucho que una empresa está haciendo transformación digital, vuelvo siempre a la misma pregunta.

¿Qué cambió realmente?

Porque si la única respuesta es la tecnología, probablemente la transformación todavía no empezó.

Y quizás ese sea el error más caro que siguen cometiendo las organizaciones que creen estar preparándose para el futuro.

Durante los últimos años, la conversación sobre inteligencia artificial ha estado dominada por una pregunta recurrente: ¿cómo incorporar ChatGPT al trabajo diario? Empresas de todos los sectores han dedicado recursos a pilotos, asistentes conversacionales y automatizaciones puntuales con la expectativa de mejorar su productividad.

Sin embargo, mientras gran parte del mercado sigue intentando integrar modelos conversacionales, los principales proveedores de infraestructura tecnológica ya están mirando hacia una etapa completamente distinta. Amazon Web Services la ha denominado la era agéntica: un escenario en el que la inteligencia artificial deja de limitarse a responder preguntas para comenzar a ejecutar objetivos de manera autónoma.

La diferencia parece semántica, pero es una de las transformaciones más profundas que enfrentará la economía digital durante la próxima década.

Hasta ahora, la IA generativa ha funcionado principalmente como una herramienta de apoyo. Un profesional formula una pregunta y el modelo responde. La responsabilidad de interpretar esa respuesta, tomar decisiones y ejecutar acciones sigue siendo humana. Los agentes de IA modifican esa lógica. Ya no reciben instrucciones aisladas, sino metas. Son capaces de planificar, dividir un problema en tareas, utilizar múltiples herramientas, interactuar con distintos sistemas y adaptar su comportamiento según los resultados obtenidos.

En otras palabras, pasamos de una inteligencia que asiste a una inteligencia que actúa.

Ese cambio obliga a replantear un supuesto que ha permanecido prácticamente inalterado desde la revolución industrial: que todos los procesos de una organización deben estar diseñados alrededor de personas. Durante décadas hemos estructurado empresas mediante áreas funcionales, cadenas de aprobación y responsabilidades humanas claramente definidas. La automatización permitió acelerar actividades repetitivas, pero nunca cuestionó ese principio.

Los agentes sí lo hacen.

Un proceso comercial, por ejemplo, ya no tendrá necesariamente un ejecutivo ejecutando cada paso. Un agente podrá identificar oportunidades de negocio, analizar el historial de un cliente, construir una propuesta personalizada, coordinar reuniones, generar documentación y realizar seguimiento continuo, mientras un profesional interviene únicamente en decisiones estratégicas o negociaciones complejas. El valor deja de estar en ejecutar tareas para concentrarse en supervisar resultados.

Este cambio tiene implicaciones mucho más amplias que la simple reducción de costos operativos. Modifica la naturaleza misma del trabajo del conocimiento.

La productividad empresarial ya no dependerá únicamente de contratar más talento o adquirir mejor tecnología. Dependerá de la capacidad para diseñar organizaciones donde humanos y agentes digitales trabajen de manera coordinada. Las empresas que entiendan esa lógica construirán estructuras considerablemente más ágiles, con capacidad para escalar operaciones sin incrementar proporcionalmente sus costos.

Pero esta transición también abre interrogantes que rara vez aparecen en el debate público.

¿Quién responde cuando un agente toma una decisión equivocada?

¿Cómo se auditan miles de decisiones autónomas ejecutadas simultáneamente?

¿Quién define los límites éticos de un sistema que aprende continuamente?

¿Cómo se preserva la trazabilidad cuando la inteligencia artificial deja de ser una herramienta y se convierte en un actor operativo?

Estas preguntas trasladan la conversación desde la tecnología hacia la gobernanza. El verdadero desafío ya no consiste en desarrollar modelos más potentes, sino en construir mecanismos confiables para administrarlos. La competitividad dependerá tanto de la arquitectura organizacional como de la capacidad técnica.

Por esa razón, la infraestructura se está convirtiendo en el principal activo estratégico de la inteligencia artificial. La atención pública suele concentrarse en los modelos fundacionales, pero detrás de ellos existe una carrera silenciosa por controlar centros de datos, capacidad de cómputo, redes, energía y plataformas capaces de coordinar millones de agentes operando simultáneamente. La verdadera competencia ya no se libra únicamente en el software; se libra en la infraestructura que hará posible la siguiente generación de organizaciones.

Para América Latina, esta transición representa un riesgo y, al mismo tiempo, una oportunidad.

En buena parte de la región todavía discutimos si permitir o no el uso de herramientas generativas dentro de las empresas. Mientras tanto, las organizaciones más avanzadas ya están rediseñando procesos completos para operar con agentes autónomos. La brecha tecnológica comienza a medirse menos por el acceso a la inteligencia artificial y más por la velocidad con la que una organización es capaz de reinventar su modelo operativo.

Ese será probablemente el principal diferenciador competitivo de los próximos años.

Cada revolución tecnológica modifica las herramientas con las que trabajamos. Algunas, sin embargo, cambian la forma en que concebimos el trabajo mismo. La revolución industrial reorganizó la producción. La revolución digital reorganizó la información. La era de los agentes promete reorganizar las organizaciones.

Por eso, la pregunta que hoy deberían hacerse los líderes empresariales ya no es cómo incorporar inteligencia artificial en sus procesos. La pregunta verdaderamente estratégica es otra:

¿Cómo debe rediseñarse una organización cuando parte de su fuerza laboral deja de estar compuesta exclusivamente por personas?

Quienes encuentren primero esa respuesta no solo adoptarán una nueva tecnología. Definirán la forma de competir en la próxima economía digital.

Durante años, muchas empresas entendieron la ciberseguridad como un asunto técnico.

Un tema de firewalls, antivirus, contraseñas, servidores, monitoreo y equipos especializados encerrados en un área que hablaba un idioma distinto al del negocio.

Eso ya no alcanza.

La inteligencia artificial está cambiando la naturaleza del riesgo digital porque está alterando la economía del ataque.

No necesariamente porque los atacantes sean más brillantes.

Sino porque ahora pueden ser más rápidos, más baratos, más persistentes y más escalables.

Ese es el verdadero cambio.

La nueva ventaja del atacante: velocidad

Antes, un atacante necesitaba más tiempo para investigar una organización, identificar vulnerabilidades, escribir código malicioso, probar variantes de phishing o adaptar un ataque a un objetivo específico.

Hoy, muchas de esas tareas pueden acelerarse con IA.

La IA puede ayudar a encontrar fallas, resumir información pública de una empresa, personalizar mensajes, automatizar reconocimiento, traducir ataques a distintos idiomas, generar código, probar combinaciones y reducir el costo de aprendizaje de actores menos sofisticados.

Eso no significa que cualquier persona se convierta automáticamente en un gran ciberdelincuente.

Pero sí significa algo igual de delicado: el umbral de entrada baja.

Y cuando el umbral de entrada baja, el volumen sube.

Para ponerlo simple: si antes un atacante necesitaba un equipo experto para intentar cien puertas, ahora puede apoyarse en herramientas que le ayudan a probar miles.

El problema no es solo que haya ataques más sofisticados.

El problema es que habrá muchos más intentos, contra más empresas, con menos tiempo entre una vulnerabilidad descubierta y una vulnerabilidad explotada.

El error empresarial: seguir defendiendo a velocidad humana

Muchas organizaciones todavía gestionan ciberseguridad con una lógica lenta.

Comités mensuales.

Matrices de riesgo desactualizadas.

Inventarios incompletos.

Procesos manuales de revisión.

Parches que se aprueban tarde.

Terceros que no se monitorean.

Usuarios que adoptan herramientas de IA sin permiso porque la empresa no les ofreció una alternativa segura.

Ese modelo era frágil antes.

Con IA se vuelve insuficiente.

Porque la velocidad del ataque ya no está esperando la velocidad de la organización.

Ahí aparece una brecha crítica: atacantes usando automatización contra defensores que todavía dependen de procesos manuales, presupuestos limitados y decisiones lentas.

La ciberseguridad deja de ser un problema de herramientas y se convierte en un problema de capacidad organizacional.

Las vulnerabilidades vuelven al centro

Durante mucho tiempo, el relato dominante fue que el principal riesgo eran las contraseñas robadas y el error humano.

Eso sigue siendo importante.

Pero la explotación de vulnerabilidades de software está ganando protagonismo.

Y esto cambia la conversación.

Porque ya no basta con campañas de concientización o pedirle al usuario que “no haga clic”.

Ahora hay que mirar con más rigor el ciclo de vida tecnológico completo:

qué software usamos, quién lo desarrolla, cómo se actualiza, qué proveedores lo soportan, qué APIs están expuestas, qué componentes heredados siguen funcionando, qué dependencias externas usamos y cuánto tiempo tardamos en corregir una falla crítica.

En otras palabras: la ciberseguridad ya no puede vivir al final del proceso.

Tiene que estar desde el diseño.

En arquitectura.

En desarrollo.

En compras.

En gobierno de terceros.

En datos.

En continuidad.

En operación.

Y, sobre todo, en la estrategia.

Ransomware: el síntoma de una debilidad más profunda

El crecimiento del ransomware no debería leerse únicamente como “más criminales atacando empresas”.

También debería leerse como una señal de baja resiliencia.

El ransomware funciona porque muchas organizaciones no están preparadas para operar bajo presión.

No tienen respaldos suficientemente probados.

No tienen segmentación adecuada.

No conocen bien sus activos críticos.

No han ensayado escenarios de crisis.

No tienen claridad sobre quién decide, quién comunica, quién contiene, quién negocia, quién informa al regulador y quién mantiene la operación mínima.

El ransomware no solo cifra información.

Cifra la capacidad de decisión de una organización.

Y cuando una empresa descubre su plan de crisis durante la crisis, normalmente ya va tarde.

Por eso la pregunta relevante no es solo “¿qué tan protegidos estamos?”.

La pregunta real es:

¿qué tan rápido podemos detectar, contener, recuperar y seguir operando?

La ciberseguridad moderna no se trata de prometer que nada va a pasar.

Se trata de construir una organización capaz de resistir cuando algo pase.

La IA también es defensa

Sería un error leer esta tendencia solo desde el miedo.

La misma inteligencia artificial que acelera a los atacantes también puede fortalecer a los defensores.

Puede ayudar a detectar anomalías, priorizar alertas, identificar patrones, automatizar respuesta, reducir ruido operativo, acelerar análisis forense y mejorar la capacidad de anticipación.

En equipos de seguridad saturados, eso no es menor.

Uno de los grandes problemas de la ciberseguridad no es la falta de alertas.

Es el exceso de alertas.

Muchas organizaciones no fallan porque no tengan información, sino porque no logran convertir esa información en decisiones oportunas.

Ahí la IA puede ser muy poderosa: no como reemplazo del juicio humano, sino como amplificador de capacidad.

Pero hay una condición: la IA defensiva solo funciona si la organización tiene datos de calidad, procesos claros, gobierno, talento y criterios de decisión.

Sin eso, la IA se convierte en otra capa de ruido.

Más dashboards.

Más promesas.

Más complejidad.

Y no necesariamente más seguridad.

El riesgo invisible: Shadow AI

Hay un punto que muchas empresas todavía subestiman: el uso no autorizado de herramientas de IA por parte de empleados.

No por mala intención necesariamente.

Muchas veces ocurre porque la gente quiere ser más productiva.

Resume documentos.

Traduce información.

Analiza bases de datos.

Escribe código.

Prepara propuestas.

Cruza información.

El problema aparece cuando esa información contiene datos sensibles, información de clientes, código fuente, contratos, estrategias comerciales, modelos financieros o datos personales.

La empresa cree que está protegiendo sus sistemas, pero sus datos ya están saliendo por canales que no controla.

Este es uno de los grandes retos de los próximos años.

La respuesta no puede ser simplemente prohibir.

Porque prohibir sin ofrecer alternativas seguras suele empujar el riesgo a la sombra.

La respuesta inteligente es gobernar.

Definir qué se puede usar, para qué, con qué datos, bajo qué controles, con qué trazabilidad y con qué herramientas aprobadas.

La productividad con IA necesita barandas.

Sin barandas, la eficiencia puede convertirse en fuga de información.

Lo que esto significa para los líderes

La ciberseguridad ya no puede ser una presentación anual para la junta directiva.

Tiene que ser una conversación recurrente de negocio.

Un CEO no necesita saber configurar un sistema de detección.

Pero sí necesita entender cinco preguntas:

1. ¿Cuáles son nuestros activos digitales más críticos?

2. ¿Qué tan rápido corregimos vulnerabilidades relevantes?

3. ¿Qué terceros podrían comprometer nuestra operación?

4. ¿Qué datos sensibles están usando nuestros equipos en herramientas de IA?

5. ¿Cuánto tiempo podemos operar si sufrimos un incidente serio?

Estas preguntas no son técnicas.

Son estratégicas.

Tocan continuidad del negocio, reputación, confianza del cliente, cumplimiento regulatorio, estabilidad financiera y capacidad de operar.

Una empresa puede sobrevivir a un incidente tecnológico.

Lo que no siempre sobrevive es la confianza.

La ciberseguridad como ventaja competitiva

Durante mucho tiempo, invertir en ciberseguridad se vio como un costo.

Algo necesario, pero incómodo.

Una póliza.

Un gasto defensivo.

Esa mirada está quedando vieja.

En una economía digital, la confianza es infraestructura.

Un banco que protege mejor los datos de sus clientes compite mejor.

Una fintech que gestiona bien sus riesgos escala mejor.

Una empresa que puede demostrar resiliencia gana credibilidad con clientes, aliados, reguladores e inversionistas.

Una organización que adopta IA con gobierno puede innovar más rápido sin exponerse innecesariamente.

La ciberseguridad deja de ser solo protección.

Se vuelve habilitador de crecimiento.

Porque mientras unas empresas van a frenar su transformación por miedo al riesgo, otras van a aprender a gestionarlo y avanzar con más disciplina.

La decisión de fondo

La inteligencia artificial no está haciendo que la ciberseguridad sea menos importante.

La está volviendo más estratégica.

No podemos enfrentar ataques acelerados por IA con organizaciones lentas, silos internos y controles pensados para otro mundo.

La respuesta no es entrar en pánico.

Tampoco romantizar la tecnología.

La respuesta es madurar.

Gobernar la IA.

Acelerar la gestión de vulnerabilidades.

Proteger datos sensibles.

Preparar escenarios de crisis.

Automatizar defensa.

Entrenar equipos.

Exigir más a terceros.

Y llevar la ciberseguridad al nivel donde realmente pertenece: la agenda del negocio.

Porque la IA no inventó el cibercrimen.

Le quitó fricción.

Y cuando al riesgo se le quita fricción, a la estrategia hay que ponerle más disciplina.

La pregunta para las organizaciones ya no es si van a usar inteligencia artificial.

La pregunta es si van a estar preparadas para defenderse en un mundo donde sus atacantes también la usan.

+ Acceso

+ Conocimiento

+ Productividad

+ Ideas

+ Proyectos, etc.

Pero así mismo vienen los riesgos:

+ Riesgo cibernético

+ Fraude

+ Noticias falsas

+ Acoso sexual

+ Bullying

Porque todo se multiplica. Lo bueno y lo desastroso

Por muchas cosas la verdad… Cada parte con sus intereses

La cuestión, es: Qué vamos a hacer para que

la tecnología realmente sea usada para

solucionar los grandes problemas de la humanidad?.

Cuando la tecnología no se use con este fin, no te

podés quedar parado esperando a que otros resuelvan…

necesitamos pasar a la acción:

1️⃣ Educar

2️⃣ Concientizar

3️⃣ Vigilar

4️⃣ Denunciar

5️⃣ Trabajar conjuntamente Empresas, Instituciones educativas y Gobierno

Estamos en una época donde la sociedad demanda +acción.

Una Sociedad que Demanda no solo cuestionar, sino ser parte de la solución.

Hacer bien las cosas solo tiene un lado… no puntos medios

Inteligencia Artificial: ¿Dónde trazamos la línea entre la Promesa y el Precipicio?

En la cúspide de la revolución tecnológica, donde la inteligencia artificial (IA) se erige como protagonista y antagonista, emerge una cuestión ética urgente: ¿dónde trazamos la línea? Esta interrogante resuena en los corredores del poder, las aulas académicas y los cubículos de empresas, suscitando un debate que va más allá de la mera tecnología. Se trata de un dilema de valores, un pulso entre el progreso y la prudencia.

El gobierno, como timonel de la sociedad, debe asumir un papel crucial, pero ¿hasta qué punto? La regulación gubernamental no es solo una necesidad sino una obligación moral para salvaguardar a los ciudadanos de los abismos digitales del ciberacoso, el ciberbullying y la inseguridad en línea. Sin embargo, la mano reguladora debe ser sabia y no asfixiante, permitiendo que la innovación fluya sin ahogarla en un mar de burocracia.

Las empresas, por su parte, no son meros actores económicos; son formadores de la realidad que busca ser éticamente rentable, conscientes de que cada algoritmo tiene un impacto profundo en la vida real. La responsabilidad corporativa va más allá del beneficio económico; se extiende a garantizar que la IA sea una herramienta para el bien común, no para la manipulación o el perjuicio.

En cuanto a las instituciones educativas, su papel es doble. Por un lado, deben ser incubadoras de conocimiento, donde se enseñe a las futuras generaciones no solo a construir IA, sino a cuestionarla y comprender sus implicancias éticas. Por otro, deben ser formadores de debate, promoviendo un diálogo continuo sobre dónde deberían estar los límites de la tecnología.

¿Dónde trazamos la línea entre la inspiración y la infracción? ¿Cómo protegemos los derechos de los creadores humanos de un panorama automatizado?

La pregunta de hasta dónde permitiremos que avance la IA sin límites claros es tan pertinente como alarmante. No podemos ser espectadores pasivos en esta carrera tecnológica; debemos ser participantes activos en la definición de su trayectoria. El beneficio de la IA es innegable, pero su potencial para causar daño es igualmente real. Encontrar el equilibrio entre estos dos extremos es el desafío más grande de nuestra era.

La ética en la IA no es un lujo sino una necesidad. No se trata solo de prevenir el mal uso, sino de fomentar un uso que enriquezca la humanidad. La tecnología, al final, debe ser una extensión de nuestros valores más elevados, no una amenaza a ellos. Así, mientras navegamos en este océano de posibilidades, recordemos que cada decisión tomada hoy moldeará el mundo de mañana. La IA debe ser una aliada en la construcción de un futuro ético y justo, un futuro donde la tecnología sirva a la humanidad, y no al revés.

El mundo se enfrenta a un reto sin precedentes con la llegada de la IA. Estamos transitando una nueva revolución más grande aun a la que vivimos iniciando los 2000s con la era de las .COM. La sabiduría, la prudencia y la previsión son más que nunca indispensables. Su potencial para mejorar nuestras vidas es inmenso, pero igualmente lo son sus riesgos. Abordar estos desafíos requiere un esfuerzo colectivo, donde la ética, la educación y la regulación efectiva sean los pilares sobre los que se construya el futuro de la inteligencia artificial. la ética no es el juez silencioso, sino un enigma resonante.

https://vivirenelpoblado.com/inteligencia-artificial-donde-trazamos-la-linea-entre-la-promesa-y-el-precipicio/