Tu empresa quiere implementar IA. La primera pregunta debería ser: ¿para qué?
Capítulo inaugural · 100 días para hablar de IA con criterio
La conversación empieza a repetirse en empresas de todos los tamaños:
“Tenemos que implementar inteligencia artificial.”
“Necesitamos un chatbot.”
“Hay que automatizar con IA.”
“Deberíamos tener agentes.”
“La competencia ya lo está haciendo.”
La inquietud es comprensible. La inteligencia artificial dejó de ser una tecnología reservada para laboratorios o equipos especializados. El AI Index 2026 de Stanford reporta que, entre las organizaciones consideradas en sus fuentes de adopción empresarial, 88 % ya utiliza IA y 70 % emplea inteligencia artificial generativa en al menos una función del negocio (Stanford Institute for Human-Centered Artificial Intelligence [Stanford HAI], 2026).
La conversación, entonces, ya no es si la IA llegará a las organizaciones.
Ya llegó.
El problema es otro.
¿Para qué queremos usarla?
El error de empezar por la herramienta
Cuando aparece una tecnología con tantas posibilidades es fácil invertir el orden de las preguntas.
Primero conocemos la herramienta.
Después empezamos a buscar dónde colocarla.
Y terminamos intentando adaptar nuestros problemas a las capacidades de la tecnología que queremos utilizar.
Es como comprar una solución antes de tener claro el problema.
Por eso, antes de discutir modelos, proveedores, agentes, prompts, licencias o integraciones, existe una pregunta mucho menos sofisticada – y probablemente mucho más importante.
¿Qué problema estamos intentando resolver?
- Puede ser que una operación tarde demasiado.
- Que una persona dedique horas cada semana a consolidar información.
- Que los clientes esperen demasiado por una respuesta.
- Que diferentes áreas capturen varias veces los mismos datos.
- Que una decisión dependa de revisar cientos de documentos.
- Que el conocimiento importante esté disperso entre correos, archivos y personas.
- Que exista un proceso manual propenso a errores.
Ahí comienza la conversación.
No con la IA.
Con el problema.
Nunca recomendar IA antes de entender el proceso
Éste es uno de los principios que queremos mantener durante toda esta serie:
Nunca recomendar IA antes de entender el proceso.
No porque la inteligencia artificial no sea útil.
Precisamente porque puede serlo muchísimo.
Pero sólo cuando entendemos dónde está el problema, qué lo provoca y qué resultado queremos cambiar.
Cuando observamos un proceso con suficiente detalle, la solución puede resultar muy diferente a la que imaginábamos inicialmente.
- Quizá hay una actividad que debería desaparecer.
- Tal vez dos sistemas necesitan integrarse.
- Puede existir una aprobación innecesaria.
- Los datos podrían estar mal estructurados.
- Una automatización convencional podría resolverlo mejor.
- Quizá hace falta modificar una regla de negocio.
- O simplemente diseñar mejor el proceso.
La solución correcta no siempre será la más avanzada.
Y reconocerlo también es parte de tomar una buena decisión tecnológica.
Automatizar algo no significa mejorarlo
Imaginemos una situación sencilla.
Una empresa captura determinada información en un sistema. Después una persona toma esos datos, los adapta y vuelve a capturarlos en otra plataforma. Finalmente, alguien más consolida ambos registros para generar un reporte.
Podríamos construir una solución sofisticada capaz de interpretar la información, moverla automáticamente y elaborar el reporte.
Probablemente funcionaría.
También podríamos detenernos antes y preguntar:
¿Por qué estamos capturando la misma información varias veces?
Esa pregunta cambia por completo el problema.
Tal vez no necesitamos una inteligencia artificial que haga más rápido el trabajo repetitivo.
Tal vez necesitamos eliminar el trabajo repetitivo.
Ésa es una diferencia importante.
La IA puede acelerar una actividad.
Puede ampliar nuestra capacidad.
Puede analizar información que sería difícil revisar manualmente.
Puede ayudarnos a producir, clasificar, resumir, interpretar o ejecutar determinadas tareas.
Pero hacer más rápido algo innecesario sigue siendo hacer algo innecesario.
Antes de automatizar conviene entender.
Y antes de entender conviene observar.
La decisión correcta puede ser no usar IA
Hablar de inteligencia artificial con objetividad también significa aceptar algo poco atractivo para cualquier tendencia tecnológica:
hay problemas que no necesitan IA.
Una regla claramente definida puede resolverse con software convencional.
Una transferencia repetitiva de datos puede solucionarse mediante una integración.
Un flujo estable puede automatizarse sin incorporar un modelo generativo.
Una mala captura de información quizá requiera rediseñar un formulario.
Y sí: en determinados contextos, una hoja de cálculo bien construida puede seguir siendo una solución perfectamente válida.
La pregunta no debería ser:
“¿Cómo podemos meter IA aquí?”
Debería ser:
“¿Cuál es la forma más adecuada de resolver este problema?”
Si la respuesta termina siendo inteligencia artificial, perfecto.
Pero debemos llegar a esa conclusión después de analizar el problema, no antes.
Entonces, ¿cuándo entra la IA?
- Después de entender lo que ocurre hoy.
- Después de cuestionar el proceso.
- Después de identificar la fricción.
- Y después de definir qué queremos mejorar.
A partir de ahí podemos evaluar una iniciativa con preguntas más útiles:
- ¿Qué problema concreto queremos resolver?
- ¿Qué impacto tiene hoy ese problema en tiempo, costo, calidad, capacidad o experiencia?
- ¿Qué parte del proceso necesita realmente cambiar?
- ¿La IA aporta una capacidad que otras alternativas no resuelven mejor o con menor complejidad?
- ¿Cómo sabremos que la solución produjo un resultado mejor?
Sólo entonces tiene sentido discutir qué tecnología utilizar.
Porque ya no estamos persiguiendo una herramienta.
Estamos evaluando una solución.
De “queremos IA” a un caso de uso
Existe además una diferencia importante entre experimentar y transformar una operación.
Probar herramientas es valioso.
Experimentar genera aprendizaje.
Hacer preguntas a distintos modelos, construir prototipos o probar automatizaciones puede ayudarnos a descubrir posibilidades que antes no imaginábamos.
Pero una demostración atractiva todavía no es un caso de negocio.
Para cruzar esa frontera necesitamos poder explicar, con relativa claridad:
qué ocurre hoy, qué queremos cambiar y cómo vamos a saber si mejoró.
Después vendrán otras preguntas.
- ¿Qué información necesita la solución?
- ¿Qué nivel de precisión esperamos?
- ¿Qué ocurre cuando se equivoca?
- ¿Qué decisiones requieren supervisión humana?
- ¿Qué riesgos introduce?
- ¿Qué costo tendrá operarla?
- ¿Cómo se integrará con los sistemas existentes?
Ésa es la conversación que convierte una tecnología interesante en una iniciativa empresarial.
La IA tampoco debería reemplazar nuestro criterio
Hay otra razón para comenzar por el problema.
La inteligencia artificial puede ayudarnos a analizar alternativas, identificar patrones, sintetizar información e incluso ejecutar determinadas actividades.
Pero alguien sigue teniendo que decidir qué resultado importa.
- Qué riesgo es aceptable.
- Qué debemos medir.
- Qué no deberíamos automatizar.
Y cuándo una solución aparentemente eficiente está generando un problema nuevo.
A medida que las herramientas adquieren mayor capacidad de ejecución, esta distinción se vuelve todavía más relevante.
Investigaciones recientes sobre IA en el trabajo están desplazando la conversación desde la simple asistencia hacia sistemas y agentes capaces de ejecutar partes del trabajo, mientras las personas conservan responsabilidades de dirección, decisión y resultado (Microsoft, 2026).
La tecnología puede ampliar nuestra capacidad.
El criterio determina hacia dónde la dirigimos.
Por qué queremos empezar aquí
Durante los próximos 100 días vamos a hablar de inteligencia artificial.
- De productividad.
- De automatización.
- De Project Management.
- De agentes.
- De procesos.
- De datos.
- De desarrollo de productos.
- De seguridad.
- De retorno de inversión.
- Y también de los límites de la propia IA.
No queremos partir de la idea de que todas las organizaciones necesitan utilizar inteligencia artificial en todo.
Tampoco de que la IA sea una moda que debamos ignorar.
Queremos ocupar un espacio mucho más útil:
entender dónde aporta valor y dónde no.
Eso significa cuestionar antes de recomendar.
Medir antes de escalar.
Y empezar por el problema antes de enamorarnos de la herramienta.
Porque implementar tecnología nunca debería ser el objetivo final.
El objetivo es resolver mejor.
Antes de pensar en IA, hazte esta pregunta:
Si mañana desaparecieran todas las herramientas de inteligencia artificial, ¿seguiría existiendo el problema que quieres resolver?
Si la respuesta es sí, empieza por entender ese problema.
Referencias
Microsoft. (2026, 5 de mayo). 2026 Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization. Microsoft WorkLab.
Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index Report. Stanford University.