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