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