Durante los últimos tres años, las organizaciones invirtieron miles de millones de dólares convencidas de que estaban construyendo el futuro.
Migraron a la nube.
Implementaron Data Lakes.
Contrataron científicos de datos.
Compraron GPUs.
Incorporaron copilots, agentes inteligentes y modelos generativos.
Crearon laboratorios de innovación.
Definieron estrategias AI First.
Los directorios comenzaron a hacer las preguntas habituales.
¿Cuánto reduciremos los costos?
¿Cuánto aumentará la productividad?
¿Cuántos procesos podremos automatizar?
Sin embargo, pocas veces apareció una pregunta mucho más importante.
¿Qué conocimiento posee hoy nuestra organización que desaparecería para siempre si mañana se fueran las cien personas más experimentadas?
El silencio que suele seguir a esa pregunta es revelador.
Porque la mayoría de las empresas está intentando construir inteligencia artificial sobre un activo que nunca aprendió a gestionar: su propio conocimiento.
La gran confusión de esta década
Durante años confundimos datos con conocimiento.
Y esa confusión puede convertirse en uno de los errores estratégicos más costosos de esta generación.
Los datos describen qué ocurrió.
La información ayuda a entender cómo ocurrió.
El conocimiento explica por qué ocurrió.
La experiencia permite anticipar qué probablemente ocurrirá después.
Las organizaciones han invertido décadas capturando las tres primeras capas.
La cuarta sigue viviendo, casi siempre, dentro de las personas.
- Un analista de fraude detecta una operación sospechosa antes de que aparezca una alerta.
- Un ejecutivo comercial percibe que un cliente ya decidió abandonar la relación mucho antes de que el NPS caiga.
- Un especialista en riesgo identifica una combinación de variables que todavía no figura en ningún modelo.
- Un ingeniero descubre que una pequeña anomalía terminará convirtiéndose en una falla grave semanas después.
Cuando se les pregunta cómo llegaron a esa conclusión, muchas veces responden algo parecido.
“Después de tantos años… simplemente lo sé.”
Ese “simplemente lo sé” representa uno de los activos más valiosos de cualquier organización.
Y también uno de los menos administrados.
El conocimiento que nunca llegó al sistema
Hace más de cincuenta años, el filósofo Michael Polanyi formuló una idea que hoy adquiere una dimensión completamente nueva.
“Sabemos más de lo que podemos expresar.”
Décadas después, Ikujiro Nonaka y Hirotaka Takeuchi demostraron que una parte significativa del conocimiento organizacional es tácito. No está escrito, no puede descargarse desde un repositorio y rara vez aparece en un procedimiento.
Se transmite trabajando junto a otros.
Observando.
Equivocándose.
Tomando decisiones.
Acumulando contexto.
Paradójicamente, ese conocimiento es el que hoy pretendemos enseñar a la inteligencia artificial.
Pero existe un problema.
Nunca lo capturamos.
La deuda invisible de la inteligencia artificial
Existe una narrativa muy instalada según la cual el principal desafío para desarrollar IA es disponer de más datos.
No estoy convencido de que ese sea el verdadero problema.
La mayoría de las grandes organizaciones ya dispone de volúmenes inmensos de información.
Lo que escasea no son los datos.
Lo que escasea es el conocimiento estructurado.
Cada jubilación.
Cada renuncia.
Cada programa de reducción de costos.
Cada reestructuración.
Cada adquisición.
Cada fusión.
Representa también una fuga silenciosa de capital intelectual.
Lo llamativo es que esa pérdida casi nunca aparece en un balance.
No figura como deterioro de activos.
No genera alertas en auditoría.
No se refleja en un indicador financiero.
Pero termina condicionando la capacidad futura de innovar.
Porque la inteligencia artificial solo puede aprender aquello que la organización fue capaz de conservar.
No aquello que perdió.
La evidencia empieza a aparecer
Durante los últimos dos años comenzaron a publicarse estudios que muestran una realidad bastante menos optimista que la narrativa comercial de la inteligencia artificial.
Muchas organizaciones lograron construir pilotos técnicamente exitosos.
Pero pocas consiguieron transformar esos pilotos en ventajas competitivas sostenibles.
El problema rara vez estuvo en los modelos.
Los modelos mejoran cada pocos meses.
La infraestructura se vuelve más accesible.
La capacidad de procesamiento sigue creciendo.
Entonces, ¿por qué tantos proyectos producen menos valor del esperado?
Porque la IA no reemplaza la comprensión del negocio.
La amplifica.
Y cuando esa comprensión es incompleta, la tecnología simplemente acelera esa limitación.
No existe modelo fundacional capaz de inventar el conocimiento que nunca fue construido.
El caso Ford no demuestra lo que muchos creen
Hace unas semanas volvió a circular una noticia que generó titulares llamativos.
Ford decidió reincorporar ingenieros experimentados mientras revisaba parte de su estrategia de utilización de inteligencia artificial para mejorar la calidad.
Algunos interpretaron la noticia como una derrota de la IA.
Sería un análisis superficial.
Ford no abandonó la inteligencia artificial.
Hizo algo mucho más inteligente.
Comprendió que la experiencia acumulada durante décadas seguía siendo indispensable para entrenar mejores sistemas, rediseñar procesos y elevar la calidad.
La empresa no eligió entre personas o inteligencia artificial.
Eligió personas para construir una mejor inteligencia artificial.
La diferencia parece sutil.
En realidad, cambia completamente la estrategia.
Lo que observo en América Latina
En los últimos años tuve la oportunidad de trabajar con bancos, fintech, aseguradoras, organismos públicos y grandes empresas de distintos países de la región.
Empiezan a repetirse patrones muy similares.
Los comités discuten modelos.
Los proveedores.
Los costos de infraestructura.
La gobernanza.
Los agentes.
La regulación.
Todo eso es importante.
Pero muy pocos están hablando del conocimiento crítico que todavía vive exclusivamente dentro de las personas.
¿Quién entiende realmente cómo se toman ciertas decisiones de crédito?
¿Quién sabe interpretar los casos más complejos de fraude?
¿Quién conoce las excepciones que nunca quedaron documentadas?
¿Quién comprende las razones históricas detrás de determinados controles regulatorios?
Cuando esas personas dejan la organización, no desaparece únicamente un colaborador.
Desaparece una parte de la inteligencia institucional.
Y muchas veces nadie lo advierte hasta que intenta automatizar ese proceso.
La próxima ventaja competitiva no será tecnológica
Durante años las empresas compitieron por tener mejores sistemas.
Después compitieron por tener más datos.
Hoy muchas creen que competirán por tener mejores modelos.
No estoy seguro.
Los modelos terminarán convirtiéndose en un commodity.
La infraestructura también.
La capacidad de procesamiento seguirá aumentando.
Incluso los datos dejarán de ser un diferencial para muchas industrias.
Lo verdaderamente escaso será otra cosa.
La capacidad de transformar décadas de experiencia humana en conocimiento organizacional reutilizable.
Ese activo no puede comprarse.
No puede licenciarse.
No puede descargarse.
Se construye durante años y puede perderse en pocos meses.
Las organizaciones que comprendan esto utilizarán la inteligencia artificial para preservar el conocimiento antes de que desaparezca.
Las que no lo hagan seguirán creyendo que están implementando IA, cuando en realidad están automatizando procesos cuyo conocimiento ya comenzó a erosionarse.
La pregunta que los directorios todavía no hacen
Cada vez que participo en una conversación sobre inteligencia artificial aparece una lista bastante predecible de preguntas.
¿Cuánto ahorraremos?
¿Cuántos agentes desplegaremos?
¿Cuánto mejorará la productividad?
Creo que la pregunta verdaderamente estratégica es otra.
¿Cuál es el conocimiento más valioso de nuestra organización y qué estamos haciendo hoy para evitar que desaparezca?
Porque la carrera por la inteligencia artificial nunca fue solamente tecnológica.
Siempre fue una carrera por preservar, estructurar y amplificar la inteligencia humana.
Las organizaciones que entiendan esto construirán una ventaja competitiva extremadamente difícil de imitar.
Las demás seguirán comprando la misma tecnología que compra todo el mercado, esperando obtener resultados diferentes.
Y probablemente allí se encuentre una de las mayores paradojas de esta década.
Mientras todos hablan de entrenar modelos, muy pocos están entrenando a la organización para conservar aquello que hace que esos modelos puedan generar verdadero valor.
La pregunta ya no es cuánto sabe la inteligencia artificial.
La pregunta es mucho más incómoda.
¿Cuánto conocimiento sigue viviendo únicamente en la cabeza de las personas que trabajan en su empresa?
Porque si la respuesta es “demasiado”, entonces el mayor riesgo de su estrategia de IA no es tecnológico.
Es existencial.
Diego San Esteban