Automatizar el caos produce caos más rápido
Por qué mucho piloto de IA en corporativos se queda en piloto
En estos días conversé con Valentina Ponce de León, CEO de Lab10, la comunidad de inteligencia artificial más grande de Latinoamérica. Ella hace un diagnóstico muy claro sobre lo que sucede en implementación en startups y el corporativo:
“En las startups, incluso las que existían antes de 2022 y necesitan transformar sus operaciones, hay una mentalidad de crecimiento y apertura al error. En los corporativos la cultura funciona al revés: miedo a decir lo que uno piensa, miedo a que te echen, miedo a embarrarla.
Lo que describe Valentina tiene una consecuencia que pocas compañías se animan a nombrar: cuando la cultura penaliza el error, nadie muestra dónde se están perdiendo el dinero y las horas. Y si no hay diagnóstico honesto, cualquier iniciativa de inteligencia artificial termina siendo una capa de tecnología sobre una operación que nadie entendió.
El patrón se repite en varios corporativos de la región y lo hemos observado en programas como AI for Executives y AI for Boards. La intención de implementar IA suele ser genuina. El problema está en la secuencia: la mayoría llega a la tecnología antes de tener una operación que la sostenga.
El síntoma que todos reconocen y casi nadie resuelve
Cuando en una compañía de gran tamaño hay dos o tres personas clave de las que todo depende, si esas personas se van de vacaciones o renuncian, el sistema tambalea. Los números del negocio mejoran en el papel, pero nadie sabe con precisión dónde se está yendo la plata.
Ese estado tiene un nombre claro: la operación corre en modo héroe. Funciona porque hay gente brillante apagando incendios, no porque haya un sistema que los prevenga. Contratar más gente en modo héroe produce más dependencias, no más capacidad. Y llegar a esa conclusión después de haber pagado seis meses de nómina sin ver que las cosas mejoran es uno de los aprendizajes más caros que tiene una compañía en crecimiento.
La trampa de implementar inteligencia artificial sobre ese estado es obvia en retrospectiva pero difícil de ver cuando estás adentro: automatizar un proceso mal diseñado lo hace fallar más rápido y a mayor escala. La IA amplifica lo que ya existe, para bien y para mal.
IBM tardó dos años en generar US$3,500 millones en productividad
Cuando Arvind Krishna decidió en 2023 convertir a IBM en su propio primer caso de prueba de inteligencia artificial, la compañía tenía décadas de capas de procesos acumulados, decenas de miles de empleados y una infraestructura global que nadie había cuestionado en profundidad. La iniciativa que llamaron IBM as Client Zero1 empezó por rediseñar los procesos internos desde cero: mapear dónde se iban las horas, identificar las pérdidas más grandes, construir métricas que le dijeran al equipo en tiempo real si las cosas estaban funcionando o no.
La inteligencia artificial llegó al final de ese proceso, sobre una base que ya tenía estructura. Así surgió AskHR2, su herramienta interna de atención a empleados, resuelve hoy el 94% de las consultas sin intervención humana, y los gerentes completan procesos como promociones con 75% más velocidad. En 2024 IBM generó US$3,500 millones en productividad contra una meta inicial de US$2,000 millones, eliminó 3.9 millones de horas de trabajo repetitivo en un año, redujo el presupuesto operativo de recursos humanos en 40% y acortó el tiempo para provisionar entornos de trabajo de dos semanas a cinco o seis minutos. La secuencia que explica esos números parte de entender qué estaba roto y cómo medirlo. La tecnología fue el último paso.
Lo que Morgan Stanley descubrió sobre el tiempo perdido
Morgan Stanley siguió la misma lógica en el sector financiero. A partir de 2023 desplegó un asistente basado en modelos de OpenAI3 para sus asesores de patrimonio, pero el trabajo previo consistió en entender cómo fluía realmente el día de cada asesor y dónde se concentraba el trabajo que no generaba valor para el cliente. Al año siguiente, el 98% de los equipos lo adoptaron de manera activa. El acceso a documentación interna saltó de 20% a 80%. Cada asesor recupera entre 10 y 15 horas semanales que antes se consumían en trabajo administrativo, el equivalente a casi dos jornadas laborales completas que ahora se destinan a atender clientes y desarrollar negocio.
En el tercer trimestre de 2024, Morgan Stanley atribuyó directamente a esas ganancias de eficiencia la captación de casi US$64,000 millones en activos netos nuevos y la incorporación de 100,000 clientes en ese período.
Pfizer hizo algo equivalente en la industria farmacéutica con su iniciativa PACT, desarrollada en colaboración con AWS: 14 proyectos de inteligencia artificial y aprendizaje automático aplicados a la cadena de desarrollo de medicamentos. El resultado fue concreto: 16,000 horas anuales de búsqueda de información eliminadas y una reducción del 55% en costos de infraestructura4.
Los tres casos siguen la misma secuencia. Diagnosticar primero, medir, diseñar el sistema, y recién entonces automatizar. Ninguno llegó a la tecnología sin haber entendido antes qué quería optimizar.
Por qué el 84% se queda en el piloto
La investigación de Accenture de 2024 cuantificó esa brecha con un dato que debería preocupar a cualquier lider de operaciones en la región: solo el 16% de las empresas logra escalar sus iniciativas de inteligencia artificial a nivel corporativo5. El 84% restante se queda atascado en pilotos que nunca se convierten en sistema. Las empresas que sí logran escalar tienen 2.5 veces mayor crecimiento de ingresos y 2.4 veces mayor productividad que sus competidoras.
La diferencia entre ese 16% y el 84% está en que las primeras construyeron primero la infraestructura operativa sobre la que la tecnología puede sostenerse. Y esa infraestructura requiere algo que conecta directamente con el diagnóstico de Valentina: una cultura donde nombrar los problemas es valorado en lugar de castigado.
Las empresas donde el miedo domina la conversación interna son exactamente las que no pueden hacer un diagnóstico honesto de sus pérdidas. Sin ese diagnóstico no hay árbol de pérdidas, sin árbol de pérdidas no hay priorización, y sin priorización cualquier herramienta de IA termina resolviendo el problema equivocado o resolviendo bien un problema que no era el más importante. La tecnología amplifica la claridad cuando hay claridad, y amplifica la confusión cuando no la hay.
Las startups tienen ventaja estructural acá, como dice Valentina, pero tampoco están exentas del problema. La mentalidad de crecimiento es necesaria pero insuficiente. Lo que distingue a las startups que escalan bien de las que crecen en caos es la capacidad de convertir la experimentación en proceso: pasar de depender de personas clave a construir sistemas que funcionen con flujo predecible y métricas que le digan al equipo en tiempo real si el día se está ganando o perdiendo.
Ese pasaje, de intención operativa a infraestructura operativa, es lo más difícil de construir sin una metodología que ya haya resuelto ese problema en escenarios reales.
El sistema antes de que el mercado se defina
Desde mi perspectiva, lo que falta en la mayoría de los casos es la metodología para pasar del diagnóstico al sistema vivo: las cadencias de control que le muestran al equipo en cinco segundos si las cosas van bien, el árbol de pérdidas que convierte síntomas visibles en conductores medibles, el experimento diseñado para aprender rápido sin sacrificar velocidad de escala.
Esa metodología es lo que construye el programa Operaciones Escalables con IA: ocho sesiones de trabajo sobre tu caso específico, con herramientas como el árbol de pérdidas asistido por IA, el mapeo de flujo de valor y el sistema de control de métricas en tiempo real, diseñadas para producir un artefacto aplicable desde la semana siguiente a cada sesión. La metodología viene de lo que aprendí construyendo compañías de hypergrowth en toda la región. Los cupos son limitados porque el formato exige trabajo cercano y retroalimentación sobre tu operación específica.
IBM y Morgan Stanley transformaron la operación de sus asesores tardándose un par de años porque antes de la tecnología hubo un proceso de diagnóstico y diseño. Las compañías en América Latina que construyan esa base en los próximos meses van a operar en un mercado radicalmente más competitivo del que conocen hoy. Las que lo posterguen van a llegar cuando el espacio ya esté ocupado y el costo de ponerse al día sea mucho más alto que el de empezar ahora.