Hay una idea sobre inteligencia artificial que se ha instalado con una facilidad sospechosa: si una empresa consigue hacer las cosas diez veces más rápido, entonces se ha vuelto diez veces mejor.
No estoy tan seguro.
De hecho, mientras más observo lo que está ocurriendo con la inteligencia artificial generativa, los agentes de IA y la automatización del trabajo intelectual, más me convenzo de que estamos confundiendo dos cosas completamente distintas: velocidad y dirección.
Podemos producir un informe en minutos. Podemos generar código a una velocidad que hace unos años habría parecido absurda. Podemos crear veinte conceptos para una campaña antes de que se enfríe el café.
Podemos resumir documentos, analizar bases de datos, construir prototipos, investigar mercados, redactar propuestas, generar imágenes, revisar contratos, detectar anomalías y convertir una idea escrita en una aplicación funcional. Fantástico. Pero queda una pregunta un poco más incómoda.
¿Estamos haciendo algo mejor o simplemente estamos haciendo más cosas?
Esa pregunta aparece una y otra vez en la conversación sobre innovación, inteligencia artificial y ventaja competitiva que sostiene Jeetu Patel, presidente y Chief Product Officer de Cisco, en un episodio de HBR IdeaCast publicado por Harvard Business Review el 1 de octubre de 2026. El episodio plantea que la IA está reduciendo radicalmente el costo y el tiempo necesarios para convertir ideas en productos, pero que esa abundancia crea un nuevo problema: cuando producir deja de ser difícil, decidir qué merece ser producido se vuelve mucho más importante.
El episodio puede consultarse directamente en Harvard Business Review. Harvard Business Review: episodio sobre IA e innovación Y esa idea me parece mucho más interesante que la típica discusión sobre si una herramienta escribe mejores correos o si un chatbot puede ahorrarnos cuarenta minutos a la semana.
Porque cómo la inteligencia artificial está cambiando la innovación: por qué la velocidad por sí sola no es una estrategia no es simplemente una conversación sobre tecnología. Es una conversación sobre escasez. Sobre criterio. Sobre liderazgo. Sobre atención. Sobre responsabilidad.
Y, sobre todo, sobre qué ocurre cuando una organización obtiene una capacidad que hasta ahora jamás había tenido: la posibilidad de probar muchísimas más ideas de las que puede sensatamente utilizar.
La gran transformación de la IA no es producir más: es cambiar lo que resulta escaso
Durante décadas, buena parte de la innovación empresarial estuvo limitada por recursos muy concretos.
- Programadores.
- Presupuesto.
- Tiempo.
- Infraestructura.
- Diseñadores.
- Investigadores.
- Capacidad de producción.
- Personas capaces de convertir una idea abstracta en algo que realmente pudiera probarse.
Tener una idea podía ser fácil. Ejecutarla no. Por eso las organizaciones desarrollaron mecanismos para administrar esa escasez. Había presupuestos anuales, roadmaps, reuniones de aprobación, comités, estudios previos, presentaciones interminables y sistemas para decidir cuál de diez proyectos recibiría los recursos disponibles.
Todo aquello tenía sentido dentro de una economía de innovación cara. Pero la inteligencia artificial generativa empieza a modificar esa ecuación. Cuando un pequeño equipo puede desarrollar en días lo que antes requería semanas, cuando un prototipo deja de costar decenas de miles de dólares, cuando una persona puede analizar una cantidad de información que antes exigía un departamento entero, aparece algo nuevo.
La ejecución deja de ser el único cuello de botella. Y entonces la escasez se desplaza. Ya no tengo necesariamente pocas posibilidades. Tengo demasiadas. No me faltan versiones de una campaña. Tengo cien.
No me faltan funciones que podría incorporar al producto. Tengo doscientas. No me faltan hipótesis que podría investigar. Tengo tantas que podría pasarme el resto del año saltando entre ellas.
Ese cambio me parece fundamental porque obliga a redefinir lo que entendemos por productividad. En una economía de escasez productiva, producir más podía ser una ventaja importante. En una economía de abundancia productiva, producir indiscriminadamente puede transformarse en un problema.
La nueva productividad consiste también en descartar. En decir no. En cerrar. En elegir. En reconocer que algo técnicamente posible no necesariamente es estratégicamente valioso. Ahí empieza el verdadero cambio.
La inteligencia artificial ya está dentro de las empresas, pero los agentes todavía están comenzando
Conviene aterrizar la conversación porque es fácil hablar de inteligencia artificial como si estuviéramos describiendo una tecnología experimental utilizada por cinco laboratorios secretos. No es así. El Stanford AI Index 2026 señala que el 88% de las organizaciones estudiadas reportó utilizar inteligencia artificial y que el 70% ya utilizaba IA generativa en al menos una función empresarial. Al mismo tiempo, el despliegue de agentes autónomos continuaba en cifras de un dígito en casi todas las funciones analizadas.
El informe completo puede consultarse en Stanford Institute for Human-Centered Artificial Intelligence. Stanford AI Index 2026 Ese contraste me parece revelador. La inteligencia artificial ya no es marginal. Pero tampoco hemos llegado todavía al supuesto futuro en el que millones de agentes autónomos administran empresas completas mientras sus dueños miran una plantita crecer en el escritorio.
Estamos en una zona intermedia. Y las zonas intermedias suelen ser las más interesantes. La tecnología ya es suficientemente buena para modificar el trabajo. Pero las estructuras organizacionales todavía pertenecen, en buena medida, al mundo anterior.
Tenemos herramientas capaces de operar a velocidad de software dentro de empresas que continúan tomando muchas decisiones a velocidad de comité. Tenemos personas capaces de generar veinte posibilidades antes del almuerzo dentro de sistemas diseñados cuando producir una sola alternativa podía tomar tres semanas.
Tenemos abundancia técnica insertada dentro de estructuras administrativas creadas para gestionar escasez. Naturalmente aparecen fricciones. No porque la inteligencia artificial no funcione. Sino porque la organización completa todavía no ha sido rediseñada alrededor de esa capacidad.
Velocidad no es estrategia
Aquí aparece el problema que considero central. Una organización puede acelerar y seguir avanzando hacia el lugar equivocado. Incluso puede llegar al lugar equivocado mucho antes que su competencia. Hay algo ligeramente cómico en eso.
Durante años deseamos tecnologías que eliminaran las tareas lentas y repetitivas. Ahora que empiezan a existir, corremos el riesgo de utilizar el tiempo recuperado para producir una montaña todavía mayor de tareas lentas y repetitivas.
Antes escribíamos tres informes. Ahora generamos treinta. Antes alguien recibía veinte correos. Ahora puede recibir cuarenta correos escritos por asistentes automáticos que fueron creados precisamente para ahorrar tiempo. Antes una reunión generaba una presentación. Ahora una presentación puede generarse en segundos, así que naturalmente podemos fabricar siete.
Es el síndrome de la fotocopiadora aplicado al conocimiento: cuando copiar algo se vuelve barato, la reacción inicial de la organización suele ser copiar más. Pero la pregunta estratégica no es cuántas cosas puedo producir. Es qué resultado estoy intentando conseguir.
Si el resultado no está claro, cualquier incremento de velocidad amplifica la confusión. Por eso cada implementación seria de inteligencia artificial debería comenzar con una pregunta bastante aburrida, pero tremendamente poderosa:
¿Qué queremos mejorar?
No qué queremos automatizar. No qué herramienta queremos comprar. No qué está utilizando la competencia. No qué demostración vimos en una conferencia.
¿Qué resultado queremos mejorar?
- Ingresos.
- Calidad.
- Tiempo de respuesta.
- Retención.
- Conversión.
- Precisión.
- Satisfacción del cliente.
- Capacidad de investigación.
- Velocidad de aprendizaje.
Una vez definido eso, la inteligencia artificial deja de ser un espectáculo tecnológico y se transforma en una herramienta estratégica. La diferencia parece pequeña. No lo es.
El peligro de multiplicar la mediocridad
Existe una palabra que aparece cada vez más alrededor de la inteligencia artificial: slop. Contenido producido en grandes cantidades, aparentemente correcto, razonablemente presentable, pero vacío, genérico o innecesario. El fenómeno no pertenece exclusivamente al contenido.
Puede existir código mediocre. Investigación mediocre. Diseño mediocre. Presentaciones mediocres. Análisis mediocres. Campañas mediocres. Ideas de producto mediocres. Y una máquina capaz de generar resultados rápidamente puede generar mediocridad también rápidamente.
Eso cambia la economía del error. Antes, producir algo malo requería esfuerzo. Ahora puedo producir muchísimo material malo antes de descubrir que la idea original tampoco era especialmente buena. La eficiencia, en ese caso, no solucionó el problema. Lo industrializó.
Por eso una de las capacidades más importantes de una organización no será simplemente generar. Será editar. Editar en el sentido amplio.
- Eliminar.
- Priorizar.
- Comparar.
- Interrogar.
- Detectar inconsistencias.
- Preguntar si algo aporta valor real.
Un futuro dominado por herramientas generativas probablemente necesitará menos culto al primer borrador y más respeto por el editor. No solo al editor de textos. Al editor estratégico. La persona capaz de mirar veinte opciones técnicamente aceptables y comprender cuál tiene sentido para un cliente específico, una compañía específica y un momento específico.
Ese trabajo no desaparece cuando la máquina mejora. Se vuelve más importante.
El criterio humano podría convertirse en uno de los recursos más valiosos
Durante años escuchamos que la inteligencia artificial reemplazaría habilidades humanas. Algunas, sin duda, serán automatizadas. Pero hay otro efecto simultáneo. Cuando determinadas capacidades técnicas se democratizan, aumenta el valor de aquello que todavía permite diferenciar los resultados.
Imaginemos dos empresas. Ambas tienen acceso a modelos avanzados. Ambas pueden generar software. Ambas pueden analizar información. Ambas pueden automatizar procesos. Ambas pueden construir agentes. ¿Qué determina entonces cuál obtiene mejores resultados?
No puede ser simplemente el acceso a la tecnología, porque ambas la poseen. Empiezan a importar otras cosas.
- Qué preguntas hacen.
- Qué problemas eligen.
- Qué clientes entienden mejor.
- Qué información poseen.
- Qué decisiones toman.
- Qué están dispuestas a abandonar.
- Qué estándares establecen.
- Qué riesgos aceptan.
- Qué riesgos rechazan.
- Qué experiencia consideran excelente.
- Qué cosas encuentran mediocres incluso cuando una métrica afirma que funcionan.
Todo eso cabe dentro de una palabra enorme y algo incómoda: criterio. El criterio es difícil de automatizar precisamente porque depende de contexto. Un producto puede estar técnicamente bien construido y ser completamente innecesario. Una campaña puede tener estadísticas excelentes y destruir poco a poco el posicionamiento de una marca.
Un sistema puede aumentar la productividad mientras vuelve insoportable trabajar en la empresa. Un contenido puede acumular clics y no generar ninguna confianza. Una recomendación puede ser estadísticamente sensata y estratégicamente equivocada.
No todas las decisiones importantes pueden reducirse a una métrica aislada. La innovación necesita datos. Pero también necesita interpretación.
La IA puede mejorar nuestro pensamiento o permitirnos evitar pensar
Esta distinción me parece decisiva. Puedo utilizar inteligencia artificial para pensar mejor. O puedo utilizarla para evitar pensar. Externamente, ambos comportamientos pueden parecer exactamente iguales. En los dos casos aparece un documento. En los dos casos aparece una presentación. En los dos casos aparece un análisis. En los dos casos aparece un texto perfectamente ordenado.
Pero cognitivamente son procesos completamente distintos. En el primero, utilizo la IA para expandir mis posibilidades.
- Le pido contraargumentos.
- Busco relaciones que no había considerado.
- Pruebo hipótesis.
- Le entrego información.
- Critico sus resultados.
- Le pido que encuentre debilidades.
- Comparo sus conclusiones con otras fuentes.
- Refino.
- Decido.
En el segundo, escribo una instrucción, recibo una respuesta y la envío. Fin. La primera modalidad aumenta el pensamiento. La segunda simplemente desplaza el pensamiento fuera de mí. Esa diferencia puede volverse peligrosa dentro de una organización porque un documento producido automáticamente suele conservar la estética de un trabajo pensado.
Tiene títulos. Tiene estructura. Tiene lenguaje profesional. Tiene argumentos. Tiene incluso esa maravillosa capacidad corporativa de parecer importantísimo mientras nadie está completamente seguro de qué significa. El envase puede esconder la ausencia de comprensión.
Y cuando eso sucede de manera sistemática, la inteligencia artificial no amplifica la inteligencia de la organización. Amplifica su capacidad para producir material que parece inteligente. No es lo mismo.
El salto importante no consiste en hacer diez cosas en vez de tres
Uno de los cambios de mentalidad más valiosos consiste en abandonar la obsesión con el throughput. Supongamos que una persona realiza tres tareas de alto valor durante una jornada. Gracias a la IA ahora podría realizar diez. Eso suena fantástico.
Pero existe otra posibilidad más interesante.
¿Qué ocurre si continúa realizando tres, pero cada una resulta muchísimo mejor?
Quizás una investigación que antes requería revisar diez fuentes ahora puede explorar cincuenta. Quizás una propuesta comercial puede incorporar información específica del cliente que antes no teníamos tiempo de investigar.
Quizás una campaña puede probar múltiples hipótesis antes de invertir presupuesto. Quizás un periodista puede analizar miles de páginas de documentos antes de empezar a escribir. Quizás un médico investigador puede recorrer literatura científica con una amplitud que antes era imposible.
Quizás un emprendedor puede validar una idea antes de gastar meses construyéndola. Ahí la inteligencia artificial no funciona como una fábrica. Funciona como un amplificador cognitivo. Me parece una distinción mucho más fértil.
La pregunta deja de ser: “¿Cómo hago más?” Y pasa a ser: “¿Qué podría hacer mucho mejor ahora que algunas de mis limitaciones anteriores desaparecieron?” Eso cambia por completo la conversación.
Cada cuello de botella eliminado crea otro
Este fenómeno aparece claramente cuando observamos la producción de software. Si escribir código se acelera enormemente, revisar código puede transformarse en el siguiente problema. Si la revisión también se automatiza, decidir qué desarrollar puede convertirse en el cuello de botella.
Si decidir qué desarrollar mejora, quizás el problema pase a ser comprender realmente qué necesita el usuario. Si esa investigación se acelera, quizás el cuello de botella sea organizacional: alguien tiene que tomar una decisión.
La tecnología no elimina automáticamente los cuellos de botella. Los desplaza. Y casi siempre los desplaza hacia una capa más humana. Esto tiene una consecuencia importante para los líderes. Cuando una implementación de IA funciona, no basta con celebrar el ahorro inicial. Hay que mirar inmediatamente qué parte del sistema comienza a acumular presión.
Supongamos que un equipo de marketing puede generar campañas cinco veces más rápido. Fantástico. ¿Quién las aprueba? Si sigue existiendo una sola persona que debe revisar cada pieza, acabamos de construir una autopista de cinco pistas que desemboca en una tranquera.
Lo mismo ocurre en operaciones. En investigación. En ventas. En producto. En administración. El resultado real de una tecnología depende del sistema completo que la rodea. Optimizar una etapa puede incluso empeorar el rendimiento global si el resto del proceso no cambia.
Por eso la transformación con IA es organizacional antes que instrumental.
Decidir qué no hacer se transforma en una ventaja competitiva
Durante mucho tiempo, las empresas admiraron a las personas llenas de ideas. Tiene sentido. Las ideas parecían valiosas porque convertirlas en realidad era difícil. Pero cuando una organización puede generar, investigar y prototipar ideas en cantidades industriales, la habilidad escasa cambia.
Ahora resulta extraordinariamente valiosa la persona capaz de decir: No. Esto no. Esto tampoco. Aquello parece atractivo, pero no nos acerca a nuestro objetivo. Aquello podría funcionar, pero desviaría al equipo durante seis meses.
Aquello tiene métricas interesantes, pero no pertenece a nuestra estrategia. Aquello resuelve un problema que nuestros clientes realmente no tienen. Eso no es falta de innovación. Es disciplina. De hecho, podría convertirse en una de las formas más importantes de innovación.
Porque una organización sin restricciones no necesariamente se vuelve creativa. Puede simplemente volverse dispersa. La abundancia necesita límites. La creatividad siempre ha funcionado así. Un escritor no publica todas las frases que se le ocurren. Un diseñador no presenta todos sus bocetos. Un director no incluye todas las escenas filmadas. Un chef no pone todos los ingredientes de la cocina dentro del mismo plato.
Crear también significa excluir. La IA no elimina esa realidad. La vuelve mucho más visible.
La ventaja competitiva no será tener inteligencia artificial
Esto me parece especialmente importante para cualquier empresa que todavía esté formulando su “estrategia de IA”. Dentro de poco, decir que una organización “utiliza inteligencia artificial” será aproximadamente tan informativo como decir que utiliza internet. Naturalmente.
La pregunta relevante será cómo. El Stanford AI Index ya muestra una adopción organizacional muy extendida. Si prácticamente todos los competidores importantes tienen acceso a modelos avanzados, agentes y automatización, el acceso por sí solo deja de ser diferenciador.
Eso obliga a pensar la ventaja competitiva de otra manera. Una empresa puede tener las mismas herramientas que otra y utilizarlas mucho peor. Exactamente igual que dos restaurantes pueden comprar ingredientes similares y producir resultados completamente diferentes.
La tecnología es un insumo. No es la estrategia. La verdadera diferencia aparece en cómo la organización combina activos que otros no pueden copiar fácilmente.
- Datos propios.
- Conocimiento acumulado.
- Relaciones con clientes.
- Marca.
- Distribución.
- Procesos.
- Cultura.
- Especialización.
- Talento.
- Velocidad de aprendizaje.
- Capacidad de tomar decisiones.
- Y, ahora, la habilidad para coordinar personas y agentes de IA dentro de esos sistemas.
Ahí existe una oportunidad mucho más interesante que instalar un chatbot en la esquina inferior derecha de una página web y declarar solemnemente que comenzó la transformación digital.
De copilotos a compañeros digitales: la llegada de los agentes de IA
La siguiente fase de esta transformación no gira solamente alrededor de modelos que responden preguntas. Gira alrededor de sistemas capaces de realizar acciones. Los agentes de IA pueden analizar información, utilizar herramientas, ejecutar procesos y perseguir determinados objetivos con diferentes grados de autonomía.
La diferencia es importante. Un chatbot espera. Un agente puede actuar. Eso aumenta enormemente el potencial. También aumenta el riesgo. Cisco, por ejemplo, ha desarrollado herramientas internas y plataformas orientadas hacia esta forma de trabajo. La compañía describe MyAgent como un asistente autónomo incorporado al flujo de trabajo de aproximadamente 90.000 empleados, y su plataforma Cisco Cloud Control está diseñada para que personas y agentes operen sobre un entorno compartido mientras el control final permanece en manos humanas.
Puede consultarse la información oficial de Cisco sobre su plataforma y estrategia de agentes. Cisco: plataforma para operaciones con agentes de IA Esto introduce un concepto organizacional fascinante. Dentro de una empresa futura, una persona no necesariamente gestionará solamente personas. También gestionará sistemas. Agentes. Flujos automáticos. Delegaciones digitales.
El trabajo de gestión, entonces, adquiere una nueva dimensión.
- Habrá que definir objetivos.
- Proporcionar contexto.
- Crear permisos.
- Evaluar resultados.
- Intervenir cuando algo sale mal.
- Modificar instrucciones.
- Revisar comportamientos.
- Establecer responsabilidad.
Suena familiar. Porque muchas de esas actividades ya forman parte de administrar un equipo humano. La diferencia está en la velocidad y en la escala.
Una organización AI-native no es una empresa llena de chatbots
El término AI-native puede convertirse fácilmente en otro adorno corporativo, así que prefiero darle un significado más estricto. Para mí, una organización verdaderamente diseñada alrededor de la inteligencia artificial no es aquella que compra muchas herramientas.
Es aquella cuyos procesos fueron reconsiderados partiendo de una pregunta:
¿Cómo diseñaríamos este trabajo si la inteligencia, el análisis y parte de la ejecución estuvieran disponibles prácticamente bajo demanda?
Esa pregunta puede producir respuestas bastante distintas de “agreguemos IA al proceso actual”. Pensemos en una aprobación interna que contiene doce etapas. Automatizar cada una de esas doce etapas puede ser menos inteligente que preguntarse por qué existen doce.
Pensemos en un informe semanal que diez personas preparan y otras cuarenta reciben. Tal vez no necesitamos producirlo más rápido. Tal vez no necesitamos producirlo. Quizás cada ejecutivo podría consultar dinámicamente la información que necesita cuando la necesita.
La transformación real aparece cuando dejamos de digitalizar costumbres antiguas y empezamos a cuestionarlas. Internet produjo algo similar. Durante sus primeros años muchas compañías simplemente trasladaron sus catálogos de papel a una pantalla. Luego aparecieron modelos de negocio que jamás habrían tenido sentido sin la red.
Con la IA probablemente veremos la misma evolución. Primero automatizamos tareas existentes. Después descubrimos maneras completamente distintas de organizar el trabajo.
Cisco ofrece una pista de lo que significa cambiar la velocidad interna de una empresa
Uno de los ejemplos más llamativos discutidos alrededor del episodio es la transformación de Cisco hacia una plataforma de gestión más integrada. Cisco ha crecido durante décadas mediante adquisiciones y posee un portafolio tecnológico enorme. La compañía ha presentado Cisco Cloud Control como una plataforma unificada que conecta networking, seguridad, cómputo, observabilidad y colaboración dentro de un mismo entorno operativo para humanos y agentes.
Patel describe en la conversación un cambio radical en la velocidad con la que Cisco pudo abordar proyectos internos de gran escala mediante IA. Algunos plazos que tradicionalmente habrían sido planteados en años pasaron a ejecutarse en meses, una experiencia que utiliza para ilustrar cómo cambia el “reloj” de una organización cuando determinadas tareas técnicas se automatizan.
No me interesa demasiado la cifra exacta. Me interesa la consecuencia psicológica. Las organizaciones desarrollan intuiciones sobre cuánto “debería” tardar algo. Tres meses. Un año. Cinco años. Esas estimaciones terminan incorporándose a la cultura. A los presupuestos. A los calendarios. A las ambiciones.
A veces incluso dejamos de plantear ciertas ideas porque damos por hecho que son demasiado grandes. Cuando el costo de ejecución cae radicalmente, algunas de esas intuiciones dejan de ser útiles.
Y eso puede resultar desconcertante. Porque no solo cambia lo que podemos hacer. Cambia lo que nos permitimos imaginar.
La IA puede convertir problemas anteriormente imposibles en problemas abordables
Ésta es, para mí, una de las perspectivas más prometedoras. La conversación pública sobre productividad suele concentrarse en ahorrar tiempo. Redactar más rápido. Programar más rápido. Responder más rápido. Analizar más rápido.
Pero hay otra categoría mucho más interesante. Problemas que antes directamente no intentábamos resolver. Porque eran demasiado grandes. Demasiado caros. Demasiado complejos. Requerían demasiada información. Necesitaban demasiadas personas. O simplemente excedían nuestra capacidad de procesamiento.
Cuando el costo intelectual de explorar un problema disminuye, cambia también el tamaño de los problemas que una organización puede considerar. Una pequeña empresa puede investigar mercados internacionales sin contratar inicialmente a una consultora completa.
Un investigador independiente puede analizar colecciones gigantescas de documentos. Un equipo reducido puede construir prototipos funcionales suficientes para validar una hipótesis. Una organización sin fines de lucro puede procesar información que anteriormente habría requerido infraestructura fuera de su alcance.
Un profesional puede construir herramientas personalizadas para tareas que jamás justificarían contratar a un equipo de software. Aquí la IA deja de funcionar solamente como optimización. Se transforma en expansión de posibilidades. Y esa diferencia importa.
Optimización significa hacer lo mismo con menos recursos. Innovación significa poder hacer algo que antes resultaba impracticable.
La seguridad deja de ser un departamento al final del proceso
Cuanto más capaces se vuelven los agentes de realizar acciones, más importante resulta controlar qué acciones pueden realizar. Un sistema que solamente genera texto puede equivocarse. Un sistema que posee acceso a archivos, correos, bases de datos, infraestructura, pagos o configuraciones puede hacer bastante más que equivocarse. Puede actuar.
Por eso la seguridad de la IA agéntica no puede consistir exclusivamente en revisar problemas después de que ocurran.
- Necesita permisos.
- Identidad.
- Límites.
- Registro.
- Supervisión.
- Evaluación.
- Controles durante la ejecución.
Cisco ha enfatizado precisamente esta dimensión al diseñar controles de identidad, acceso Zero Trust, protección de agentes antes del despliegue y mecanismos para detener comportamientos peligrosos durante la ejecución. En una encuesta citada por la propia empresa, el 85% de grandes clientes empresariales decía estar experimentando con agentes, mientras solo el 5% había llegado a producción.
Esa diferencia entre experimentar e implementar no es sorprendente. Crear una demostración es relativamente sencillo. Permitir que un agente intervenga en un sistema crítico es otra historia.
La gobernanza de IA debe convertirse en una práctica cotidiana
Existe un peligro en tratar la gobernanza como una especie de burocracia antipática que aparece después de la innovación para decir que no. Ese modelo probablemente fracase. La gobernanza tiene que formar parte del diseño.
El National Institute of Standards and Technology (NIST) propone en su AI Risk Management Framework cuatro funciones centrales: gobernar, mapear, medir y gestionar los riesgos relacionados con sistemas de inteligencia artificial. El marco está diseñado precisamente para integrar consideraciones de confiabilidad durante el diseño, desarrollo, despliegue y utilización de estos sistemas.
La documentación oficial está disponible en el centro de recursos de IA del NIST. NIST AI Risk Management Framework Me gusta ese enfoque porque evita dos extremos igualmente inútiles. El primero es la irresponsabilidad. “Probemos todo y después vemos.”
El segundo es la parálisis. “No haremos nada hasta que sea imposible que algo salga mal.” Ninguna innovación importante funciona bajo esos criterios. Gestionar riesgos significa determinar qué riesgo existe, qué impacto tendría, cómo puede detectarse y qué protección necesitamos. No significa fingir que podemos eliminar toda incertidumbre.
La responsabilidad no desaparece porque una máquina haya escrito el resultado
Ésta será una discusión cada vez más importante. Si un agente escribe código que causa un problema, ¿quién responde? Si genera una recomendación financiera defectuosa, ¿quién la aprobó? Si envía información equivocada a un cliente, ¿quién era responsable del proceso?
Si crea una pieza de comunicación ofensiva, ¿podemos limitarnos a decir que “lo hizo la IA”? No.
Delegar ejecución no equivale a delegar responsabilidad.
Una organización madura necesita mantener una cadena clara de responsabilidad humana incluso cuando buena parte del trabajo sea automatizado. Esto no implica revisar manualmente cada carácter generado por una máquina para siempre. Sería absurdo y eliminaría buena parte de la ventaja.
Significa diseñar diferentes grados de autonomía según el riesgo. Una tarea reversible y de bajo impacto puede ejecutarse con amplia autonomía. Una decisión que afecta dinero, seguridad, empleo, salud o derechos probablemente requiere controles mucho más estrictos.
El error está en tratar todas las tareas como equivalentes. No lo son. Enviar un resumen interno no tiene las mismas consecuencias que modificar infraestructura crítica. La autonomía debería ser proporcional al impacto potencial.
La confianza será infraestructura
Existe una tendencia comprensible a imaginar el futuro de la inteligencia artificial como una carrera por construir modelos cada vez más inteligentes. Pero la inteligencia por sí sola no basta.
Necesitamos confiar en el sistema. Cisco ha descrito explícitamente la confianza como una condición necesaria para desplegar agentes empresariales a escala, especialmente cuando acceden a infraestructura, datos y procesos críticos.
Eso introduce otra forma de ventaja competitiva. Una empresa capaz de utilizar inteligencia artificial con seguridad puede avanzar más rápido que otra que posee herramientas igualmente poderosas pero no se atreve a concederles acceso real.
La confianza, entonces, no es solamente un sentimiento. Es infraestructura. Surge de permisos correctamente diseñados. Trazabilidad. Evaluaciones. Datos confiables. Identidad. Controles. Capacidad para detener procesos. Responsabilidad. Observabilidad. Protocolos. Todo eso puede sonar menos glamoroso que una demostración espectacular de IA.
Pero probablemente determine quién consigue convertir esas demostraciones en operaciones reales.
La cultura puede avanzar más lento que la tecnología
Éste es uno de los aspectos que más fácilmente olvidamos. Una herramienta puede actualizarse durante la noche. Una cultura organizacional no. Las personas necesitan tiempo para modificar hábitos. Para confiar. Para experimentar. Para equivocarse. Para entender qué funciona. Para descubrir qué tareas vale la pena delegar. Para aprender a evaluar resultados generados por máquinas. Para abandonar procedimientos que durante años fueron considerados “la manera correcta”.
Ahí aparece una dificultad particular de esta revolución tecnológica. La tecnología cambia tan rápido que una mala experiencia puede caducar. Alguien prueba una herramienta. No funciona bien. La abandona. Seis meses después continúa explicando que la inteligencia artificial “no sirve para eso”, aunque el sistema que probó haya cambiado varias veces desde entonces.
Esto obliga a desarrollar una cultura de reevaluación. No significa perseguir cada producto nuevo que aparece un martes por la tarde. Eso conduciría directamente a una crisis nerviosa corporativa. Significa entender que nuestras conclusiones sobre capacidades tecnológicas necesitan fecha de vencimiento.
“Esto no funciona” debería transformarse muchas veces en: “Esto no funciona suficientemente bien hoy.” Es una diferencia pequeña en lenguaje. Pero enorme en estrategia.
Experimentar sin rigor tampoco sirve
Ahora bien, una cultura experimental no significa que todo valga. Existe una versión infantil de la innovación que consiste en lanzar cosas continuamente y llamar a cualquier resultado “aprendizaje”. No.
Un experimento útil necesita una hipótesis. Necesita una métrica. Necesita alguna forma de comparar. Necesita saber qué decisión podría cambiar a partir del resultado. Si nada depende del experimento, probablemente no estamos experimentando. Estamos jugando.
Jugar puede ser estupendo durante una fase exploratoria. Pero una empresa no puede permanecer eternamente en modo laboratorio. En algún momento debe decidir. La velocidad de prototipado que ofrece la IA vuelve este rigor todavía más necesario.
Cuando construir una prueba era costoso, la propia dificultad obligaba a seleccionar. Cuando probar cien cosas resulta barato, aparece la tentación de probar cien cosas sin saber qué estamos buscando.
Ese es otro ejemplo de abundancia convirtiéndose en ruido.
El trabajo humano no desaparecerá de manera uniforme: se reconfigurará
Hablar del futuro del empleo como si existieran solamente dos posibilidades, “la IA elimina los trabajos” o “la IA no elimina ningún trabajo”, me parece poco útil. Las tecnologías importantes raramente transforman el trabajo de manera tan limpia.
Cambian tareas. Cambian roles. Cambian habilidades. Cambian equipos. Cambian industrias. Crean trabajos. Destruyen otros. Transforman muchos más. Patel sostiene que prácticamente todos los trabajos acabarán reconfigurándose de alguna forma y que el cambio resulta particularmente incómodo por la velocidad con la que ocurre. En el caso de Cisco, afirma que miles de ingenieros ya utilizan IA para programar mientras la compañía espera mantener o incluso ampliar su capacidad humana de ingeniería.
No tomaría esa experiencia como una predicción universal sobre el mercado laboral. Pero sí como una pista importante. Cuando una tarea se automatiza, el valor humano puede desplazarse.
- Del código hacia la arquitectura.
- De la producción hacia la revisión.
- De la redacción hacia la edición.
- Del análisis básico hacia la interpretación.
- De ejecutar instrucciones hacia definir problemas.
- De buscar información hacia decidir qué información importa.
Ese desplazamiento puede beneficiar a algunas personas y perjudicar a otras. No hay razón para romantizarlo. Pero ignorarlo tampoco ayuda.
Aprender a dirigir inteligencia puede convertirse en una habilidad profesional básica
Durante décadas, la educación profesional nos entrenó para producir directamente. Escribir. Calcular. Investigar. Diseñar. Programar. Presentar. Analizar. Ahora aparece una habilidad adicional. Dirigir sistemas capaces de realizar parte de ese trabajo.
Eso exige saber explicar un objetivo. Proporcionar contexto. Evaluar una respuesta. Detectar un error. Solicitar una revisión. Dividir problemas. Combinar fuentes. Definir límites. Elegir herramientas. Verificar. No me entusiasma demasiado la idea de reducir todo esto al famoso “prompt engineering”. Es algo mucho más amplio.
Un buen profesional no será necesariamente quien conozca la frase mágica que consigue una respuesta espectacular de un modelo. Será quien sepa convertir una intención compleja en un proceso confiable entre humanos y máquinas.
Eso se parece más a dirigir que a redactar instrucciones. Y cuanto más autónomos sean los agentes, más importante resultará.
La gran pregunta no es qué puede hacer la IA, sino qué debería seguir haciendo yo
Ésta es una pregunta especialmente útil porque obliga a invertir la conversación. Normalmente preguntamos: ¿Qué puedo automatizar? Yo prefiero preguntar: ¿Qué quiero conservar?
Puede haber actividades que técnicamente podrían automatizarse y que, sin embargo, siguen siendo valiosas precisamente porque las hago yo.
- Una conversación con un cliente.
- La decisión final sobre una contratación.
- Escribir una idea que necesito comprender profundamente.
- Revisar una propuesta estratégica.
- Diseñar la dirección de un proyecto.
- Conversar con un equipo durante una crisis.
No porque la máquina sea incapaz de aportar. Puede aportar muchísimo. Pero el acto de realizar determinadas tareas produce comprensión. Y la comprensión también tiene valor. Si delego absolutamente todo el proceso intelectual, corro el riesgo de convertirme en un aprobador de resultados que ya no entiendo.
La eficiencia tendría entonces un costo invisible. Habría ahorrado tiempo. Pero habría perdido conocimiento.
La automatización puede producir una paradoja de atención
Existe otra consecuencia menos evidente. Cuanto más trabajo pueda producir el sistema, más atención humana puede exigir después. Cinco informes automáticos siguen necesitando alguien que decida qué hacer con ellos. Veinte oportunidades detectadas automáticamente necesitan priorización. Cien ideas necesitan selección. Mil alertas necesitan clasificación.
La IA puede eliminar trabajo y, simultáneamente, crear una nueva montaña de información reclamando nuestra atención. Por eso diseñar sistemas inteligentes también significa diseñar filtros. No necesito que mi agente me cuente todo. Necesito que me cuente lo importante.
No necesito veinte métricas. Necesito saber cuál cambió suficientemente como para alterar una decisión. No necesito un resumen de cada reunión. Necesito recordar los compromisos que adquirí. Ese principio es simple.
Una buena automatización no debería producir más información de la que una persona puede utilizar. De lo contrario no eliminamos el problema. Simplemente lo trasladamos del trabajo hacia la atención.
La innovación necesita una nueva métrica: calidad de decisiones por unidad de tiempo
Durante años medimos productividad industrial mediante unidades producidas. Después trasladamos inconscientemente esa lógica al trabajo intelectual. Correos enviados. Tickets cerrados. Presentaciones creadas. Horas facturadas. Tareas completadas. Con inteligencia artificial, esas métricas pueden volverse particularmente engañosas.
Un trabajador que utiliza agentes podría generar diez veces más artefactos sin crear diez veces más valor. Por eso necesitamos métricas más cercanas al resultado.
- Decisiones mejores.
- Problemas resueltos.
- Errores evitados.
- Tiempo de ciclo.
- Satisfacción.
- Aprendizaje obtenido.
- Hipótesis descartadas.
- Ingresos.
- Retención.
- Impacto.
La pregunta debería ser:
¿Nuestra capacidad de tomar buenas decisiones está aumentando al mismo ritmo que nuestra capacidad de producir información?
Si la respuesta es no, tenemos un problema.
Cómo la inteligencia artificial está cambiando la innovación: por qué la velocidad por sí sola no es una estrategia
Llegados a este punto, puedo formular mi interpretación principal de cómo la inteligencia artificial está cambiando la innovación: por qué la velocidad por sí sola no es una estrategia. La inteligencia artificial no destruye la necesidad de estrategia. Hace que la estrategia sea todavía más necesaria.
Porque cada barrera técnica que desaparece aumenta la cantidad de caminos posibles. Y cuantos más caminos existen, más importante resulta saber adónde queremos ir. No estamos entrando simplemente en una era donde las organizaciones producirán más. Estamos entrando en una era donde podrán intentar más cosas de las que sensatamente deberían intentar.
Eso transforma el liderazgo. Antes, una función central del líder era conseguir recursos suficientes para ejecutar una idea. Ahora, cada vez más, será decidir dónde no utilizar recursos que se han vuelto extraordinariamente abundantes.
Antes preguntábamos si teníamos capacidad para construir algo. Ahora tendremos que preguntar si realmente merece existir. Es una pregunta mucho menos tecnológica. Y muchísimo más difícil.
Siete preguntas que utilizaría antes de automatizar un proceso con IA
Si tuviera que convertir toda esta reflexión en un mecanismo práctico para una empresa, un equipo o incluso un profesional independiente, utilizaría estas preguntas antes de entregar un proceso importante a la inteligencia artificial:
- ¿Qué resultado estamos intentando mejorar exactamente? Si no puedo expresarlo claramente, todavía no tengo un proyecto de IA; tengo curiosidad tecnológica.
- ¿Qué parte del proceso constituye hoy el verdadero cuello de botella? Automatizar una etapa que no limita el sistema puede generar más trabajo aguas abajo.
- ¿Qué ocurriría si nuestra capacidad en esta etapa aumentara diez veces? Esta pregunta revela inmediatamente dónde aparecerá el próximo problema.
- ¿Qué nivel de error podemos aceptar? Un resumen interno y una decisión financiera no deberían tener el mismo grado de autonomía.
- ¿Quién mantiene la responsabilidad humana por el resultado? Todo sistema necesita una persona o rol claramente responsable, incluso cuando la ejecución esté automatizada.
- ¿Cómo sabremos que la calidad mejoró y no solamente la velocidad? La métrica debe estar relacionada con el resultado, no con la cantidad de contenido producido.
- ¿Qué deberíamos dejar de hacer si esta automatización funciona? Si incorporamos IA pero mantenemos absolutamente todos los procesos anteriores, probablemente terminaremos aumentando la complejidad en lugar de reducirla.
No considero estas preguntas un formulario burocrático. Las considero una defensa contra el entusiasmo sin dirección. Porque la tecnología puede hacer muchísimo. Y precisamente por eso necesitamos decidir qué vale la pena hacer.
Qué significa todo esto para pequeñas empresas y profesionales independientes
Puede parecer que esta conversación pertenece solamente a compañías gigantescas. No es así. De hecho, una de las características más interesantes de la inteligencia artificial es que herramientas anteriormente reservadas para organizaciones enormes ahora pueden estar disponibles para equipos diminutos.
Una persona puede realizar investigación de mercado. Crear un prototipo. Analizar datos. Construir automatizaciones. Preparar material comercial. Explorar ideas. Traducir. Programar. Diseñar sistemas internos. Eso reduce algunas ventajas tradicionales de escala. Pero aumenta otras.
Un pequeño negocio ya no puede competir simplemente diciendo que también tiene acceso a IA. Todos terminarán teniéndolo. Su ventaja deberá aparecer en su conocimiento del cliente. En su especialización. En la velocidad para aprender. En la personalidad de la marca. En la relación con su comunidad. En la capacidad de detectar problemas específicos que una empresa grande ignora.
En otras palabras, mientras las herramientas se homogeneizan, lo particular puede volverse más valioso. Eso me parece una buena noticia.
La inteligencia abundante puede aumentar el valor de una perspectiva singular
Si millones de personas utilizan modelos similares, existe un riesgo evidente de convergencia. Textos parecidos. Presentaciones parecidas. Ideas parecidas. Diseños parecidos. Productos construidos siguiendo las mismas recomendaciones promedio. La inteligencia artificial puede generar diversidad de opciones, pero también está entrenada sobre patrones existentes.
Eso significa que una perspectiva humana auténtica puede adquirir un valor inesperado. Experiencia. Historia. Contexto cultural. Humor. Contradicciones. Gustos. Obsesiones. Conocimiento específico. Todo aquello que convierte una respuesta técnicamente correcta en algo reconocible.
Por eso no creo que la respuesta al avance de la IA sea intentar parecer menos humano para ser más eficiente. Podría ser exactamente lo contrario. Utilizar las máquinas para ampliar nuestras capacidades y dedicar más energía a aquello que nos diferencia.
La tecnología se vuelve común. La perspectiva no necesariamente.
No necesito competir con la máquina en aquello que la máquina hace extraordinariamente bien
Hay otra adaptación psicológica que considero necesaria. Resulta inútil convertir la relación entre humanos e inteligencia artificial en una olimpiada permanente. Quién escribe más rápido. Quién recuerda más datos. Quién genera más alternativas. Quién resume antes un documento.
Si una máquina puede realizar una tarea repetitiva cien veces más rápido, no necesito demostrar heroicamente que todavía puedo hacerla manualmente. Necesito preguntarme qué parte del trabajo cambia ahora. La calculadora no destruyó las matemáticas. Permitió dedicar menos tiempo a determinados cálculos y más a problemas de otra escala.
Las hojas de cálculo no eliminaron la gestión financiera. Transformaron lo que una persona podía analizar. Internet no eliminó la investigación. Cambió sus posibilidades y sus riesgos. La IA probablemente seguirá una trayectoria parecida, aunque la velocidad sea mucho mayor.
Mi trabajo no consiste en ganarle una carrera al software. Consiste en utilizarlo para llegar a lugares donde antes no podía llegar.
Tampoco deberíamos enamorarnos de la velocidad
Existe una estética de la rapidez. Todo instantáneo. Todo automático. Todo “en segundos”. Es seductora. Pero algunas cosas importantes siguen necesitando tiempo. Comprender. Construir confianza. Cambiar una cultura. Madurar una idea. Observar a un cliente. Aprender una disciplina. Desarrollar buen gusto. Asumir responsabilidad. Pensar.
Ningún incremento de capacidad computacional convierte automáticamente esos procesos en botones. Y no necesariamente deberíamos querer que lo hiciera. El objetivo de la tecnología no debería ser eliminar cada pausa de nuestra vida profesional. Algunas pausas son donde ocurre el pensamiento.
Una organización realmente avanzada podría descubrir algo paradójico. Gracias a la IA, podrá ejecutar muchísimo más rápido. Y precisamente por eso podrá permitirse pensar más despacio antes de decidir qué ejecutar.
Eso sí me parece progreso.
La oportunidad más grande está en combinar velocidad con profundidad
No quiero terminar esta reflexión convirtiéndome en defensor de la lentitud por nostalgia. Sería igualmente absurdo. La velocidad importa. Puede salvar dinero. Puede aumentar la capacidad. Puede acortar ciclos. Puede permitir experimentar. Puede revelar información antes. Puede liberar tiempo. Puede hacer viables proyectos que anteriormente no lo eran.
El error consiste en tratarla como objetivo final. La combinación poderosa aparece cuando una organización utiliza la velocidad para obtener profundidad. Investigar más. Comparar más. Probar antes. Detectar errores. Explorar escenarios. Refinar. Aprender.
Entonces la rapidez no reemplaza el pensamiento. Le entrega más espacio. Ese debería ser, a mi juicio, uno de los grandes objetivos de la inteligencia artificial empresarial. No fabricar frenéticamente. Pensar mejor y ejecutar mejor.
Un nuevo contrato entre humanos y máquinas
Lo que emerge de todo esto no es una historia donde la máquina trabaja y el humano desaparece. Tampoco una donde la máquina sigue siendo eternamente una secretaria digital obediente.
Parece algo bastante más complejo. Un sistema híbrido.
- Personas definiendo objetivos.
- Modelos procesando enormes cantidades de información.
- Agentes ejecutando procesos.
- Otros sistemas supervisándolos.
- Humanos interpretando.
- Máquinas generando alternativas.
- Personas asumiendo responsabilidad.
Todo funcionando a distintas velocidades. Ese sistema necesitará nuevas prácticas de gestión. Nuevas habilidades. Nuevas normas. Nuevos mecanismos de confianza. Nuevas maneras de medir productividad. Y probablemente nuevas ideas sobre qué significa hacer bien un trabajo.
No hay razón para suponer que ya conocemos todas esas respuestas. Estamos aprendiendo mientras construimos.
Lo que me queda después de esta conversación
Después de escuchar y analizar esta discusión sobre inteligencia artificial e innovación, no me quedo con una herramienta específica. Tampoco con una predicción. Me quedo con una advertencia mucho más útil.
La abundancia cambia el problema. Cuando producir era caro, el desafío era conseguir capacidad. Cuando producir se vuelve barato, el desafío pasa a ser utilizar esa capacidad con inteligencia. No necesitamos solamente mejores modelos. Necesitamos mejores preguntas.
No necesitamos solamente más automatización. Necesitamos saber qué merece automatizarse. No necesitamos solamente hacer más cosas. Necesitamos decidir qué cosas importan. No necesitamos solamente agentes capaces de actuar. Necesitamos sistemas capaces de mantenerlos dentro de límites comprensibles y responsables.
No necesitamos solamente velocidad. Necesitamos dirección.
Ahí está, para mí, la idea que convierte esta conversación sobre tecnología en una conversación mucho más amplia sobre trabajo, liderazgo y creatividad. La inteligencia artificial está reduciendo algunas de las restricciones que durante décadas definieron la innovación. Eso es extraordinario.
Pero eliminar una restricción nunca nos dice automáticamente qué hacer con la libertad obtenida. Esa decisión sigue siendo nuestra. Y quizás esa sea la ironía más interesante de toda esta revolución.
Cuanto más inteligentes se vuelven nuestras herramientas, más importante se vuelve aprender a elegir.
Fuentes y lecturas recomendadas
El episodio que inspira este análisis pertenece a HBR IdeaCast, de Harvard Business Review, y fue publicado el 1 de octubre de 2026. Escuchar o leer el episodio en Harvard Business Review
Para datos sobre adopción empresarial, evolución técnica y economía de la inteligencia artificial, utilicé el Stanford AI Index Report 2026, elaborado por Stanford Institute for Human-Centered Artificial Intelligence. Consultar Stanford AI Index 2026
Para los principios de gestión de riesgo y gobernanza de sistemas de inteligencia artificial, la referencia utilizada es el AI Risk Management Framework del National Institute of Standards and Technology. Consultar el AI Risk Management Framework del NIST
Para información sobre sistemas de agentes, seguridad y la infraestructura AI-native descrita en este artículo, utilicé documentación oficial de Cisco, incluyendo Cisco Cloud Control y sus desarrollos de seguridad para entornos agénticos. Consultar la información oficial de Cisco sobre IA agéntica
