Desde tu rol, ¿cómo viste evolucionar la adopción de inteligencia artificial en los últimos años?

Creo que la evolución tuvo tres momentos bastante claros. El primero fue el de la curiosidad individual. Apenas estuvieron disponibles las herramientas, como Copilot, Gemini, ChatGPT, la adopción arrancó por iniciativa propia, los llamados early adopters: algunas personas empezaron a probar de forma experimental, esporádica. El valor que generaba dependía de quién las usara y cómo.

El segundo momento llegó al ver que ese entusiasmo individual no se traducía en impacto sostenido. Ahí se volvió necesario definir cómo integrar la IA dentro del ciclo de trabajo para que realmente sea un acelerador: en qué etapas aporta realmente, cuándo vale la pena usarla y para resolver qué cosas, y empezar a medir el uso.

El tercer momento, en el que estamos hoy, es el de la transformación. La IA dejó de ser una herramienta del equipo de desarrollo para permear otros procesos como relevamiento, diseño, operación, análisis y, sobre todo, para cambiar la conversación: ya no se pregunta “¿quién la está usando?”, sino «¿cómo rediseñamos este proceso asumiendo que la IA es parte del equipo?”. Ahí ya empezamos a pensar en soluciones agénticas.

Lo que más aprendí en este camino es que, si bien las herramientas estuvieron disponibles desde el primer momento, el desafío nunca fue tecnológico. El verdadero trabajo fue darle método y dirección a esta nueva forma de trabajar.

¿Cuáles fueron las principales resistencias y desafíos que enfrentaste al impulsar la adopción de IA?

Las resistencias fueron más humanas que técnicas. Todos hablamos de la tecnología, pero pocos hablamos de la gestión del cambio.

No es fácil gestionar el cambio cuando la tecnología evoluciona día a día y nadie sabe a ciencia cierta cómo hay que trabajar de ahora en adelante. El nivel de incertidumbre es grande, y la inquietud está latente, la persona usa la herramienta a medias, como puede, como se le ocurre. Hasta que no se convierte en «esto te potencia y te saca de las tareas que menos valor te aportan», no hay adopción genuina.

Otra resistencia fue la desconfianza en la calidad. Costó instalar la idea de que la IA no es infalible ni reemplaza el juicio, sino que requiere supervisión: el profesional sigue siendo responsable del resultado.

Un tercer desafío fue la dispersión. Sin un marco común, cada uno la usaba a su manera, y eso generaba riesgos de calidad y seguridad difíciles de gobernar. Fue necesario definir algunos lineamientos: qué se puede, con qué datos, con qué niveles de autonomía. Todo esto sin matar la experimentación; es un equilibrio delicado.

Y hubo una resistencia más, que es la inercia: equipos que estaban cómodos con su forma de trabajar y para quienes incorporar la IA significaba un esfuerzo adicional en el corto plazo antes de ver el beneficio. Ahí lo que funcionó no fue la imposición, sino mostrar casos concretos de pares que ya estaban ganando tiempo. El ejemplo cercano convence más que cualquier lineamiento dado.

En el fondo, el mayor desafío fue gestionar un cambio cultural, no una implementación de software.

¿Qué condiciones necesita generar una organización para que la IA se transforme en una herramienta cotidiana y no quede como una iniciativa aislada?

Para mí hay cuatro condiciones que marcan la diferencia entre que la IA quede como un piloto vistoso y que se vuelva parte del día a día.

La primera es integrarla en los procesos que ya existen, no en paralelo a ellos. Si la IA es “algo aparte” que hay que recordar usar, pierde. Tiene que estar embebida en el flujo de trabajo, en las herramientas que la gente ya abre todos los días.

La segunda es el gobierno de uso. Sin reglas claras de calidad, seguridad y manejo de datos, la organización entra en un dilema: o frena todo por miedo al riesgo, o avanza sin control. Definir lineamientos es lo que permite escalar con confianza.

La tercera es el liderazgo que predica con el ejemplo. Si quien lidera no usa la IA, no la entiende ni la incorpora a su propia forma de trabajar, el mensaje al equipo es que “es opcional”. La adopción se acelera cuando los líderes son los primeros usuarios, y le muestran al resto el valor que genera.

Y, por encima de todo, medir. Lo que no se mide se diluye. Cuando la organización puede mostrar que la IA está ahorrando tiempo, mejorando calidad o liberando a la gente para tareas de más valor, se convierte en una forma de trabajar que se sostiene sola.

¿Cómo cambió el rol de los líderes en un contexto donde la IA forma parte del trabajo diario?

Cambió de manera profunda, y sigue cambiando. Históricamente, buena parte del rol del líder pasaba por distribuir y supervisar tareas. Hoy, cuando muchas de esas tareas las puede asistir o acelerar la IA, el foco se corre hacia algo más estratégico: diseñar cómo se trabaja, no solo controlar qué se hace, decidir qué procesos rediseñar asumiendo que la IA es parte del equipo y dónde el criterio humano es imprescindible.

Hay, además,un cambio de fondo en qué es lo que aporta valor. Durante años, la tecnología fue el cuello de botella: la conversación giraba en torno a si algo se podía construir y en cuánto tiempo. Hoy, con la IA, esa barrera se corrió muchísimo. Lo escaso ya no es la capacidad de construir, sino la de definir bien el negocio: entender qué se necesita, traducirlo en un problema claro y validar si lo que genera la IA realmente sirve. Por eso, el experto en un dominio gana un protagonismo que antes quizás quedaba tapado por lo técnico. Y el líder que combina ese conocimiento profundo del negocio con la capacidad de apalancarse en la IA pasa a tener un rol mucho más decisivo en la organización.

¿Qué capacidades considerás imprescindibles para quienas quieran seguir siendo relevantes en este nuevo escenario?

La primera capacidad sin duda es el criterio. Cuanto más fácil es generar output con IA, más valioso se vuelve saber discernir si es correcto, relevante y pertinente. El profesional ya no se distingue por producir, sino por evaluar, supervisar y decidir. El pensamiento crítico pasa a ser imprescindible.

La segunda es el aprendizaje continuo. Las herramientas cambian cada pocos meses; lo que dominabas el año pasado puede quedar desactualizado muy rápido. La ventaja ya no está en dominar una herramienta puntual, sino en la capacidad de adaptarte rápidamente a la siguiente. La curiosidad y la disposición a desaprender se vuelven competencias estratégicas.

La tercera es la profundidad de dominio. Hay una idea errónea de que la IA hace innecesario el conocimiento experto. Es al revés: para supervisar bien a la IA, para detectar cuándo se equivoca, hay que saber del tema. El experto que además sabe apalancarse en la IA es hoy el perfil más potente.

La cuarta es lo que llamo “saber delegar en la IA”: aprender a formular bien un problema, a darle contexto, a iterar. Es casi una nueva alfabetización. No se trata de saber programar, sino de saber pensar y comunicar con claridad lo que se necesita.

Y, por debajo de todas, las habilidades genuinamente humanas: la adaptabilidad, la flexibilidad, la colaboración, la capacidad de entender al otro. En un escenario donde la ejecución se abarata, lo más valioso sigue siendo lo que nunca dejó de ser importante, justamente porque la IA no lo replica: el juicio, la flexibilidad ante el cambio y el trabajo en equipo.