Después de acompañar a múltiples organizaciones, ¿en qué áreas ves que la inteligencia artificial está generando más valor de negocio?

Veo que el valor real está mucho menos en lo vistoso y mucho más en lo aburrido: procesos de alto volumen y baja variabilidad. Atención al cliente de primer nivel, back office, procesamiento de documentos, clasificación y extracción de datos. Son tareas que consumen horas de gente capaz en trabajo repetitivo, y ahí la IA libera capacidad de forma medible.

Un segundo frente es el trabajo del conocimiento asistido: borradores de informes, análisis exploratorio, código, resúmenes de reuniones. No reemplaza al profesional; le saca la página en blanco y le acorta el ciclo. La persona sigue decidiendo, pero llega antes y con más opciones sobre la mesa.

El tercero, menos visible pero muy potente, es el acceso a información dispersa. Las organizaciones tienen el conocimiento desparramado en miles de documentos, mails y sistemas. Poder preguntarle en lenguaje natural a esa base —con las salvaguardas del caso— cambia la velocidad con la que la gente toma decisiones.

El hilo común es que la IA genera valor cuando se integra al flujo de trabajo existente, no cuando vive en una herramienta aparte que hay que ir a visitar. Donde más impacto vi no fue donde se compró el modelo más sofisticado, sino donde se rediseñó el proceso alrededor de la capacidad nueva. Y conviene decirlo sin mística: la herramienta es nueva y potente, pero la disciplina es la de siempre. El problema rara vez es el modelo; es cómo lo enchufás a la operación, a los datos y a la gente que lo va a usar todos los días. Eso no lo inventó la IA.

¿Cuáles son las expectativas más sobredimensionadas que observás actualmente en torno a la IA?

La más sobredimensionada es, en el fondo, la mística: tratar a la IA como una categoría mágica y aparte, cuando es (insisto en esto) una herramienta nueva para un problema viejo. Ya pasamos por esto. La PC y el correo electrónico también llegaron envueltos en misterio y terminaron siendo alfabetización básica; hoy a nadie le admitimos que, siendo ejecutivo, gerente u oficinista, no sepa usar una computadora, el mail o el sistema de gestión.

La IA va por ese mismo camino, y cuanto antes le saquemos el halo, mejor la vamos a usar. De esa mística bajan las demás. Una es creer que reemplaza equipos enteros de un día para el otro. Y lo que pasa en la práctica es aumento, no sustitución: la herramienta toma lo mecánico y la persona sube un escalón hacia el criterio, la excepción y la relación. Quien arranca preguntando “cuánta gente saco” suele fracasar; quien pregunta “qué hace mejor mi gente con esto al lado” avanza.

Otra es pensar que es plug and play. La demo impresiona en cinco minutos y de ahí se salta a que el despliegue será igual de rápido. La distancia entre la demo y producción es enorme, y casi nunca está en el modelo: está en los datos, en la integración, en la gobernanza y en la adopción. Ahí se va el 80 % del esfuerzo. Por eso tampoco esperaría, hoy, agentes totalmente autónomos sin supervisión: confiar a ciegas en sistemas que todavía se equivocan —y con mucha seguridad— es un riesgo concreto.

Y la más sutil: esperar ROI inmediato sin tocar el proceso. Si comprás la licencia y dejás todo igual, tenés una herramienta cara y subutilizada. La IA amplifica un proceso bueno; también amplifica uno malo.

¿Cómo identificar procesos o decisiones en las que la IA puede aportar ventajas significativas?

Mi regla es simple: no empezar por la tecnología, empezar por el dolor. ¿Dónde se va el tiempo? ¿Dónde está el cuello de botella? ¿Qué proceso es caro y nadie quiere hacer? Esa lista, que cualquier director tiene en la cabeza, es el mejor punto de partida. Y no son preguntas nuevas: son las mismas que uno se hace antes de automatizar un proceso o de poner un sistema de gestión. La herramienta cambió; el método de elegir dónde aplicarla, no.

Sobre esos candidatos aplico tres filtros. Primero, volumen y repetición: la IA rinde donde la tarea se hace muchas veces de forma parecida; un caso único y artesanal raramente justifica el esfuerzo. Segundo, disponibilidad de datos: si la información necesaria existe, es accesible y tiene calidad razonable, el caso es viable; si hay que construir ese activo primero, el proyecto es otro. Tercero, tolerancia al error: conviene empezar por procesos donde un error se detecta y corrige barato, y donde una persona puede quedar revisando, en lugar de decisiones irreversibles de alto impacto.

También distingo procesos de decisiones. Los procesos —operativos, de alto volumen— son el mejor terreno para arrancar y mostrar resultados. Las decisiones que implican juicio, ambigüedad y consecuencias estratégicas conviene asistirlas con IA, no delegarlas: que la herramienta traiga el análisis y el contexto, y que la persona decida.

Por último, priorizo con una matriz sencilla: frecuencia x valor x factibilidad. El mejor primer caso no es el más ambicioso, es el que combina impacto claro con probabilidad alta de funcionar, porque ese genera la credibilidad interna para los siguientes. Acá ayuda mucho sentarse de los dos lados de la mesa —el técnico y el de negocio— porque la oportunidad real casi siempre está en la traducción entre ambos.

¿Qué indicadores permiten evaluar si una implementación está generando impacto real?

El primer error es confundir adopción con impacto. “Cuánta gente lo usa” o “cuántas consultas hizo” son métricas de vanidad: necesarias, pero no demuestran que el negocio esté mejor. El impacto se mide contra el KPI del proceso que la iniciativa venía a mover. Por eso, antes de implementar, exijo una línea de base, igual que en cualquier proyecto de sistemas o de mejora de procesos: esto no es una excepción que se mide distinto por ser IA.

Si no sabés cuánto tardaba, cuánto costaba o qué tasa de error tenía el proceso antes, después no vas a poder probar nada. Con esa referencia, miro indicadores concretos según el caso: tiempo de ciclo, costo por transacción, capacidad liberada —y, sobre todo, en qué se reinvirtió esa capacidad —, tasa de error o retrabajo, y satisfacción del cliente o del usuario interno.

Hay un punto que insisto en vigilar: los costos ocultos. A veces la IA acelera una etapa, pero genera retrabajo aguas abajo, o suma un costo de revisión que antes no existía. El impacto hay que mirarlo de punta a punta, no solo en el tramo que se automatizó.

Cuando se puede, comparo con un grupo de control o hago un piloto acotado contra el proceso tradicional. Es la forma más limpia de aislar el efecto de la herramienta del ruido de todo lo demás que pasa en la operación. Y una prueba de honestidad que aplico siempre: si no podés definir de antemano cómo vas a medir el éxito, todavía no estás listo para implementar en serio. Esa

conversación incómoda al inicio ahorra meses de iniciativas que se sienten modernas, pero no mueven ningún número. El impacto real se define antes de empezar, no se busca después.

¿Qué consejo le darías a un director que quiere incorporar IA y no sabe por dónde empezar?

Lo primero: sacá la atención de la tecnología y ponela en un problema concreto. La pregunta correcta no es “qué herramienta compro”, sino “qué problema quiero resolver y cómo voy a saber si lo resolví”. Arrancá por un proceso que te duela —caro o lento— y que tenga una métrica clara.

Después, elegí un solo caso: acotado, medible y con un dueño dentro de la organización. Un piloto chico que evaluás en semanas vale más que una estrategia ambiciosa que tarda un año en mostrar algo. Aprender rápido y barato, lograr una primera victoria creíble, y recién después escalar: una serie de apuestas chicas, no una gran apuesta única.

Tercero, no confundas implementar IA con repartir licencias. Darle un asistente a cada uno es el equivalente a darle Excel a toda la empresa: terminás con islas de miniprocesos personales, semiautomatizados, que nadie más entiende y que se van con la persona el día que renuncia. Seamos honestos, ¿quién entiende el Excel de otro? Empodera al que sabe usarlo, pero eso no es capacidad organizacional. Implementar a nivel empresa es otra cosa, y exige hacerse las mismas preguntas que cuando ponés un sistema de gestión: qué proceso, con qué datos, quién lo opera y cómo se mantiene.

Cuarto, no subestimes los datos y la adopción. La mitad del trabajo es preparar la información para que sirva; la otra mitad es el cambio cultural para que la gente la use. La tecnología suele ser la parte más fácil.

Y no tercerices el criterio: podés contratar quien implemente, pero la organización tiene que desarrollar su propia capacidad de decidir dónde sí y dónde no. Hoy se venden muchas slides; lo que escasea es quien se quede hasta que funcione en producción. Empezar en serio es más fácil de lo que parece; lo difícil es sostenerlo.