Alberto Terol

Llevo días inmerso en la preparación de varias sesiones sobre Inteligencia Artificial que impartiré este otoño a líderes de Recursos Humanos y de Tecnología en ISDI y CIONET. Cuanto más profundizo en el material, más me doy cuenta de una paradoja: en esta época de enamoramiento tecnológico, las conversaciones realmente determinantes apenas ponen el foco en la tecnología. Hablan, sobre todo, de qué tipo de empresa queremos ser cuando la IA esté embebida en el día a día de nuestras organizaciones.

Es una reflexión urgente y, sobre todo, previa. Previa a cualquier hoja de ruta, a cualquier “business case” de inversión, a cualquier comité de dirección sobre el asunto. La velocidad a la que nos desplazamos es tan endiablada que, si el disparo no sale bien alineado desde el origen, la desviación a unos años vista será insalvable. No habrá margen para corregir el rumbo sobre la marcha sin tener que volver al punto de partida. Sencillamente, no va a haber una segunda oportunidad para hacerlo bien.

Sin embargo, al dialogar con directivos, compruebo que la conversación sigue encallada en la superficie: qué herramientas adquirir, qué coste tienen las licencias o cómo arañar pequeños porcentajes de eficiencia operativa. Son preguntas legítimas pero cortas de miras. Abordan la llegada de la IA como un simple cambio de herramientas cuando, en realidad, encaramos una transformación radical de modelo. Y ambas discusiones juegan en ligas de impacto completamente distintas.

Para orientar este momento, que no se repetirá en nuestra vida profesional, no propongo un checklist técnico sino un mapa mental para articular el diálogo con optimismo, curiosidad genuina y rigor: una secuencia lógica armada en tres dimensiones interconectadas que van de lo estratégico a lo táctico:

1. La Brújula: hacia dónde nos dirigimos y por qué. Sin esto, todo lo demás es solo ruido bien ó mal ejecutado.
2. El Organismo y sus meta capacidades: la habilidad de la empresa para aprender, adaptarse y mantener su energía e impulso sin agotarse en el intento.
3. El Motor del modelo operativo: los engranajes prácticos que traducen la brújula y la capacidad de transformación en comportamiento cotidiano.

Tres dimensiones que responden a las tres preguntas cruciales que todo líder debería poder responder antes de autorizar un solo euro de inversión: ¿Hacia dónde vamos y por qué merece la pena el viaje? ¿Tiene nuestra organización la plasticidad necesaria para aprender a llegar allí? Y el día a día (los incentivos, los procesos, el gobierno de las decisiones), ¿está diseñado para que esa visión suceda de verdad?

Desgranemos el mapa.

1. La Brújula: dirección y sentido en tiempos de aceleración

Diagnóstico, identidad y la mirada ambidiestra

Richard Rumelt lleva años recordándonos algo clave que la prisa empresarial suele obviar: la estrategia no es un conjunto de aspiraciones ni una lista de deseos, sino un diagnóstico honesto de la realidad acompañado de una política coherente para actuar sobre ella. Sin ese diagnóstico, la IA acaba convertida en el enésimo “shiny object”, en inversión sin rumbo.

Construir una Brújula requiere recuperar la célebre pregunta que Ronald Coase planteó en 1937: “¿para qué existe una empresa?” ¿Qué costes de transacción reduce mi organización que el mercado abierto (poblado hoy por agentes de IA capaces de coordinarse de forma autónoma) no resolvería mejor? Si no podemos fundamentar con claridad el lugar que ocupamos en el mundo, cualquier despliegue tecnológico se levantará sobre arena.

Necesitamos ejercitar la mirada de la organización ambidiestra: explotar con rigor lo que hoy nos da de comer mientras exploramos sin complejos lo que nos alimentará mañana. Ambas dinámicas deben convivir en paralelo, no en secuencia.

Aquí acecha una trampa sutil: rodeados de refinados dashboards e informes generados por IA en tiempo real, tendemos a confundir “tener datos” con “comprender lo que ocurre”. Pero el cuadro de mando te muestra el qué, jamás por qué. La ilusión de control que producen los indicadores es muy placentera, pero perfectamente inútil.

La visión sistémica y la frontera permeable

Durante décadas, el crecimiento empresarial y la mirada taylorista de la especialización, desagregó las compañías en silos funcionales: departamentos que sabían muchísimo de su parcela, pero muy poco de cómo encajaba su trabajo en la pieza de al lado. La IA, es en realidad la primera tecnología con potencial para volver a tejer esa visión sistémica: nos permite entender cómo lo que hace un equipo impacta en el resto de la cadena de valor y qué se requiere de los demás para elevar el resultado conjunto.

Esa mirada integral exige una coherencia rotunda entre los procesos, la cultura, los valores y la estrategia. El objetivo no es apretar las tuercas del control, sino articular equipos muy bien alineados y débilmente acoplados, cuyos “strong principles, loosely held” les permita el aprendizaje e impulsados por procesos ligeros.

Bajo este enfoque, la frontera de la organización y de sus áreas funcionales deja de ser un muro para convertirse en una membrana permeable, selectiva y viva. Ya no tiene sentido distinguir tajantemente entre “dentro” y “fuera”, ó “nosotros” y “ellos”. En el mismo ecosistema convivirán los equipos funcionales internos, profesionales freelance que trabajarán por proyectos, consultores especialistas, socios estratégicos y agentes de IA. Además, estoy convencido de que el mejor talento trabajará de forma simultánea para varias compañías. Y es que llevada al extremo la vieja intuición de la Innovación Abierta popularizada por Henry Chesbrough, por pura estadística siempre habrá más talento fuera de tu empresa que dentro. La organización que se atrinchere tras un muro se empobrecerá; la que diseñe una membrana de intercambio y favorezca la ósmosis, florecerá.

Humanos, agentes y su relación entre ellos

Además, en esta interacción híbrida entre humanos y algoritmos, investigadores en diseño organizacional como Phanish Puranam, Jose Arrieta, Vivianna Fang He y Yash Raj Shrestha, argumentan que los sistemas multi-agente de IA no son meras herramientas técnicas, sino verdaderas organizaciones. Sus fallos (duplicidad de tareas, salidas incompatibles, comportamientos locales racionales que derivan en caos global) no son “bugs” de código, sino fallos clásicos de división del trabajo, asignación de tareas e información. En este esquema, la fricción humana actúa como un amortiguador crucial: mientras un agente ejecuta una especificación errónea a máxima velocidad y fidelidad hasta el desastre, el juicio humano duda, interpreta y frena. Por eso, las organizaciones híbridas (Humanos + IA) representan el estado estable y definitivo, no un paso intermedio hacia la automatización total.

Del organigrama al grafo de conocimiento

Hace tres décadas, Ikujiro Nonaka y Hirotaka Takeuchi explicaron en su modelo SECI que el conocimiento de una empresa habita en dos estados: el explícito (el que se codifica en un procedimiento o una wiki) y el tácito (aquel que ni siquiera sabemos que poseemos: la intuición del profesional sénior o la sabiduría no escrita sobre cómo se resuelven las cosas aquí). Su investigación demostró que las organizaciones aprenden cuando ese conocimiento circula en espiral mediante la socialización, externalización, combinación y finalmente la internalización.

El drama contemporáneo es que casi todas las empresas gestionan de forma aceptable lo explícito (documentando hasta la saturación), mientras dejan evaporar lo tácito. Cuando un profesional valioso cruza la puerta y se va de la compañía, no deja vacía una silla, se lleva consigo su red de relaciones e intuiciones, su grafo.

Por ello, la urgencia pasa por construir un verdadero grafo de conocimiento corporativo y no un mero almacén de documentos. Un repositorio guarda archivos, pero un grafo mapea relaciones: registra qué experto resolvió un problema complejo, cuál fue su marco de razonamiento y a quién acudir ante una duda inédita.

El organigrama tradicional describe quién reporta a quién (una fotografía estática concebida para una época donde la información era escasa y el poder se concentraba en la cúpula). Hoy la información abunda y el verdadero desafío es filtrar el ruido. El grafo revela dónde reside la confianza real, quién sabe hacer qué y dónde se sitúan los nodos vivos de conocimiento. Y, a diferencia del organigrama, es dinámico y muta cada trimestre al compás del trabajo.

Ahora bien, alimentado con mala información, un grafo es solo basura mejor conectada. Si vertemos en la memoria colectiva el ruido que la IA genera de forma industrial, no crearemos una organización que aprende, sino una máquina de repetir sus propios errores con mayor sofisticación. La integridad del grafo depende de la verificación y de la trazabilidad de la fuente, una tarea que sigue siendo profundamente humana.

La conclusión de este planteamiento es clara: el conocimiento acumulado por sí solo ya no constituye una ventaja competitiva sostenible; lo son las trayectorias vitales y de aprendizaje que hayamos recorrido como profesionales y de forma agregada como empresa y que hayamos sido capaces de capturar en nuestro grafo de conocimiento particular.

Escapar de la mediocridad y las propiedades emergentes de la IA

Estamos desembarcando en una era donde alcanzar un nivel mediocre es trivial. La IA ha democratizado el estándar medio: cualquier persona produce hoy un informe aceptable o una presentación correcta. El riesgo latente es el AI slop: un océano homogéneo donde nada destaca. La pregunta estratégica deja de ser cómo usar la tecnología para rendir de forma aceptable y se convierte en de qué forma seremos genuinamente singulares.

Un experimento reciente compartido por José María Lucas ilustra este riesgo con precisión: si le pides a un humano un número aleatorio del 1 al 10, elegirá el 7 aproximadamente el 33% de las veces; si se lo pides a un LLM, dirá “7” el 98% de las veces. Esto ocurre porque los modelos están entrenados para predecir el token más probable dada la distribución aprendida, colapsando la masa de probabilidad hacia la respuesta preferida. Un LLM no es una muestra de la diversidad humana, sino su promedio comprimido. Si cien empresas solicitan su estrategia al mismo modelo, todas convergerán hacia la misma estrategia. Usar la IA para tareas que requieren divergencia (brainstorming, innovación, exploración) exige compensar activamente este límite estructural y evitar la parálisis por homogeneidad.

Adicionalmente, debemos incorporar una noción propia de la teoría de sistemas: la IA genera propiedades emergentes. Si observamos una neurona aislada no hallaremos un pensamiento, porque el poder de la mente humana emerge de la interacción compleja entre millones de sinapsis. Con la IA en las organizaciones ocurrirá exactamente lo mismo. Al conectar agentes entre sí, cruzarlos con nuestros grafos de conocimiento y desplegarlos sobre procesos de extremo a extremo, aflorarán dinámicas, riesgos y capacidades imprevisibles que no figuraban en la ficha técnica de ningún componente individual.

Para cualquier líder habituado a la planificación rígida, esto supone una cura de humildad: no podrás predecir todo lo que emergerá, pero sí puedes diseñar las condiciones de contorno (los límites, la gobernanza y la arquitectura del grafo) sabiendo que el sistema te sorprenderá. La cuestión clave deja de ser qué tarea realiza cada agente para pasar a ser: ¿qué está emergiendo de la red que hemos conectado y estamos prestando atención a ese nivel sistémico?

Competidores adyacentes e industrias que se desdibujan

Al mismo tiempo, las fronteras competitivas se han vuelto difusas. Cuando una empresa de cohetes como SpaceX adquiere una herramienta de desarrollo de software como Cursor, comprendemos que la categorización de industrias tradicional ha saltado por los aires. Un competidor invisible puede desplazar tu negocio operando desde una adyacencia que ni siquiera figuraba en tu mapa mental.

John Deere, el centenario fabricante de tractores, firmó un acuerdo para adquirir por 250 millones de dólares Bear Flag Robotics, una startup de Silicon Valley que desarrolla tecnología de conducción autónoma compatible con maquinaria existente. Un fabricante de maquinaria agrícola que ha terminado compitiendo de facto con empresas de robótica y visión artificial (territorio que ni Deere ni sus rivales agrícolas tradicionales tenían mapeado como “competencia” hace apenas una década). Y eso que el “embodied AI” apenas acaba de comenzar, abróchense los cinturones.

2. El Organismo y sus meta capacidades: aprender, adaptarse y mantener la energía

Cultura maker y la empresa que aprende

Para sostener esa dirección estratégica en contexto IA necesitamos un organismo sano donde todos los nodos sienten capacidad de agencia. Se trataría de abrazar la cultura de responsabilidad, autonomía, experimentación y densidad de talento que popularizó Netflix.

En ese contexto, todos los profesionales deberíamos actuar como verdaderos “makers”. Profesionales que son capaces de elevarse a los altares de la formulación estratégica y al mismo tiempo descender a la arena de las operaciones para desarrollar por nosotros mismos soluciones. Al menos, ser capaces de prototiparlas, aunque luego requiramos del rigor técnico y el conocimiento experto de otros para escalar las soluciones y llevarlas a producción.

Pero conviene distinguir entre dominar un oficio y ejercer una profesión. Como frecuentemente señala Javier Cañada, el oficio se adquiere por repetición, adiestramiento y virtuosismo en la técnica. La profesión en cambio exige una mentalidad capaz de entender el problema en su contexto, más allá de la técnica empleada. Toda compañía deberá decidir si avanza hacia un modelo de factoría estandarizada donde domine el oficio o prioriza el desarrollo de profesionales con criterio propio.

Esta distinción se vuelve más crítica si atendemos a las tesis planteadas por Yann LeCun sobre la naturaleza del lenguaje y la inteligencia. El lenguaje es una descripción reducida, cuantizada y simplificada de la realidad: las palabras son solo la sombra de los conceptos. Frente al entusiasmo de que procesar secuencias discretas de símbolos equivale a comprender el mundo, la tradición filosófica nos da respuestas diferentes. Aristóteles y Platón ya advirtieron sobre el riesgo de confundir la sombra con lo real. Pero es Kant quien mejor encuadra el reto: ‘los pensamientos sin contenido son vacíos; las intuiciones sin conceptos, ciegas’. Un LLM es puro concepto sin intuición sensible; le falta el cuerpo que aporta el contenido. A la máquina no le faltan más datos sensoriales, sino una ‘forma de vida’: participar en prácticas, actuar, equivocarse y sufrir las consecuencias. Por eso, el saber tácito y la experiencia vivida por los profesionales siguen representando un baluarte insustituible.

En este escenario empresarial, el paradigma educativo tradicional ha saltado por los aires. Históricamente estudiabas durante dos décadas para trabajar las cuatro siguientes. Hoy la vida útil del conocimiento se ha reducido drásticamente y la mitad de lo que sabemos caduca en cuestión de pocos años. El nuevo ciclo es continuo: aprender intensamente, aplicar lo aprendido mientras te reconfiguras, y repetir el proceso en bucle.

Ricardo Forcano conceptualiza la organización como una red viva de aprendizaje. El coste de la curiosidad ha caído a cero para quien posee vocación de aprender; quien carezca de ella terminará compitiendo en desventaja contra las máquinas.

Por eso la pregunta habitual de los comités de dirección (“¿qué competencias necesitaremos dentro de cinco años?“) parte de una premisa equivocada, pues asume estática una realidad donde casi la mitad de los conocimientos actuales quedarán obsoletos. La pregunta correcta es otra: ¿qué metacapacidad debemos cultivar para aprehender conocimientos que aún no existen? Esa metacapacidad se llama “agilidad en el aprendizaje”: la destreza para asumir la obsolescencia de nuestra pericia, identificar qué problema de fondo resolvía y pivotar hacia la siguiente versión de nosotros mismos. Quien desarrolla esa agilidad aporta un valor incalculable; quien se atrincheró en su puesto antiguo ya ha perdido, aunque tarde un tiempo en darse cuenta.

A este reto de la generación de nuevo conocimiento y la capacidad de empaquetarlo en módulos fácilmente consumibles por el resto de la organización, se suma un dilema inédito sobre la propiedad intelectual: ¿a quién pertenece la titularidad del conocimiento cuando un agente de IA es entrenado con el saber tácito de un empleado? ¿Al profesional que aportó el poso o a la compañía que facilitó la infraestructura? Es una conversación sobre los límites del talento que ninguna empresa ha abordado aún de forma rigurosa.

Agilidad real y la gestión de la energía organizativa

Liderar, como dice Claire Hughes Johnson (ex-Stripe), consiste en “incomodar a la organización a un ritmo que resulte soportable”: sin abandonar a nadie por el camino, pero sin paralizar la marcha a la espera de que todo el mundo se sienta cómodo.

El verdadero reto en la era de la IA pasa por reducir la latencia organizativa, transformando operaciones discretas y secuenciales (comités mensuales, aprobaciones en cascada) en flujos continuos con retroalimentación en tiempo real. Aquí suele operar una trampa cognitiva habitual: suponer que a mayor supervisión corresponde un control más efectivo. En la práctica, cuanto más se alarga la cadena de firmantes, menor es la responsabilidad individual percibida. Es la traslación del efecto espectador a la gobernanza corporativa: cada actor presupone que el otro habrá revisado el detalle, generando parálisis con apariencia de rigor. La agilidad no consiste en añadir capas de supervisión sobre un proceso ineficiente para intentar salvarlo; requiere un diseño limpio desde la raíz.

Por otra parte, la salud de un organismo no depende solo de su inteligencia, sino de la energía disponible para poner ese conocimiento en marcha. Ichak Adizes ha argumentado durante décadas que las empresas poseen ciclos vitales y estados de salud diagnosticables. Hoy, metodologías como la desarrollada por Roberto Rodríguez en Dathum nos permiten medir con precisión algorítmica lo que antes se intuía: el desgaste real de las personas, el compromiso efectivo y la rotación silenciosa.

Podemos desplegar la arquitectura de conocimiento más sofisticada y fracasar en el intento. El conocimiento mejor articulado no se activa solo, requiere profesionales con el vigor necesario para impulsarlo. Una organización requiere ambas dimensiones alineadas: capacidad de aprendizaje y una gestión consciente de la energía. Sin la segunda, la primera permanece inerte.

3. El Motor del modelo operativo: traducir la visión en hábito cotidiano

Reducir la fricción

Richard Thaler, premio Nobel de Economía por sus estudios sobre economía conductual, demostró una verdad profunda: las personas habitualmente desean hacer bien su trabajo, lo que se lo impide suele ser la fricción invisible, el “sludge”. En lugar de diseñar incentivos sofisticados, que con frecuencia generan efectos secundarios no deseados, la clave reside en eliminar las trabas que entorpecen la marcha. El comportamiento humano, al igual que el agua, busca el camino que ofrece menor resistencia. La pregunta de diseño no es cómo motivar de forma artificial, sino qué elementos vuelven complejo o heroico el comportamiento que deseamos promover, y tratar de eliminarlos.

Como señalaba Donella Meadows, “el propósito real de un sistema se manifiesta en lo que hace”, no en lo que la documentación afirma que hace. Las personas actúan con coherencia respecto al sistema de incentivos en el que operan. Si la dinámica organizativa fuera puramente racional, bastaría con mostrar datos y retornos de inversión para desencadenar el cambio. Pero la transformación no arranca en lo cognitivo, sino en lo emocional. Debemos atender las cuatro dimensiones de la adaptación: la racional (“comprendo la necesidad”), la emocional (“me siento seguro frente al reto”), la social (“mi entorno valida este camino”) y la trascendental (“este esfuerzo conecta con algo significativo”). Un plan que únicamente atienda la vertiente racional está condenado al fracaso.

Repensar los procesos de principio a fin

A la hora de impulsar el modelo operativo de nuestras empresas, resulta fundamental actuar sobre la palanca adecuada. Bret Taylor lo ha sintetizado con lucidez: “la unidad atómica de la productividad no es la persona aislada, es el proceso”. El error más extendido en la actualidad consiste en aplicar la IA para arañar eficiencia en tareas menores (redactar un correo más rápido o resumir una reunión) en lugar de rediseñar los procesos de extremo a extremo.

Corremos el riesgo de implantar un “Taylorismo 3.0”: acelerar lo que ya hacíamos sin cuestionar su sentido. Ocurre lo mismo que en los inicios de la Revolución Industrial, cuando las fábricas se limitaron a sustituir la máquina de vapor por un motor eléctrico sin alterar la distribución de la planta. Lograron pequeñas ganancias de velocidad, pero perdieron la oportunidad de reimaginar el espacio de trabajo alrededor de una energía distribuida. Estamos a punto de repetir esa misma equivocación.

¿Dónde está el tapón cuando la IA empieza a actuar?

A la visión de procesos, debe sumarse un análisis sistémico de la fuerza laboral. Como argumenta Nico Orie, la planificación de la plantilla basada únicamente en el análisis de tareas (“¿qué actividades automatiza la IA y cuánto tiempo ahorra?”) es tan necesaria como incompleta. Una perspectiva más precisa proviene de la ingeniería de sistemas y la Ley de Amdahl, enunciada por Gene Amdahl, la cual explica por qué acelerar partes de un sistema no se traduce en una mejora proporcional de extremo a extremo. A diferencia de los rendimientos decrecientes, introduce un techo estructural impuesto por la fracción de trabajo no acelerable:

Aceleración Global = 1 / [(1 − P) + (P / S)]

Donde P es la proporción de trabajo ejecutable por la IA, S el factor de velocidad ganado en esas tareas, y (1 − P) representa el núcleo humano fundamental (juicio, coordinación, responsabilidad y toma de decisiones). Si un profesional del conocimiento acelera sus tareas puras de ejecución (digamos el 25% de su tiempo) por un factor de 10x, el rendimiento global de su rol no se multiplica por diez, sino que aumenta apenas un 29% (1 / [0.75 + (0.25 / 10)] ≈ 1.29x). Por tanto, asunciones como “si la IA acelera tareas podemos reducir plantilla proporcionalmente” chocan frontalmente con la realidad del sistema. Al enfocar la IA solo en tareas, Recursos Humanos ignora cuellos de botella del sistema como la saturación en la revisión y validación sénior, el desequilibrio en la toma de decisiones o la erosión del aprendizaje experiencial para el talento futuro. El foco debe pasar del mapeo de actividades al mapeo de sistemas.

Transformación y honestidad narrativa

Conviene distinguir entre optimizar y transformar. Optimizar implica perfeccionar la respuesta a una pregunta existente; transformar exige cambiar la pregunta. La mayoría de las iniciativas de IA que vemos hoy son proyectos de optimización disfrazados de transformación. No hay problema en ello, siempre que seamos conscientes de lo que estamos ejecutando.

Cuando surgen resistencias al cambio, la explicación fácil atribuye el rechazo a una inclinación natural de las personas a oponerse a lo nuevo. La explicación honesta es diferente: la gente se resiste cuando percibe que pierde algo. No es irracionalidad, es pura lógica. Si la aportación de tu rol corre el riesgo de devaluarse, oponerse constituye una reacción comprensible.

Superar esta brecha exige transparencia. Requiere explicar con claridad el impacto real de las transformaciones, ofreciendo alternativas claras a quienes se vean afectados: proponiendo nuevos encuadres profesionales, programas de formación o salidas pactadas cuando no exista encaje. Es necesario abordar las dinámicas con madurez: determinados roles se reconfigurarán o desaparecerán, y es infinitamente más sano que la organización lo comunique de forma directa antes de que lo haga el rumor de pasillo. La ambigüedad paraliza; la verdad, incluso cuando resulta incómoda, genera confianza y reduce la resistencia.

Gobierno de las decisiones

En paralelo, debemos redefinir el reparto de decisiones en nuestros procesos: ¿qué elecciones mantendrán un carácter genuinamente humano y cuáles se delegarán en algoritmos? ¿Cómo se distribuye la responsabilidad cuando un agente propone una acción y una persona la firma por trámite? El concepto de human-in-the-loop resulta inviable a escala; no podemos supervisar manualmente cada iteración. El reto real consiste en evolucionar a estar over-the-loop: no para fiscalizar cada microdecisión, sino para gobernar el diseño general del sistema.

Eficiencia en uso de activos digitales

Tradicionalmente, la rotación de activos consistía en decidir en qué áreas de negocio invertir o desinvertir. Hoy se añade una capa operativa: gestionar con eficiencia los activos digitales, optimizando el consumo de tokens, reutilizando modelos e inventarios compartidos y evitando que cada departamento desarrolle soluciones aisladas para problemas que ya han sido resueltos por otros equipos.

Además, hay una palanca que suele pasar desapercibida: cuando algo se vuelve más eficiente y barato, no consumimos menos, consumimos más y a menudo mucho más (Paradoja de Jevons). Si el coste de generar un informe, una consulta o un borrador tiende a cero, la tentación no es ahorrar, es multiplicar: generar diez versiones donde antes se hacía una, lanzar un agente para cada micro-tarea, dejar que la maquinaria corra porque “total, es barato”. La eficiencia técnica sin gobierno organizativo no reduce el consumo de activos digitales, lo dispara. Por eso esta palanca no puede quedarse en manos solo de Tecnología, que optimiza el coste por token, ni solo de Finanzas, que audita el gasto agregado a toro pasado: necesita de una mirada sistémica que trate el catálogo de activos digitales de la compañía con la misma disciplina con la que hoy se trata el catálogo de activos financieros: qué tenemos, quién lo usa, cuánto rinde, y qué deberíamos apagar.

El sentido del viaje

Las tres dimensiones de este mapa no constituyen una lista de comprobación táctica, representan una secuencia ordenada de preguntas. Primero, la Brújula: definir hacia dónde nos dirigimos y qué sentido tiene el viaje. A continuación, el Organismo: evaluar si disponemos de la salud viva y la agilidad de aprendizaje necesarias para sostener la marcha. Y solo al final, el Motor: verificar si los engranajes operativos (los procesos completos, los incentivos reales y el mapa de decisiones) están diseñados para hacer posible la visión o si únicamente existen en las diapositivas de la presentación inicial.

En el fondo, la paradoja de nuestro tiempo es que acumulamos una capacidad técnica inédita para hacer que las cosas sucedan, pero corremos el peligro de perder la claridad sobre cuáles merecen la pena ser hechas. La tecnología seguirá desplegándose a un ritmo imparable, de forma independiente a nuestros comités y planes estratégicos. La cuestión determinante, aquella que no nos concederá una segunda oportunidad, es si seremos capaces de pensar el modelo con criterio antes de que la inercia del modelo decida por nosotros.

(este post fue previamente publicado en www.albertoterol.com )

Notas bibliográficas

• Bret Taylor – “La unidad atómica de la productividad es el proceso, no la persona” (entrevista disponible en YouTube).
• Richard P. Rumelt, Good Strategy/Bad Strategy (2011) – El diagnóstico riguroso como núcleo de la estrategia.
• Ronald Coase, The Nature of the Firm (1937) – La razón de ser de la empresa y los costes de transacción.
• Ikujiro Nonaka y Hirotaka Takeuchi, The Knowledge-Creating Company (1995) – El modelo SECI de creación y circulación del conocimiento organizativo.
• Richard Thaler y Cass Sunstein, Nudge – Economía conductual, reducción de fricción y el concepto de sludge.
• Donella Meadows, Thinking in Systems – La naturaleza de los sistemas y la máxima POSIWID (the purpose of a system is what it does).
• Ichak Adizes, Dirigir y Gobernar – Ciclos de vida, diagnóstico y salud organizativa.
• José María Lucas – Colapso de distribución, tendencia al modo en los LLM vs. varianza y creatividad humana. (link)
• Jose Arrieta, Vivianna Fang He, Phanish Puranam, Yash Raj Shrestha – Sistemas multi-agente de IA como organizaciones y el modelo híbrido Humanos + IA. (link)
• Yann LeCun interpretado por José María Lucas – El lenguaje como descripción reducida, la falta de intuición sensible (Kant) y la necesidad de una ‘forma de vida’. (link)
• Nico Orie – Análisis de sistemas en la planificación de la fuerza laboral con IA y aplicación de la Ley de Amdahl. (link)