Cómo implantar la IA en tu empresa con andamios

Por mi trabajo en Cloud District escucho la misma frase en muchas de las empresas que nos llaman para que les ayudemos con la integración de la IA. La dice el director general, la dice el socio fundador, la dice el responsable de operaciones de cualquier pyme:

“Hemos probado ChatGPT, hemos pagado Copilot, hemos hecho una formación con la consultora de turno, y al final no acaba de cuajar. La gente lo abre, le pregunta cuatro cosas, no le saca partido y vuelve a hacerlo todo a mano. Empezamos pensando que teníamos un problema con la IA, o con la gente. Al final no sabemos muy bien qué problema tenemos.”

La conclusión más fácil, y la más equivocada, es que la IA todavía no está madura para eso. La segunda, también frecuente y también equivocada, es que tu gente es reticente a usarla. Ninguna de las dos. Lo que pasa es otra cosa, mucho más interesante, y que casi nadie está viendo todavía con claridad fuera de los círculos técnicos.

Por qué no funciona ChatGPT a pelo en tu empresa

La IA generativa de hoy, sea ChatGPT, Copilot, Gemini o Claude, es un cerebro extraordinario sin memoria y sin contexto del mundo en el que tú trabajas. Sabe muchas cosas en abstracto; no sabe nada concreto de ti, de tu cliente, de cómo se decide en tu casa si una propuesta sale o no sale, ni de la dinámica con ese cliente con el que llevas diez años. Cuando le preguntas algo, la IA te contesta lo mejor que puede a partir de lo poco que tú le das en ese momento (la pregunta y el contexto inmediato del chat). Lo que no le des no lo va a adivinar bien. O lo va a averiguar dos veces, e inventarse algo incorrecto tres.

Para que esa IA sea útil para alguien que no es un usuario individual, sino una organización con su criterio, sus dolores, sus matices y su histórico, no basta con que el modelo sea más listo. Hace falta que tenga acceso a lo que tu empresa sabe y a cómo lo sabe. Y aquí es donde aparece el problema gordo: lo que tu empresa sabe vive en sitios donde la IA no puede entrar.

Lo que tu empresa sabe (y dónde vive)

Conviene separar dos tipos de conocimiento que se confunden todo el rato.

El primero es el conocimiento implícito. Vive en documentos, pero documentos pensados para humanos. Y no solo en los formatos que ya manejamos cada día (PDFs, PowerPoints, Words, aunque algunos sean un infierno). Distintas versiones del mismo informe, narrativa enterrada en presentaciones, datos relevantes en imágenes, decisiones en hilos de email, contexto en mensajes de WhatsApp, criterios en transcripciones de reuniones que nadie ha vuelto a leer. Existe, pero no es procesable. Si quieres que la IA lo use tienes que normalizarlo, reconciliar versiones, estructurarlo en un formato que ella pueda consumir. Es un trabajo grande, pero hay método y herramientas para hacerlo.

El segundo es el conocimiento tácito. Y este es el peliagudo de verdad. Vive en la cabeza de las personas. Lo conoce un equipo, o muchas veces una sola persona. Se da por sentado, no se escribe nunca porque “todo el mundo lo sabe”. Es el criterio para decidir si aceptas a un cliente nuevo o no, el matiz que diferencia una respuesta correcta de una excelente, qué hace bueno a un asesor en este despacho concreto, las dinámicas internas con un cliente con el que llevas diez años, los temas que nunca se tocan delante del consejero delegado, los avisos que un senior le da a un junior cuando se le va a meter en un jardín. Cuando la persona que sabe esto se va de la empresa, esa información se va con ella.

Para sacar a la luz lo tácito no sirven herramientas. Sirve la entrevista, la observación, las plantillas que fuerzan al experto a articular lo que da por sentado. Es trabajo de consultor más que de ingeniero. Y casi nadie lo va a hacer espontáneamente, porque el primer ejercicio de extracción cuesta y los resultados no se ven hasta que están enchufados.

Las dos clases de conocimiento, implícito y tácito, terminan necesitando llegar al mismo sitio: un artefacto vivo, escrito, que la IA pueda leer antes de actuar. Pero los caminos para llegar son muy distintos, y por eso este no es un problema que se resuelva comprando una licencia más.

Y, lo más importante, todo eso es lo que diferencia a tu empresa de la mía y del resto de empresas del mundo. El conocimiento interno es nuestra IP, nuestra propiedad intelectual, lo que de verdad nos da valor. Y, sin embargo, en lugar de tenerlo custodiado bajo siete llaves o expuesto en vitrinas, lo tenemos todo revuelto y enterrado en un SharePoint.

El andamiaje que falta

Se está llamando a esto “andamiaje” porque es la palabra que mejor describe lo que hace. El poder de la IA no está en el modelo ni en la herramienta. Está en la estructura que va por encima del modelo y que hace que pueda trabajar dentro de tu negocio como si llevara aquí cinco años.

Un andamiaje serio tiene tres piezas que se sostienen una a otra.

La primera es un sitio donde vive el contexto. Un documento por proceso o por cliente, con datos básicos, mapa del negocio, stakeholders y sus dinámicas (no solo nombres y cargos, también quién es motor y quién es escéptico), pain del cliente articulado desde su lógica, estrategia, líneas rojas, próximos pasos vivos. He revisado durante las últimas semanas materiales de seis casos en los que trabajo, en sectores que no tienen nada que ver entre sí (auditoría, peritación, formación, despachos profesionales, clústeres industriales, captación) y todos tienen, sorprendentemente, la misma estructura cuando funcionan. Siete capas que se repiten una y otra vez. Eso no es documentación, es lo que en círculos técnicos empieza a llamarse “spec viva”.

Una pista práctica de las que cuesta aprender: el contexto no es un único documento gigante, es una jerarquía. En la base hay reglas que valen para toda la empresa (cómo se escribe, cómo se decide, cómo se firma). Encima, reglas por área (comercial, delivery, finanzas). Encima, contexto por proceso o por cliente concreto. El agente carga lo que necesita en cada momento, no todo a la vez. Si lo metes todo en un fichero único, se ahoga la atención del modelo y deja de ser útil.

La segunda pieza son los procedimientos que se aplican solos en momentos clave. Cosas pequeñas: “antes de dar por finalizada esta propuesta, verifica estas cinco cosas”, “antes de cerrar este informe, contrástalo con estos criterios”, “cuando entra un cliente nuevo, recoge estos datos así”. Son los “ten cuidado con esto” que un senior le dice a un junior, codificados en un formato que la IA pueda cargar en el momento exacto en que los necesita. No viven en la cabeza de nadie, viven escritos.

La tentación natural cuando empiezas es escribir un único prompt enorme con todas las reglas dentro. Es el peor diseño posible. La IA tiene una atención limitada (la palabra técnica es “ventana de contexto”), y meterle veinte normas a la vez hace que ignore casi todas. Lo que funciona es lo contrario: muchas piezas pequeñas, autocontenidas, etiquetadas, que el sistema invoca solo cuando el contexto lo pide. La diferencia entre las dos aproximaciones, en el resultado, es enorme.

La tercera pieza, y la más frágil, es el ritual de alimentación. Cómo conviertes una reunión, una decisión, un cambio en el organigrama, un cliente que ha pegado un giro, en una actualización del contexto que se haga en tres minutos y no en media hora. Sin un ritual diseñado, el sistema se queda viejo en quince días y la IA empieza a producir respuestas que ya no se parecen a lo que pasa en tu casa.

Lo que mejor me ha funcionado a mí, después de unos cuantos meses probando: transcripción de las reuniones (hoy en día lo hacen por defecto las herramientas que usamos), un agente que coge esa transcripción y propone una actualización concreta sobre el contexto vivo, y una aprobación rápida donde la persona dueña del proceso dice “sí, no, esto sí pero matiza”. Tres minutos. Si tienes que abrir un documento, releerlo y editarlo a mano, el ritual no aguanta dos semanas. Si el sistema te trae el cambio masticado y tú solo apruebas o corriges, aguanta.

Dicho de otra manera: lo que falta no es un modelo más potente, es un sitio donde lo que tu empresa sabe esté escrito de manera que la máquina pueda leerlo, unas reglas que se apliquen solas en los momentos críticos, y un hábito ligero que mantenga todo eso vivo. Si una de las tres piezas no está, el sistema no se sostiene, y al cabo de tres meses la conversación vuelve a ser “hemos probado IA y al final no acaba de cuajar”.

Una nota al margen para quien siga la conversación técnica: en el mundo del software esto ya está bastante avanzado. Cursor, Claude Code, los agentes serios funcionan exactamente así. Open specs, skills, harnesses. Lo curioso, y a la vez lo que abre la oportunidad, es que en el resto de los procesos de una empresa, donde está el grueso del trabajo de cualquier negocio, casi nadie está montando todavía esa capa.

Lo que aprendes después de meses haciéndolo

Hay tres aprendizajes que solo se confirman montándolo de verdad, una semana detrás de otra. Llevo casi un año refinando esto y ya hay patrones que se repiten en clientes muy distintos.

La primera: el contexto bueno no se escribe, se descubre. La primera versión que pones siempre es demasiado abstracta, o demasiado exhaustiva, o las dos cosas. La usas dos semanas, ves dónde el agente se equivoca, y ese error te dice qué información le faltaba. Repites. La tercera versión suele ser ya la que sirve. Intentar acertar a la primera con un workshop largo y un Word de cuarenta páginas casi nunca produce algo utilizable. Esto es difícil de aceptar para quien viene de la consultoría clásica, donde el entregable se firma y se cierra; aquí el entregable está vivo y se afina con el uso.

La segunda: distinguir información ornamental de información operativa. Una tentación grande, sobre todo si trabajas con consultoras tradicionales, es escribir contexto bonito: misión, visión, valores, frases que quedan bien en un PDF. Eso no le sirve a la IA para nada. Lo que cambia su comportamiento es lo concreto, lo incómodo, lo que tiene aristas. “Antonio es el motor, Marta es escéptica pero no negacionista, Diego está más avanzado técnicamente que el resto y frustrarle es un riesgo, las mañanas no funcionan para el comité.” Ese tipo de frases. Si tu contexto se puede leer en voz alta delante del consejo y nadie se incomoda, probablemente no contiene la información que el agente necesita para ser útil.

La tercera, conectada con la anterior: lo tácito no se extrae con cuestionarios, se saca de las cabezas con casos. Mandar al experto un formulario con “¿cuáles son los criterios de aceptación de un cliente?” no produce nada utilizable, porque la respuesta que te devuelve es la respuesta oficial, no la real. Sentarle delante de un caso concreto, dejar que decida en voz alta mientras le vas preguntando “¿por qué eso sí y aquello no?, ¿qué te hizo cambiar de opinión cuando viste este dato?”, produce material que el agente puede usar de verdad. Es la misma técnica que usa cualquier antropólogo serio cuando estudia una práctica que la propia comunidad no sabe articular. Por eso requiere oficio: no lo hace cualquiera, y desde luego no se hace solo en una tarde.

Un efecto lateral que conviene mencionar, ya con la perspectiva de varios meses y varios clientes: este trabajo, hecho bien, deja un activo que va más allá de la IA. El documento que se queda en la empresa es la primera versión escrita honesta de cómo funciona realmente ese negocio. Eso no lo tenían antes, ni con consultoras grandes, ni con manuales internos. Y les sirve para onboarding, para sucesión, para alinear al equipo, para muchas cosas. Aunque lo hayan empezado por la IA.

Por qué esto no se mantiene solo

Aquí el tema se pone incómodo, porque la primera reacción razonable, si todo lo anterior tiene sentido, es “vale, lo entiendo, contrato a alguien que me lo monte, me lo entrega, le doy formación al equipo, y a correr”. Y funciona… al principio. Después, las reglas universales de la entropía se encargan de que todo se vaya al traste.

La razón no es que tu equipo sea poco disciplinado. Es que el estado del arte se mueve demasiado rápido. Los modelos cambian cada tres meses, los harnesses evolucionan, la manera de codificar las skills se reescribe, lo que era buena práctica en enero deja de serlo en abril. Mantenerse en la frontera de un campo que se reinventa cada trimestre es dedicación a tiempo completo, y solo se lo puede permitir una empresa cuyo negocio sea hacerlo. Si lo intentas in-house, o sale carísimo o se queda obsoleto al primer despiste.

La pregunta entonces no es “¿quién me lo monta?”, es “¿cómo lo mantengo vivo?”. Y aquí la analogía que mejor ayuda es la de las funciones que cualquier empresa madura ya tiene fuera de casa, sin plantearse llevárselas dentro: el DPO externo, el compliance officer fraccional, el CFO a tiempo parcial, el despacho fiscal que te lleva los impuestos, la empresa que te gestiona la infraestructura de IT. Funciones necesarias para operar, donde tener a alguien en plantilla no es rentable a no ser que seas una grande, donde el conocimiento experto se mueve más rápido que el aprendizaje del cliente, y donde hay un componente fijo (mantenimiento) y otro variable (incidencias o proyectos puntuales). Esa figura aplicada a IA es lo que va a aparecer (y de hecho ya está apareciendo): algo así como un “AI Ops fraccional” que mantiene el motor al día, codifica el conocimiento nuevo cuando aparece, atiende incidencias del contexto y refina el ritual. Nosotros apostamos por darle nombre propio: el CCO (Chief Context Officer), el responsable del contexto.

La división de trabajo es bastante limpia. Tú alimentas el contexto del día a día, lo que pasa en una reunión, qué cambió en el organigrama, qué decisión se tomó con un cliente concreto, qué línea roja apareció. El proveedor mantiene la maquinaria, qué modelo se usa para qué, cómo está estructurado el harness, qué skills se autoinvocan, cómo cambian los prompts cuando sale un modelo nuevo. Tú eres dueño del criterio y de los hechos, el proveedor es dueño del motor que los procesa. Si una de las dos partes deja de hacer lo suyo, el sistema cae.

No es todo de color de rosa

Conviene no ocultar lo evidente, esto está empezando y todavía hay piezas frágiles.

La más frágil es el ritual de alimentación. Si actualizar el contexto cuesta media hora cada vez, no se va a hacer. Si hay fricción, el cliente deja de alimentar, el contexto se queda viejo, y la IA empieza a producir basura. Y cuando produce basura, la confianza se pierde muy rápido. Diseñar bien ese ritual es probablemente el problema más interesante, y peor resuelto, del momento.

También está el tema de la confidencialidad. Cuanto más conoce el sistema sobre las dinámicas internas, quién es el motor, quién es escéptico, qué clientes son problemáticos, qué socios chocan, más sensible es ese repositorio. Hay que pensar dónde vive, quién accede, cómo se borra cuando alguien se va.

Y, sin perder de vista, hay un riesgo de moda evidente. En doce meses cualquiera va a vender “implantamos IA en tu empresa” como antes vendieron “implantamos Office 365” o “te montamos la transformación digital”. Distinguir el método real (extracción, codificación, ritual de mantenimiento) del envoltorio comercial va a ser parte del trabajo del comprador, igual que aprendimos a distinguir entre una consultora que te entiende el negocio y otra que te coloca un equipo y se va.

El diagnóstico

Si reconoces tu empresa en lo que cuento, con ChatGPT abierto en cinco pestañas, gente que prueba y vuelve a hacerlo a mano, formaciones que no cuajan y la sensación de que “la IA no acaba de funcionar”, el problema casi nunca es de modelo, ni de gente, ni de presupuesto. Es de andamiaje.

Y lo concreto, llevado a tu negocio, es esto: ¿en qué proceso te cambiaría la vida tener un junior que escribe rápido pero piensa con el criterio de tu equipo veterano? Hoy ya es posible. Lo que falta es construir el andamiaje que lo sostiene.