Repartir licencias de IA no transforma una empresa

Durante los últimos años muchas organizaciones han pasado de preguntarse si debían adoptar inteligencia artificial a preguntarse cómo desplegarla cuanto antes. La respuesta más inmediata ha sido también la más sencilla: comprar licencias. ChatGPT, Microsoft Copilot, Claude, asistentes de programación y otras herramientas empiezan a llegar a los puestos de trabajo con una expectativa comprensible. Si una persona dispone de una herramienta capaz de escribir, analizar documentos, generar código, resumir información o automatizar determinadas tareas, debería poder hacer su trabajo más rápido. El problema empieza cuando esa posibilidad se convierte en la premisa falsa de que aumentar el número de licencias aumenta por sí solo la productividad.

Una licencia proporciona acceso a una capacidad tecnológica. Convertirla en valor exige decidir cómo se utiliza, qué problemas resuelve y qué procesos deben cambiar. Entre proporcionar acceso a la IA y obtener productividad existe todo un sistema de trabajo que también tiene que transformarse.

Lo que sigue es un análisis de criterio profesional sobre ese sistema de trabajo. No atribuye por sí solo resultados a una herramienta ni generaliza una experiencia como prueba universal.

Diferenciar acceso, adopción y productividad

Conviene separar conceptos que con frecuencia aparecen mezclados. El acceso, la adopción, la capacidad, la integración, la productividad y el valor describen etapas relacionadas, pero no equivalentes.

Entre proporcionar acceso a la IA y generar valor hay mucho más que una licencia.

Ver a tamaño originalCerrar

Una organización puede proporcionar una licencia a todos sus empleados y descubrir meses después que una parte apenas la utiliza. Puede conseguir una adopción elevada y que la mayoría de los usos se concentren en resumir documentos, preparar presentaciones o mejorar correos electrónicos. Puede incluso conseguir que determinadas tareas se realicen mucho más rápido sin que eso produzca una mejora equivalente en los resultados de la organización. Ahorrar tiempo crea valor cuando mejora el resultado o libera capacidad útil. Por tanto, conviene observar qué trabajo ha cambiado como consecuencia de utilizar IA.

El trabajo es la unidad de transformación

Pensemos en un proceso relativamente sencillo. Una persona recibe determinada información, consulta varios sistemas, aplica unas reglas, prepara un resultado, lo revisa y finalmente toma o propone una decisión. Podemos proporcionar a esa persona un asistente de IA y probablemente conseguiremos acelerar alguna de esas actividades. Pero el proceso seguirá siendo esencialmente el mismo. Una transformación más profunda exige analizar el flujo completo: qué información entra; de dónde procede; qué contexto necesita; qué decisiones pueden automatizarse; cuáles requieren intervención humana; qué sistemas deben participar; qué permisos son necesarios; cómo se valida el resultado; qué ocurre cuando algo falla; cómo se registra lo sucedido; y cómo medimos si el nuevo proceso funciona mejor que el anterior.

En ese momento hemos dejado de hablar simplemente de utilizar una herramienta. Estamos hablando de rediseñar un sistema de trabajo. Rediseñar ese sistema de trabajo exige más que una licencia.

La IA también amplifica los problemas

Existe además otra cuestión incómoda. La IA no solamente acelera el trabajo bien hecho; también puede acelerar el trabajo mal hecho. Lo veo especialmente claro en ingeniería de software. Un agente de codificación puede generar en minutos una cantidad de código que antes habría requerido horas. Puede implementar una funcionalidad, escribir pruebas, modificar decenas de archivos y producir una solución que aparentemente cumple todos los criterios de aceptación. Las pruebas pueden superarse y la funcionalidad puede funcionar mientras la implementación sigue siendo incorrecta. Puede haber duplicado capacidades existentes, introducido acoplamiento innecesario, ignorado mecanismos nativos de la plataforma, situado responsabilidades en capas equivocadas o creado una solución difícil de mantener.

Nada de eso contradice necesariamente los criterios de aceptación. El agente simplemente ha permitido producir mucho más rápido. Por eso la IA tiene una característica que a veces olvidamos: es un multiplicador, no un corrector automático. Puede multiplicar una buena decisión. También puede multiplicar una mala.

La IA reduce el coste de ejecutar una decisión; la corrección de esa decisión todavía debe comprobarse.

Ver a tamaño originalCerrar

Cuando aumenta drásticamente nuestra capacidad de producir cambios, aumenta también el alcance de nuestros errores. La capacidad de producir cambios puede crecer mucho más deprisa que nuestra capacidad para comprenderlos y revisarlos. Ese desequilibrio importa: una mala decisión que antes afectaba a unas pocas líneas o requería horas de trabajo puede propagarse ahora por decenas de archivos, componentes o decisiones en cuestión de minutos.

El criterio sigue siendo necesario

Podemos reducir parte de ese riesgo. Podemos proporcionar instrucciones comunes, plantillas, agentes especializados, bases de conocimiento, habilidades reutilizables (skills), servidores MCP, reglas, mecanismos de validación, políticas de seguridad y flujos automatizados. Debemos hacerlo. Todo ese contexto permite trasladar parte del conocimiento de la organización al sistema y reducir determinados errores. Pero existe un límite. Una regla puede indicar que antes de crear un componente nuevo debemos comprobar si ya existe uno equivalente. La dificultad está en determinar si realmente es equivalente. Un procedimiento puede exigir revisar la arquitectura antes de implementar un cambio. La dificultad está en saber reconocer una mala decisión arquitectónica.

La IA puede aumentar nuestra capacidad para ejecutar una tarea, pero no garantiza que hayamos elegido correctamente la tarea, el enfoque o la solución. Por eso el conocimiento del dominio y el criterio profesional no desaparecen con la IA. En determinados trabajos se vuelven todavía más importantes.

Automatizar tampoco consiste en poner un modelo en medio

Algo parecido ocurre cuando hablamos de automatización. Una organización identifica un proceso manual y piensa: «Esto lo podemos hacer con IA». Quizá pueda. Pero convertir una actividad humana en un proceso automatizado implica resolver la identidad, los permisos, las integraciones y las excepciones. También exige validación, observabilidad, intervención humana y recuperación ante errores. El modelo es una pieza del sistema. Una demostración que funciona diez veces delante de nosotros tampoco prueba que tengamos un proceso preparado para funcionar miles de veces dentro de una organización.

El riesgo de medir lo que resulta fácil medir

Existe además un problema de gestión. Las primeras métricas de adopción de IA suelen ser las más sencillas de obtener: número de licencias; usuarios activos; consultas realizadas; código generado; documentos creados; horas supuestamente ahorradas. Son indicadores útiles, pero dicen relativamente poco sobre el valor obtenido. Un equipo de desarrollo puede cerrar más tareas mientras aumenta el retrabajo. Un departamento puede generar más documentos mientras aumenta el tiempo necesario para revisarlos. Un proceso puede ejecutarse más rápido mientras incrementa sus errores. Una persona puede producir el doble de contenido sin que ese contenido produzca mejores resultados.

Confundir la producción con el resultado resulta especialmente peligroso cuando la tecnología permite multiplicar la primera a un coste muy bajo. Precisamente por eso deberíamos medir también calidad, errores, retrabajo, tiempo total del proceso, incidencias y resultados de negocio. Lo pertinente es identificar qué ha mejorado gracias a la IA.

La productividad tampoco se distribuye uniformemente

Hay otra expectativa que conviene abandonar: que proporcionar la misma herramienta a cien personas producirá aproximadamente el mismo incremento de productividad en las cien. No ocurrirá. Dos personas con acceso al mismo modelo, las mismas instrucciones y las mismas herramientas pueden obtener resultados radicalmente diferentes. En los resultados siguen interviniendo el conocimiento, la experiencia, la capacidad para formular el problema, la comprensión del contexto, la habilidad para detectar errores y el criterio para decidir cuándo aceptar o rechazar una respuesta. La IA reduce algunas barreras. No elimina todas las diferencias de capacidad profesional. En algunos casos puede incluso ampliarlas. Una persona con mucho conocimiento del dominio puede utilizar el modelo para explorar alternativas, delegar ejecución, comprobar hipótesis y acelerar tareas que sabe evaluar.

Otra puede aceptar una respuesta aparentemente convincente porque carece precisamente del conocimiento necesario para detectar que está equivocada. La licencia es la misma; la capacidad para aprovecharla, distinta.

La formación en IA tampoco puede reducirse a redactar instrucciones

De ahí deriva otro error habitual. Si el problema no se resuelve únicamente proporcionando acceso, parece razonable proporcionar formación. Pero esa formación tampoco debería limitarse a enseñar una colección de prompts. Aprender a trabajar con IA significa aprender cuándo utilizarla, cómo proporcionar contexto, cómo dividir problemas, cómo verificar resultados, cómo detectar incertidumbre, cómo proteger información, cómo reconocer los límites de la herramienta y cómo incorporarla a los procesos existentes. Y cada disciplina añade sus propias exigencias. Un desarrollador necesita saber revisar código generado. Un abogado necesita validar razonamientos y fuentes. Un analista necesita comprobar datos y supuestos. Un profesional de la educación necesita evaluar la adecuación pedagógica y la exactitud factual.

La competencia relevante consiste en ejercer una profesión utilizando IA.

De desplegar licencias a construir capacidad organizativa

Por eso creo que las organizaciones deberían cambiar la pregunta.

La adopción de IA transforma el sistema de trabajo. Tratarla como un despliegue de software deja fuera la mayor parte del problema.

En lugar de preguntar «¿A cuántos empleados podemos proporcionar IA?», preguntaría «¿Qué capacidades queremos aumentar y qué debe cambiar para conseguirlo?».

1. Partir del trabajo, no de la herramienta

Identificar procesos, tareas y decisiones donde exista una oportunidad real de mejora. No empezar preguntando dónde podemos introducir IA, sino qué trabajo queremos hacer mejor y por qué.

2. Establecer una línea base

Conocer cómo funciona actualmente ese trabajo: cuánto tarda, cuánto cuesta, dónde falla, cuánto retrabajo genera y qué nivel de calidad produce. Sin una referencia previa es muy difícil demostrar después que realmente hemos mejorado.

3. Diseñar la intervención

Decidir qué capacidades puede ampliar la IA, qué puede automatizarse, qué debe seguir dependiendo de una persona y qué contexto, datos, permisos e integraciones necesita el nuevo proceso.

4. Construir capacidad, no solo acceso

Proporcionar formación específica para cada disciplina y acompañarla de conocimiento compartido, patrones de trabajo, instrucciones, herramientas, skills, agentes, servidores MCP y otros mecanismos que permitan convertir buenas prácticas individuales en capacidad organizativa.

5. Introducir verificación y gobierno

Definir cómo se evalúan los resultados, dónde es necesaria la revisión humana y qué controles necesitamos en materia de seguridad, privacidad, trazabilidad, observabilidad, calidad y costes.

6. Medir resultados, no solamente uso

Evaluar tiempo de ciclo, calidad, errores, retrabajo, costes, autonomía conseguida y resultados de negocio. Usuarios activos, prompts enviados o código generado pueden explicar adopción, pero no demuestran productividad.

7. Extender lo que funciona

Extender herramientas, patrones y automatizaciones cuando hayan demostrado mejorar realmente el sistema de trabajo. La ampliación debería llegar después de haber encontrado valor, no ser el punto de partida. La licencia aparece en algún punto de esa lista. Pero está lejos de ser la transformación.

Proporcionar acceso también puede ser una forma de aprender

Proporcionar herramientas de IA ampliamente a una organización puede ser una buena decisión. Existe valor en permitir que las personas experimenten. Quienes realizan el trabajo diariamente pueden descubrir usos que difícilmente habrían aparecido en un comité, un mapa de procesos o un programa de transformación diseñado desde arriba. Una adopción inicialmente descentralizada puede servir para identificar oportunidades, entender dónde aparecen mejoras reales y descubrir patrones que después merece la pena sistematizar. Dar acceso puede ser una estrategia de exploración. La capacidad organizativa aparece cuando ese aprendizaje se convierte en una práctica sostenible. Experimentar sin conocer todavía el retorno puede ser perfectamente razonable.

Extender una práctica sin saber qué valor produce es una decisión diferente.

La IA no hace productiva a una organización por sí sola

Probablemente veremos durante los próximos años empresas con miles de licencias de inteligencia artificial que obtengan mejoras relativamente pequeñas y organizaciones mucho más pequeñas que consigan transformar radicalmente determinados procesos. La diferencia no estará necesariamente en el modelo que hayan contratado. Estará en cómo hayan rediseñado el trabajo alrededor de él. La IA puede reducir extraordinariamente el coste de producir software, analizar información, generar contenido o ejecutar determinadas tareas cognitivas. Pero reducir el coste de producir algo no garantiza que estemos produciendo lo correcto. Ese sigue siendo un problema de conocimiento, procesos, arquitectura, organización y criterio. Por eso repartir licencias puede ser un buen comienzo. Simplemente no deberíamos confundirlo con haber transformado una empresa.

Desarrollo el paso de la experimentación a una capacidad organizativa en «De las licencias a la capacidad: cómo abordar la adopción de IA en una organización». La diferencia se comprueba al observar si la organización se ha limitado a desplegar IA o ha transformado realmente su forma de trabajar.