Si mañana tuvieras capacidad ilimitada para ejecutar, ¿sabrías qué pedir?
La innovación de la innovación empieza por una pregunta distinta
La innovación de la innovación empieza cuando dejamos de preguntar únicamente cómo utilizar la inteligencia artificial para trabajar mejor.
La IA ya está entrando en las empresas mediante copilotos, agentes, automatización, análisis de datos, programación o atención al cliente. El enfoque habitual consiste en buscar productividad: una tarea que ocupaba cinco horas puede requerir dos.
Es útil, por supuesto. Pero hay una posibilidad empresarial mucho más interesante.
¿Qué ocurre cuando la IA ayuda a proponer alternativas, realizar pruebas, analizar resultados y decidir cuál debería ser el siguiente experimento?
Entonces cambia su papel. Ya no ayuda únicamente a ejecutar una idea. También participa en el proceso de descubrir qué idea merece ser probada.
Qué cambia cuando experimentar cuesta menos
Piensa en los problemas que esperan turno en cualquier Comité de Dirección: costes, ventas, compras, inventarios, impagos, mantenimiento, selección de personas o experiencia de cliente.
Ideas suele haber. Lo escaso es la capacidad para probarlas.
Cada experimento consume tiempo, personas y dinero. Por eso algunas posibilidades se estudian y muchas otras quedan aparcadas.
Los avances en IA permiten imaginar otra dinámica: dedicar mucha más capacidad de análisis a un problema antes de llevar una prueba al mundo real. Formular hipótesis, comparar alternativas, revisar información, simular escenarios y descartar caminos poco prometedores.
Si baja el coste de probar una idea, cambia la economía de la innovación.
Una empresa puede realizar más pruebas pequeñas antes de comprometer recursos en un proyecto grande. Puede aprender antes, abandonar antes lo que no funciona y descubrir oportunidades que nunca habrían superado el filtro inicial por falta de tiempo.
Del agente de IA a la fuerza laboral digital
Durante décadas, las empresas se han organizado alrededor de una limitación evidente: la capacidad humana.
No podemos analizar todas las posibilidades, investigar todos los mercados, personalizar cada propuesta ni revisar permanentemente cada proceso. Hay que elegir.
Los agentes de IA introducen una variable nueva. Son sistemas que pueden recibir un objetivo y realizar varias acciones para intentar alcanzarlo: buscar información, trabajar con aplicaciones, analizar resultados y continuar con los siguientes pasos.
Su autonomía real todavía depende mucho de la tarea y del entorno. Pero la dirección del cambio merece atención.
El siguiente paso empieza a describirse como fuerza laboral digital: conjuntos de agentes especializados que colaboran entre sí y asumen partes crecientes de procesos digitales, siempre dentro de reglas, permisos y mecanismos de supervisión definidos por la empresa.
La expresión no implica sustituir de golpe equipos humanos. Describe una evolución posible de los agentes actuales: pasar de ayudar en tareas aisladas a encargarse de flujos de trabajo más amplios.
Cuando aumenta extraordinariamente la capacidad de hacer, decidir qué merece la pena hacer adquiere más valor.
Y ese problema termina llegando al despacho del CEO.
La IA devuelve algunas preguntas al comité de dirección
Una máquina puede optimizar un objetivo bien definido. La dificultad empresarial aparece antes.
¿Qué queremos mejorar? ¿Por qué ese problema merece prioridad? ¿Cómo mediremos el resultado? ¿Qué límites no queremos sobrepasar? ¿Qué estamos dispuestos a cambiar si el experimento funciona?
Son preguntas de dirección.
Por eso existe una paradoja interesante: cuanta más capacidad de ejecución proporcione la IA, mayor puede ser el valor de formular bien los problemas.
Un comité de dirección que no sabe qué quiere conseguir puede comprar mucha tecnología y avanzar muy poco.
Uno que identifica un problema concreto, establece una medida y permite experimentar puede descubrir mucho antes qué funciona.
La mejor IA puede fracasar en una empresa perfectamente normal
John Schulman, cofundador de OpenAI, ha señalado una diferencia relevante entre obtener buenos resultados en pruebas controladas y desenvolverse correctamente en situaciones reales.
Una empresa está llena de excepciones.
Un cliente cambia de opinión. Un proveedor se retrasa. Los datos llegan incompletos. Dos departamentos llaman de forma distinta a la misma cosa. El procedimiento indica una opción, pero quien lleva quince años haciendo el trabajo sabe cuándo conviene utilizar otra.
Y entonces aparece esa frase universal: «Sí, pero en nuestro caso es diferente».
Ahí se juega buena parte del valor empresarial de la IA.
No basta con disponer de un modelo muy capaz. Hay que integrarlo en procesos reales, darle contexto, comprobar sus decisiones y aprender de las excepciones.
La experiencia diaria puede convertirse en un activo
Hay además una fuente de información que muchas empresas apenas aprovechan: las correcciones que realizan sus profesionales cada día.
¿Qué propuesta hizo el sistema? ¿Qué cambió el comercial? ¿Por qué operaciones rechazó una recomendación? ¿Qué excepción detectó compras? ¿Cómo terminó resolviéndose el problema?
Esa secuencia contiene experiencia empresarial reutilizable.
La pregunta para un directivo es incómodamente sencilla: ¿esa experiencia se convierte en conocimiento de la organización o desaparece cuando la persona cierra el ordenador?
Capturar esas interacciones con criterios adecuados de privacidad, seguridad y gobierno puede permitir mejorar procesos y sistemas posteriores.
Y también sería una pieza necesaria si tu empresa evoluciona hacia esa futura fuerza laboral digital: cuantos más procesos asuman los agentes, más importante será que aprendan dentro de un marco controlado por la organización.
De comprar tecnología a diseñar experimentos
También puede cambiar la relación con proveedores tecnológicos.
El procedimiento tradicional —definir necesidad, buscar proveedores, pedir propuestas, seleccionar, implantar y medir— sigue teniendo sentido para determinadas decisiones.
Pero resulta pesado cuando lo que queremos es averiguar rápidamente si una capacidad nueva resuelve un problema concreto.
Aquí aparece otro modelo:
problema → solución especializada → prueba → resultado → aprendizaje → siguiente prueba
El punto de partida no es comprar tecnología. Es elegir un problema suficientemente concreto como para poder experimentar y medir.
Las scaleups B2B pueden resultar especialmente útiles en este terreno porque permiten acceder a soluciones especializadas que ya han recorrido parte del camino. La pregunta interesante deja de ser «¿qué hace esta empresa?» y pasa a ser «¿qué problema nuestro podríamos comprobar con ella?».
La pregunta que merece una hora de comité de dirección
Imagina que mañana dispones de una capacidad enorme para analizar, investigar, comparar, programar y ejecutar trabajo digital.
¿Qué le pedirías que hiciera?
La pregunta elimina, al menos mentalmente, tres respuestas habituales: no tenemos personas, no tenemos tiempo y no tenemos presupuesto.
Y deja otra sobre la mesa:
¿Sabemos cuáles son los problemas que merece la pena resolver?
Quizá ahí esté una de las conversaciones empresariales más interesantes de los próximos años.
La IA puede mejorar tareas. Los agentes pueden empezar a ejecutar procesos. Y una futura fuerza laboral digital podría ampliar todavía más esa capacidad.
Pero una organización que aprende a probar, descartar y aprender con mayor velocidad puede descubrir antes qué merece una inversión seria.
Si has pensado en un proyecto concreto, hablemos
En Fundación Empresa y Sociedad llamamos LA INNOVACIÓN DE LA INNOVACIÓN a una forma muy práctica de abordar esta cuestión.
La Fundación Empresa y Sociedad ayuda a directivos a conocer soluciones digitales ya aplicadas, comparar casos y explorar cómo trasladarlas a sus propios retos.
Si quieres conocer otros ejemplos, contrastar un proyecto o simplemente ordenar las preguntas antes de tomar una decisión, hablamos.
Fundación Empresa y Sociedad, la Innovación de la Innovación: descubre soluciones digitales para empresas que pueden ayudarte y que quizá todavía no conoces.