Adoptar IA no es solo automatizar. Es rediseñar cómo funciona la organización

Esta semana, un incidente en Australia volvió a poner sobre la mesa una cuestión que empieza a ser difícil de tratar como un problema abstracto. Un agente de OpenAI accedió sin autorización a información de un portal público vinculado a Medicare, después de encontrar formas de sortear determinadas restricciones de acceso. El gobierno australiano confirmó el incidente y la investigación sigue abierta.

Casi al mismo tiempo, algunos de los principales fabricantes de IA reclamaban ante Naciones Unidas reglas globales para tecnologías cada vez más capaces y autónomas, mientras las diferencias entre las grandes potencias tecnológicas seguían condicionando cualquier intento de coordinación internacional.

El debate global es importante. Pero la misma pregunta empieza a aparecer dentro de cada organización: qué ocurre cuando dejamos de utilizar la IA solo como herramienta y empezamos a delegarle trabajo y capacidad de acción.

Durante los últimos años hemos hablado mucho de si las organizaciones están tecnológicamente preparadas para la inteligencia artificial. La pregunta sigue siendo relevante, porque datos fragmentados, procesos poco definidos, sistemas que no se comunican entre sí o conocimiento que reside más en las personas que en la organización son una mala base para automatizar. La IA no corrige esas carencias y, en muchos casos, simplemente las hace más visibles.

Pero una organización puede disponer de una base tecnológica razonablemente sólida, acceso a buenos modelos, datos suficientes y empleados formados y, aun así, no estar preparada para operar con IA a escala.

El problema cambia cuando la IA deja de limitarse a ayudar a una persona y empieza a asumir partes del trabajo. Entonces hay que decidir qué puede hacer el sistema, qué sigue haciendo una persona, qué decisiones pueden delegarse, quién valida, cómo se gestionan las excepciones y quién responde cuando algo falla.

Ahí es donde la adopción de IA empieza a convertirse en una cuestión de modelo operativo.

Una investigación de Deloitte entre más de 660 responsables tecnológicos refleja bien esta tensión. El 81% afirma que su organización puede desplegar y gobernar IA a escala. Sin embargo, casi tres cuartas partes reconocen que tendrán que cambiar su modelo operativo durante los próximos 12 a 18 meses para sostener ese progreso.

Deloitte sitúa esos cambios en cuestiones bastante concretas: derechos de decisión, mecanismos de financiación, gobernanza, diseño del trabajo y estructuras de accountability.

El contraste sugiere algo importante: la capacidad para desplegar IA está avanzando más deprisa que la capacidad organizativa para absorberla.

En España todavía convivimos, además, con una fase anterior de ese proceso. El Banco de España estimó en 2025 que casi el 20% de las empresas encuestadas utilizaba IA, aunque en la mayoría de los casos el uso seguía siendo experimental. Entre los principales obstáculos aparecían la falta de trabajadores cualificados, los costes de implantación y la disponibilidad de datos, mientras que la automatización de tareas seguía teniendo un peso limitado.

Datos, capacidades e infraestructura continúan siendo condiciones necesarias. Pero dejan de describir todo el problema cuando la experimentación empieza a convertirse en operación.

La conversación suele comenzar con una pregunta aparentemente sencilla: ¿qué parte de este proceso podemos automatizar?

Imaginemos una tarea en la que una persona reúne información, aplica determinados criterios y toma una decisión. La IA puede empezar ayudando a buscar y resumir esa información. Después puede preparar una recomendación. Más adelante quizá pueda ejecutar determinadas acciones de forma autónoma.

Cada paso parece una extensión de la capacidad tecnológica, pero cada paso cambia también las preguntas organizativas. ¿Puede el sistema recomendar o también decidir? ¿Puede actuar directamente o necesita autorización? ¿Qué decisiones deben seguir siendo humanas? ¿Qué ocurre ante una excepción? ¿Quién comprueba el resultado? ¿Quién puede detener la automatización? ¿Y quién responde si la decisión es incorrecta?

Cuanto más trabajo delegamos en la IA, más tenemos que explicitar cómo se distribuyen el trabajo, la autoridad y la responsabilidad.

McKinsey apunta precisamente a una de las dificultades de esta transición: muchas organizaciones están utilizando IA para acelerar actividades existentes mientras mantienen prácticamente intactos el modelo operativo, la gobernanza, los equipos y las capacidades que las rodean. Según su investigación, solo el 21% de las empresas había rediseñado de forma fundamental su modelo operativo alrededor de la IA.

Es comprensible. Añadir una herramienta a un proceso es mucho más sencillo que reconsiderar el proceso completo. Pero acelerar una tarea no significa necesariamente mejorar el sistema.

Hablar de “modelo operativo” puede hacer pensar en una gran reorganización corporativa. Pero no es así como utilizo el concepto aquí.

Por modelo operativo entiendo la forma en que una organización convierte su estrategia en ejecución cotidiana: cómo estructura el trabajo, cómo toma decisiones, dónde sitúa la autoridad, cómo distribuye responsabilidades, cómo interactúan procesos y tecnología y cómo gestiona el rendimiento.

No es el organigrama, aunque la estructura organizativa forme parte de él. Es el sistema mediante el que la organización consigue que el trabajo se haga.

Esta distinción importa porque la IA puede empezar a modificar el modelo operativo mucho antes de que nadie redibuje el organigrama.

Antes, una persona podía analizar un expediente, tomar una decisión y ejecutarla, mientras un manager intervenía ante determinadas excepciones. Después de introducir IA, el flujo puede convertirse en algo diferente: el sistema prepara una recomendación y una persona la valida; ejecuta automáticamente determinados casos y escala únicamente las excepciones; o actúa dentro de ciertos límites mientras el manager supervisa calidad, riesgo y rendimiento.

El proceso puede conservar el mismo nombre, pero el trabajo que hay debajo ya no es el mismo.

Cambian las tareas de cada rol, dónde se produce la supervisión, qué decisiones se escalan y la carga del manager. Incluso pueden dejar de servir algunas métricas diseñadas para un proceso ejecutado exclusivamente por personas.

Eso es lo que hace que la IA termine afectando al modelo operativo. No porque cualquier automatización obligue a reorganizar la compañía, sino porque obliga a revisar qué partes de la forma actual de trabajar siguen teniendo sentido cuando cambia quién ejecuta, quién decide y quién supervisa.

Esta lectura no se limita a un enfoque empresarial concreto. El AI Risk Management Framework del NIST define Govern como una función transversal que debe integrarse en las demás funciones de gestión del riesgo y mantenerse durante todo el ciclo de vida de los sistemas. Incluye políticas y procesos, responsabilidades organizativas, competencias, monitorización y mecanismos para retirar sistemas cuando corresponda.

La gobernanza se vuelve real cuando estas preguntas tienen respuestas operativas.

Una política no indica por sí sola cuándo debe intervenir un manager. Un comité no explica a un empleado qué resultado debe validar. Un principio de supervisión humana no determina en qué punto del proceso debe producirse esa supervisión. Esas decisiones tienen que incorporarse al trabajo real.

Aquí aparece la relación fundamental entre ambos conceptos.

Cuando la IA empieza a cambiar quién —o qué— ejecuta el trabajo, toma decisiones y actúa, las decisiones de gobernanza se convierten en decisiones sobre el modelo operativo.

Cuando decidimos qué puede hacer la IA, estamos determinando qué trabajo puede delegarse. Cuando decidimos qué necesita aprobación, estamos distribuyendo capacidad de decisión. Cuando establecemos quién valida, estamos modificando roles. Cuando determinamos quién recibe las excepciones, estamos cambiando workflows y responsabilidades de management. Cuando definimos quién responde, estamos fijando accountability. Y cuando establecemos cómo mediremos el sistema y cuándo debe modificarse o retirarse, estamos cambiando la forma en que la organización controla y mejora ese proceso.

Por eso, la gobernanza no modifica el modelo operativo simplemente porque añada una capa de control. Lo modifica porque convierte la autonomía tecnológica en una distribución concreta de trabajo, autoridad, supervisión y responsabilidad.

Esa relación será cada vez más importante a medida que los sistemas pasen de recomendar a actuar.

Con un copiloto, el cambio puede ser relativamente pequeño: una persona pide ayuda, recibe una respuesta, la evalúa y sigue conservando la decisión y la ejecución.

Con un agente capaz de interactuar con sistemas y ejecutar acciones, esa distribución empieza a cambiar. Hay que decidir a qué sistemas puede acceder, qué acciones puede realizar sin autorización, qué límites no puede superar, cuándo debe escalar una excepción, quién monitoriza su comportamiento y quién responde por las consecuencias.

La cuestión no es que los agentes requieran necesariamente más controles, sino que más autonomía obliga a hacer explícitas decisiones organizativas que antes podían permanecer implícitas.

El incidente australiano permite ver el problema con especial claridad. El agente recibió una tarea de investigación, encontró restricciones y halló una forma de sortearlas. Las preguntas resultantes no son únicamente técnicas: afectan a límites, monitorización, escalado, comunicación de incidentes y responsabilidad.

Cuanta más autonomía recibe la IA, más difícil resulta tratar gobernanza y modelo operativo como conversaciones separadas.

Si una parte de las tareas pasa a ejecutarse automáticamente, el manager puede dejar de supervisar ciertas actividades y empezar a gestionar más excepciones. Puede tener que interpretar métricas de un proceso en el que participan personas y sistemas, decidir cuándo intervenir o comprobar si una automatización aparentemente eficiente está deteriorando calidad, criterio o riesgo.

No se trata necesariamente de menos management. Cambia aquello que hay que gestionar.

Parte de la supervisión se desplaza desde la actividad individual hacia el funcionamiento del sistema completo: decisiones, excepciones, acciones automatizadas y resultados.

Por eso formar a los empleados para utilizar IA es necesario, pero no suficiente. También hay que preparar a quienes tendrán que dirigir ese nuevo reparto del trabajo.

El AI Act europeo permite ver esta diferencia con bastante claridad.

Para los sistemas de IA de alto riesgo sujetos a estas disposiciones, el Reglamento exige que la supervisión humana se asigne a personas con la competencia, formación, autoridad y apoyo necesarios, además de establecer determinadas medidas técnicas y organizativas alrededor de su uso.

Pero exigir supervisión humana no resuelve cómo debe funcionar esa supervisión dentro de cada organización. Alguien tiene que decidir quién la ejerce, en qué momento del workflow interviene, qué información recibe, qué volumen puede gestionar, qué autoridad tiene para detener el proceso y qué sucede cuando lo hace.

La regulación puede establecer una obligación de supervisión. La organización tiene que convertirla en un rol, un proceso y una autoridad reales.

El compliance establece un mínimo. La gobernanza operativa determina si la organización puede funcionar realmente de esa manera.

Nada de esto significa que una organización deba definir por adelantado su modelo operativo futuro completo antes de experimentar con IA. Parte del aprendizaje necesario solo aparece cuando la tecnología entra en contacto con trabajo real.

Un piloto puede revelar qué tareas merece la pena automatizar, dónde aparecen excepciones, qué capacidades siguen siendo humanas, qué controles añaden valor y dónde está realmente el retorno. El problema surge cuando se intenta escalar manteniendo respuestas que solo funcionaban porque el experimento era pequeño.

Una excepción que puede resolver informalmente un equipo reducido se convierte en un problema distinto cuando el sistema participa en miles de operaciones. Un responsable implícito deja de ser suficiente, una validación manual puede convertirse en cuello de botella y una métrica de productividad individual puede ocultar el coste de supervisión del proceso completo.

Por eso no plantearía la transición como una secuencia rígida en la que primero se diseña todo y después se implanta. Se parece más a experimentar → observar → aprender → rediseñar → gobernar → escalar.

El piloto no es solo una prueba de la tecnología. También debería ser una prueba del proceso y de la organización que tendrá que sostenerla.

Durante los últimos años, buena parte de la conversación sobre preparación para la IA se ha concentrado en tecnología, datos y competencias. Las tres siguen siendo fundamentales, pero a medida que la IA entra realmente en los procesos aparece otra cuestión.

Ya no basta con saber si tenemos buenos modelos, datos suficientes, personas formadas o casos de uso prometedores. Hay que decidir cómo se distribuirá el trabajo entre personas y sistemas, qué decisiones podremos delegar, dónde permanecerá la supervisión, qué autoridad tendrán quienes la ejerzan y quién seguirá respondiendo por el resultado.

En mi experiencia, muchas transformaciones tecnológicas se complican no porque la tecnología falle, sino porque una capacidad nueva se introduce manteniendo durante demasiado tiempo intacta la forma de trabajar que existía antes.

Con la IA, esa tensión es más difícil de ignorar porque, en determinados procesos, no estamos incorporando únicamente otra herramienta. Estamos incorporando sistemas capaces de participar en el trabajo, influir en decisiones y, progresivamente, también actuar.

Por eso una estrategia de IA no debería terminar en decidir dónde desplegar modelos, copilotos o agentes. También tiene que llegar al proceso, a los roles, a los derechos de decisión, a la supervisión y a la responsabilidad.

La siguiente fase de adopción de IA no dependerá únicamente de lo que la tecnología sea capaz de hacer. Dependerá también de cómo decidamos que funcione la organización cuando parte del trabajo ya no lo ejecuten exclusivamente personas.

• ABC News / Gobierno de Australia, septiembre de 2026. Información sobre el acceso no autorizado de un agente de IA a un portal público australiano vinculado a Medicare. ABC News — OpenAI hacked Medicare portal
• Reuters, septiembre de 2026. Cobertura internacional del incidente y de sus implicaciones para agentes capaces de actuar sobre sistemas externos.
• Naciones Unidas / cobertura internacional del Consejo de Seguridad, septiembre de 2026. Debate sobre reglas globales de IA y posiciones de los principales fabricantes y gobiernos. United Nations — Security Council meeting transcript
• Deloitte, “Rewiring the enterprise operating model for AI scale”, 29 de junio de 2026. Investigación basada en 662 responsables tecnológicos y utilizada para los datos sobre capacidad de escalado y necesidad de modificar el modelo operativo. https://www.deloitte.com/us/en/insights/topics/technology-management/rewiring-ai-operating-model.html
• McKinsey & Company, “The operating model advantage: Why AI winners are rewiring their organizations”, 7 de julio de 2026. Fuente para el análisis sobre aceleración de actividades existentes frente a rediseño de workflows y modelos operativos. https://www.mckinsey.com/industries/industrials/our-insights/the-operating-model-advantage-why-ai-winners-are-rewiring-their-organizations
• Banco de España, “La adopción de la inteligencia artificial en las empresas españolas: un primer análisis basado en la EBAE”, 7 de mayo de 2025. Contexto sobre adopción, experimentación y barreras en las empresas españolas. https://www.bde.es/wbe/es/publicaciones/analisis-economico-investigacion/boletin-economico/2025t2-articulo-06-la-adopcion-de-la-inteligencia-artificial-en-las-empresas-espanolas-un-primer-analisis-basado-en-la-ebae.html
• NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), función Govern. Marco utilizado para contextualizar la gobernanza como una función transversal durante el ciclo de vida de la IA. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
• Reglamento Europeo de Inteligencia Artificial, artículos 14 y 26. Referencia para las obligaciones de supervisión humana y de los responsables del despliegue aplicables a determinados sistemas de IA de alto riesgo. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-14 y https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-26