Implantar IA deprisa no siempre es visión estratégica. A veces es miedo a quedarse atrás

La conversación sobre inteligencia artificial en la empresa suele presentarse como una cuestión de ambición, eficiencia y futuro. Pero en muchas organizaciones la aceleración actual no responde solo a una convicción estratégica madura. Responde también a una fuerza mucho más incómoda: el miedo a quedarse atrás.

Ese matiz importa. Porque una cosa es acelerar cuando existe una tesis clara de negocio, una gobernanza definida y una organización preparada para adoptar la tecnología. Y otra muy distinta es correr porque el mercado, el consejo o los competidores parecen decir que quien no despliegue IA ya está perdiendo el tren.

En las últimas semanas han aparecido varias señales en esa dirección. En España, una pieza de elDiario.es describía una adopción impulsada por la urgencia y el desconcierto: la IA “se usa sin comprender”. Otra de La Voz de Galicia aterrizaba el riesgo en un terreno todavía más cotidiano: empleados que utilizan chatbots para resumir documentación, contrastar información interna o redactar textos sensibles sin calibrar bien el riesgo operativo.

El problema, por tanto, no es que las empresas se estén moviendo rápido. El problema es que, en demasiados casos, la velocidad de despliegue está yendo por delante de tres cosas básicas: la preparación de las personas, la claridad de la gobernanza y la capacidad real de medir riesgos y valor.

Ahí, a mi juicio, está el núcleo del debate.

Gartner viene insistiendo en que la preparación para la IA no avanza al mismo ritmo en todas las dimensiones de la organización. En uno de sus marcos recientes sitúa a muchas empresas en un punto en el que la AI readiness supera a la human readiness. Dicho de otro modo: la tecnología está llegando antes que la capacidad de los equipos para usarla con criterio, seguridad y consistencia. Además, Gartner señala que solo una minoría de trabajadores declara haber usado GenAI para reducir de forma significativa el esfuerzo necesario en una tarea crítica, y advierte de que muchas organizaciones siguen obteniendo beneficios por debajo de lo esperado por problemas de adopción, hábitos, juicio y gobernanza.

Eso ayuda a explicar por qué tantos despliegues producen una sensación extraña: mucha actividad, mucha conversación y muchas licencias, pero todavía un valor desigual. No porque la tecnología no tenga potencial, sino porque el salto desde la prueba al uso útil y sostenido exige algo más que presupuesto y urgencia.

Una pieza reciente de Axios lo resumía con crudeza: el boom de la IA en el trabajo está yendo más rápido que la supervisión. El artículo recoge una encuesta de Grant Thornton según la cual cerca del 80% de los ejecutivos admite que su empresa probablemente suspendería una auditoría de gobernanza de IA. Es un dato incómodo, pero revelador: la carrera por desplegar capacidades está avanzando más deprisa que la capacidad de controlarlas.

El matiz es importante porque desmonta una simplificación habitual. No estamos ante un problema principalmente técnico. Estamos, sobre todo, ante un problema de liderazgo organizativo.

Cuando se habla de fracaso en IA, a menudo se apunta a los modelos, a la calidad del dato o a la regulación. Todo eso influye. Pero muchas de las fricciones reales aparecen bastante antes: cuando no hay una política clara sobre qué usos están permitidos y cuáles no; cuando los empleados no saben distinguir entre una ayuda de bajo riesgo y una tarea que exige validación experta; cuando se despliega una herramienta sin haber traducido su valor a casos de uso concretos por rol; o cuando se mide el éxito en número de accesos, demos o licencias, y no en reducción de esfuerzo, mejora de calidad, menor tiempo de ciclo o menor exposición al riesgo.

Por eso me parece especialmente útil la pieza publicada por Harvard Business Review sobre la discrepancia entre directivos y mandos intermedios. Su tesis es potente: los ejecutivos tienden a vivir la IA como una ventaja estratégica, mientras que los managers se enfrentan a sus límites dentro de flujos reales, con restricciones reales y sin el tiempo ni el soporte suficientes. Ese desfase entre relato y operación tiene consecuencias. No porque la dirección esté equivocada al ver potencial, sino porque el potencial no se convierte en impacto por el mero hecho de declararlo.

Visto así, muchas organizaciones no están fallando por falta de visión. Están fallando por un exceso de abstracción. Hablan de transformación cuando todavía no han resuelto la adopción. Hablan de productividad cuando aún no han definido qué tareas deben cambiar, para quién y bajo qué límites. Hablan de agentes cuando siguen sin tener claro quién responde por los resultados, quién valida los usos, cómo se mide el riesgo y qué formación necesita cada perfil para trabajar con la herramienta sin convertirla en una fuente adicional de error.

Las señales de riesgo ya no son teóricas. También en las últimas semanas, Cinco Días recogía un experimento de la CNMV con cuatro modelos de IA aplicados a inversión bursátil. La conclusión era interesante precisamente porque no alimenta un discurso simplista: la IA puede ofrecer resultados prometedores, pero sin procesos estructurados y supervisión humana también puede inducir errores y pérdidas.

En el ámbito internacional, la banca añade otra capa. The Guardian informaba de la preocupación de Goldman Sachs por los riesgos cibernéticos asociados a un nuevo modelo de Anthropic. El mensaje de fondo es claro: cuando la capacidad de un sistema escala más rápido que los marcos de control, el riesgo deja de ser una cuestión de productividad y pasa a convertirse en una cuestión de resiliencia.

Ese es, a mi entender, el punto que hoy muchas organizaciones siguen subestimando. La IA no fracasa solo cuando se equivoca. También fracasa cuando se implanta sin haber preparado a las personas para usarla bien. Fracasa cuando introduce más ruido del que elimina. Fracasa cuando aumenta la dependencia sin aumentar el criterio. Y fracasa, sobre todo, cuando el despliegue va por delante de la responsabilidad.

Por eso creo que el debate empresarial sobre IA debería desplazarse un poco. Menos obsesión con quién ha anunciado antes una iniciativa. Menos ansiedad por parecer AI-first. Menos simplificación sobre supuestos atajos a la productividad. Y más atención a las preguntas incómodas que de verdad separan el piloto del despliegue útil: qué problema concreto queremos resolver, en qué tareas y perfiles tiene sentido empezar, qué riesgos asumimos, qué prácticas deben prohibirse, qué métricas demostrarán valor real y qué soporte recibirán los usuarios.

Mi impresión es que muchas iniciativas de IA siguen todavía lejos de una fase de estabilización madura. Hay avances reales y casos de valor, sí. Pero en un gran número de organizaciones el mercado sigue moviéndose entre expectativas elevadas, pruebas aceleradas y fricciones operativas todavía mal resueltas. Y eso exige prudencia, no freno; gobierno, no parálisis; adopción estructurada, no improvisación.

Porque cuando una organización despliega más rápido de lo que sus personas pueden adoptar con criterio, cuando la gobernanza llega tarde y cuando los riesgos se miden mal o directamente no se miden, la fricción no es una anomalía. Es la consecuencia esperable.

Y ahí está, probablemente, la diferencia entre incorporar IA y convertirla en una capacidad de verdad.

Después de años viendo cómo se implantan tecnologías en las organizaciones, cada vez tengo más claro que el principal riesgo de la IA no es su potencia, sino la tentación de desplegarla antes de haber preparado a quienes deben usarla.