La IA ya está cambiando el modelo operativo. La pregunta es hacia dónde

Una organización puede tener mucha adopción de IA y contar con muchas personas competentes en su uso y, aun así, estar construyendo el modelo operativo equivocado

Hace una semana planteaba una pregunta incómoda: ¿y si ocultar cómo utilizamos la IA fuera una decisión perfectamente racional?

La hipótesis partía de una contradicción. Las organizaciones quieren que sus empleados experimenten, aprendan y compartan buenas prácticas, pero hacerlo de forma transparente puede tener un coste. Un estudio global de KPMG y la Universidad de Melbourne, realizado con más de 48.000 personas en 47 países, encontró que el 57% de los empleados reconocía utilizar IA de forma no transparente. Cuatro experimentos publicados en Proceedings of the National Academy of Sciences, con 4.439 participantes, encontraron además que quienes utilizan IA en el trabajo anticipan y reciben evaluaciones más negativas sobre su competencia y motivación.

En ese contexto, alguien puede descubrir una forma especialmente eficaz de incorporar IA a su trabajo que le permita producir más, responder mejor o diferenciarse. Si compartir esa ventaja reduce precisamente aquello que la hace valiosa, mantenerla en privado puede convertirse en una decisión racional.

Dos días después volví sobre la cuestión desde el otro lado: ¿qué tendría que cambiar para que compartir esa ventaja también fuera racional? La conversación llevó hacia el reconocimiento, la reutilización y la necesidad de compartir no solo lo que funciona, sino también sus límites. Y dejó una idea bastante sencilla: una práctica útil para una persona no siempre beneficia al conjunto de la organización.

Desde entonces me interesa una tercera pregunta. Si cientos o miles de personas están tomando decisiones razonables sobre cómo incorporar IA a su trabajo, ¿qué tipo de organización están construyendo entre todas ellas?

Una parte relevante del uso de IA en las empresas ocurre fuera de aquello que la propia organización conoce con detalle. El estudio de KPMG ya apunta en esa dirección. Gartner llega desde otra perspectiva al mismo problema cuando recomienda identificar también agentes no autorizados: qué hacen, a qué información acceden, quién responde por ellos y qué grado de autonomía tienen.

No es un fenómeno completamente nuevo. Durante años hemos hablado de shadow IT —uso de tecnología en el trabajo fuera de los sistemas o canales aprobados por la empresa—. Pero la IA introduce una diferencia importante: no solo añade nuevas herramientas, también cambia directamente cómo se hace el trabajo, qué parte ejecuta una persona, qué parte se automatiza, dónde se necesita revisión y qué decisiones permanecen en manos humanas.

Una persona automatiza parte de su trabajo. Otra utiliza un agente para preparar o ejecutar determinadas tareas. Un equipo deja de revisar todos los casos porque ahora solo recibe las excepciones. Otro encuentra una forma de analizar información que antes exigía recurrir a otra especialidad. Algunas de esas prácticas se comparten; otras permanecen dentro de un equipo o incluso de una sola persona.

Ninguna decisión aislada parece especialmente trascendente. Pero, cuando se acumulan cientos de ellas, cambian la forma real en que funciona la empresa: quién hace el trabajo, qué conocimiento necesita, dónde se toman decisiones, qué se revisa y qué puede resolverse sin intervención humana.

Un experimento realizado con 791 profesionales de Procter & Gamble ayuda a ver hasta dónde puede llegar ese cambio. Los participantes trabajaron sobre problemas reales de innovación y fueron asignados a trabajar solos o en pareja, con y sin IA. Quienes trabajaron individualmente con IA alcanzaron un rendimiento comparable al de los equipos sin IA. Además, la IA redujo parte de la separación habitual entre perfiles técnicos y comerciales: ambos produjeron soluciones más equilibradas entre las dimensiones técnicas y de mercado.

El estudio no dice que P&G deba reducir equipos ni reorganizar funciones. Lo interesante es que cuestiona supuestos anteriores a cualquier decisión de ese tipo. Si una persona puede acceder con IA a parte del conocimiento que antes exigía recurrir a otra especialidad, o si cambia la ventaja relativa de trabajar solo o acompañado, también empiezan a cambiar los criterios con los que organizamos equipos, colaboración y responsabilidades.

Y eso puede ocurrir mucho antes de que alguien decida rediseñar formalmente el modelo operativo.

Aquí vuelve el problema del artículo anterior. Entonces planteaba que una organización puede pedir transparencia y aprendizaje compartido mientras sus propios incentivos hacen racional proteger una ventaja individual. Si compartir cómo utilizamos IA reduce diferenciación, añade trabajo o perjudica la percepción de competencia, ocultarlo puede tener sentido para la persona aunque la organización necesite exactamente lo contrario. El problema no está necesariamente en una falta de voluntad para colaborar. Puede estar en aquello que el propio sistema premia.

Llevemos ese razonamiento a escala. Una empresa puede tener cada vez más personas utilizando IA y conseguir mejoras reales. Algunas automatizan tareas, otras construyen agentes y otras encuentran mejores formas de analizar información o preparar decisiones. Pero si ese conocimiento permanece disperso y distintos equipos siguen resolviendo problemas parecidos por su cuenta, la empresa puede ganar productividad mientras acumula soluciones duplicadas, procesos que nadie ve de principio a fin y conocimiento que depende de personas concretas.

El modelo operativo también está cambiando, pero no necesariamente en la dirección que la organización necesita.

Pero compartir tampoco resuelve por sí solo el problema. Podemos reducir duplicaciones y, al mismo tiempo, crear dependencias que nadie ha acordado mantener.

Gartner describe una evolución muy distinta cuando habla de madurez. En los niveles iniciales predominan las iniciativas individuales, las responsabilidades poco claras y las prácticas inconsistentes. A medida que aumenta la madurez aparecen roles mejor definidos, procesos más estables, responsabilidades claras y una mayor conexión entre negocio, tecnología y riesgo.

La diferencia importa porque descentralizar no significa fragmentar. Una empresa puede dar mucha autonomía a sus equipos y conseguir, al mismo tiempo, que lo aprendido circule, que determinadas soluciones se reutilicen y que esté claro quién responde cuando algo falla. Otra puede dar una autonomía similar y terminar con decenas de formas distintas de resolver el mismo problema.

Y reutilizar tampoco resuelve por sí solo el problema. Una solución que empieza como una mejora para una persona puede acabar alimentando el trabajo de otros equipos, procesos o agentes. En ese momento ya no importa únicamente quién la creó o quién la utiliza, sino qué ha empezado a depender de ella.

Ahí una modificación perfectamente razonable para el equipo que mantiene la solución puede tener consecuencias en otra parte de la organización que ese equipo ni siquiera ve.

El artículo anterior preguntaba qué comportamiento estamos haciendo racional. La pregunta ahora es otra: ¿qué modelo operativo están haciendo racional nuestros incentivos?

Los datos recientes de McKinsey ayudan a ver esa distancia. En su encuesta de 2026, el 80% de los participantes afirmaba que la IA había mejorado su productividad individual, mientras solo el 37% atribuía algún impacto positivo en EBIT al uso de IA de su organización. Apenas el 6% entraba en la categoría que McKinsey denomina AI high performers.

No conviene convertir estas cifras en una relación causal directa, pero la diferencia refleja algo fácil de reconocer en la práctica: una persona puede trabajar mucho más rápido y que el proceso completo apenas mejore.

Puede preparar un análisis en una hora en lugar de cuatro y seguir esperando dos días una aprobación. Un equipo puede automatizar una parte del trabajo y trasladar el cuello de botella a la siguiente. Una función puede ganar capacidad mientras otra recibe más volumen del que puede absorber. La IA puede mejorar una tarea y dejar casi intacto el sistema que la rodea.

El post que publiqué dos días después del artículo anterior planteaba un problema parecido con el conocimiento. Compartir una solución no basta. Hay que poder encontrarla, entender en qué condiciones funciona, adaptarla y saber cuándo merece la pena reutilizarla. Por eso proponía una métrica menos evidente que contar cuántas cosas se comparten: reducir la reinvención innecesaria.

Esa idea puede llevarse un paso más lejos. No basta con conseguir que circulen buenas prácticas. También hay que entender qué efecto tienen juntas sobre la forma en que funciona la empresa.

Supongamos que las cosas evolucionan bien. Las personas comparten lo aprendido, otros equipos reutilizan esas soluciones y los responsables empiezan a rediseñar procesos alrededor de ellas.

Todavía queda un límite. Christian Steidle planteó una situación muy concreta en la conversación que siguió al post. Una persona desarrolla un flujo de trabajo con IA para resolver sus propias tareas y lo comparte. Otros empiezan a utilizarlo. Poco a poco, quien lo creó termina respondiendo dudas, corrigiendo errores y adaptándolo a necesidades que nunca había aceptado mantener.

El reconocimiento no resuelve por sí solo ese problema. Si compartir una mejora añade una función de soporte informal a la carga anterior, hacerlo puede seguir siendo una mala decisión para quien la creó.

Pero Christian añadió después una segunda capa todavía más importante. Ese flujo de trabajo puede empezar a alimentar otros procesos o agentes. En ese momento, aunque el nuevo equipo asuma correctamente su uso y su validación, modificar la solución original puede afectar a otras capacidades que dependen de ella sin que nadie vea toda la cadena.

Que algo se comparta no es el verdadero punto de transición. El punto de transición aparece cuando algo más empieza a depender de ello.

A partir de ahí, una mejora deja de ser únicamente local. También importa quién utiliza sus resultados, qué interfaces dependen de ellos, quién debe saber que algo ha cambiado y qué consecuencias tendría que la solución dejara de funcionar como antes.

Eso no significa someter cada modificación a una aprobación central. Significa disponer de suficiente visibilidad para saber cuándo un cambio local puede propagarse más allá del equipo que lo realiza.

Lo mismo ocurre con la confianza. Que una solución se utilice cada vez más dentro de la empresa no demuestra que haya sido validada para cada uno de esos usos. Una práctica puede ganar apariencia de estándar simplemente porque otros han empezado a depender de ella.

Por eso escalar no consiste únicamente en conseguir que las soluciones funcionen y se reutilicen. Exige saber qué depende de ellas, quién responde por cada uso, qué se ha validado y dónde permanecen los límites.

Gartner llega a una conclusión parecida cuando analiza la preparación para la IA agéntica —sistemas capaces de ejecutar acciones y partes de un proceso con cierto grado de autonomía—. Escalar exige revisar procesos, integración, datos, supervisión, seguridad, gobernanza y si la organización está preparada para trabajar de otra manera.

Ahí aparece una frontera importante. Muchos cambios pueden empezar desde abajo, pero no todos pueden resolverse desde abajo. La acumulación de buenas decisiones locales puede crear dependencias organizativas antes de que la organización haya aprendido siquiera a verlas.

Esto también cambia cómo contratamos. En cada vez más funciones, valorar la competencia para trabajar con IA ya no es opcional. Y muchas empresas descubrirán que dentro de su propia plantilla existe bastante más experiencia de la que creían, precisamente porque una parte se ha desarrollado de forma poco visible.

Pero ahí aparece un problema: ser muy competente utilizando IA para mejorar el propio trabajo no significa saber utilizarla para mejorar cómo trabaja una organización.

Alguien puede haber aprendido a automatizar una parte importante de sus tareas, trabajar con agentes con mucha eficacia o combinar distintos sistemas hasta producir mucho más en menos tiempo. Todo eso tiene valor. Pero la pregunta relevante para una empresa es qué ocurre después: si esa persona sabe explicar qué ha cambiado en el proceso, hacer visible cómo funciona la solución para que otros puedan evaluarla, reconocer sus límites, identificar cuándo necesita revisión humana y adaptar lo aprendido cuando cambia el contexto.

Por eso me parece útil distinguir entre saber trabajar mejor con IA y saber conseguir que lo aprendido mejore también el trabajo de otros.

Esta exigencia también compromete a la empresa. No basta con contratar personas capaces de mejorar el trabajo de otros si cada contribución acaba convirtiéndose en una obligación de soporte sin tiempo ni apoyo para atenderla. Y cuando esa contribución empieza a alimentar otros procesos, equipos o agentes, ya no basta con decidir quién la mantiene: también importa quién necesita saber que ha cambiado y qué otras capacidades pueden verse afectadas. Si compartir genera nuevas tareas o nuevas dependencias, habrá que revisar responsabilidades, carga de trabajo y objetivos. De lo contrario, incluso alguien dispuesto a colaborar tendrá una razón concreta para reservarse la siguiente mejora.

Gartner plantea una idea cercana cuando habla de una plantilla preparada para IA: no se limita al uso de la tecnología, sino que incorpora aprendizaje continuo, colaboración entre especialidades, juicio y responsabilidad.

Por eso “experiencia con IA” empieza a quedarse corta como criterio de selección. La pregunta no es solo cuánto ha utilizado una persona la IA o con qué sofisticación. Es qué ha sido capaz de cambiar con ella y si ese aprendizaje genera valor más allá de su propio puesto.

Si una parte importante del cambio nace cerca del trabajo real, intentar dirigir desde un único punto cada uso de IA tendría poco sentido. Ningún comité puede descubrir todas las mejoras que encontrarán miles de personas trabajando cada día con procesos distintos. Pero tampoco podemos esperar que todos esos cambios terminen encajando por sí solos.

El caso de Clifford Chance que recoge Gartner ofrece un ejemplo interesante. La firma combina una instancia ejecutiva que marca la dirección general, un equipo transversal que coordina la transformación y grupos locales dentro de las distintas áreas que adaptan esas decisiones al trabajo concreto. Al mismo tiempo, lo que ocurre en la práctica vuelve hacia quienes tienen que tomar decisiones más amplias.

No hace falta convertir ese modelo en una receta. Lo importante es distinguir qué puede decidir cada equipo y cuándo las consecuencias empiezan a superar sus límites.

Una forma de hacerlo no es aprobar centralmente cada cambio, sino hacer visibles las dependencias relevantes. Cuando una solución empieza a alimentar otros equipos, procesos o agentes, debería poder saberse quién consume sus resultados, de qué parte depende y quién necesita conocer un cambio material.

La intensidad de esa trazabilidad tampoco tiene que ser igual en todos los casos. Un experimento personal no necesita un mapa de dependencias. Una solución de la que depende trabajo relevante de otros sí necesita algo más.

Visibilidad no tiene por qué significar aprobación. El objetivo es evitar que una decisión local aparentemente razonable invalide capacidades situadas en otra parte de la organización simplemente porque nadie sabía que dependían de ella.

Ahí también cambia el papel de los responsables de equipo. Ya no basta con saber quién utiliza IA o cuántos casos de uso existen. Empieza a importar qué parte del trabajo se hace de otra manera, qué decisiones han pasado a un sistema, dónde siguen apareciendo excepciones, qué necesita todavía revisión humana y qué otras partes del proceso dependen ya de esas decisiones.

Gartner plantea esa cuestión de forma bastante concreta para los agentes: su autonomía debería aumentar a medida que demuestran suficiente fiabilidad, no simplemente porque técnicamente puedan ejecutar más acciones. El continuo va desde la aprobación humana de cada acción hasta distintas formas de supervisión, delegación, auditoría y autonomía.

Cada vez que cambia ese grado de autonomía también cambia quién revisa, quién interviene y quién responde. Y esas decisiones terminan formando parte de cómo funciona realmente la organización.

Hace una semana empecé esta conversación preguntando si ocultar una ventaja creada con IA podía ser racional. Dos días después la pregunta era qué tendría que cambiar para que compartirla fuera racional también.

Ahora la cuestión es otra. Si cientos o miles de personas están tomando cada día decisiones razonables sobre cómo incorporar IA a su trabajo, ¿qué modelo operativo estamos construyendo como resultado?

No deberíamos desconfiar del cambio que surge desde abajo. Parte de la innovación real aparecerá así: personas y equipos que encuentran formas mejores de trabajar antes de que exista una decisión formal de rediseño.

Pero tampoco podemos asumir que la suma de esas mejoras producirá por sí sola la organización que necesitamos. Algunos cambios surgirán de la práctica. Otros exigirán decisiones explícitas sobre procesos, incentivos, responsabilidad, tecnología, talento y sobre quién puede decidir qué.

Por eso cada vez me parece menos útil preguntar únicamente cuánto se está utilizando la IA. La pregunta más importante es otra: qué está cambiando realmente como consecuencia de ese uso, qué empieza a depender de esos cambios, hacia dónde empujan a la organización y dónde la adaptación espontánea deja de ser suficiente.

Ahí está, a mi juicio, una de las tareas centrales de esta fase de adopción: no diseñar desde arriba cada cambio ni dejar que todos se acumulen sin dirección, sino reconocer cuándo esa acumulación empieza a transformar la organización y decidir qué parte conviene consolidar, qué parte corregir y qué parte llevar más lejos.

• KPMG & University of Melbourne — Trust, attitudes and use of Artificial Intelligence: A global study 2025. Estudio global con más de 48.000 participantes en 47 países sobre confianza, adopción y uso de IA.
• Jessica A. Reif, Richard P. Larrick y Jack B. Soll — “Evidence of a social evaluation penalty for using AI”, Proceedings of the National Academy of Sciences, 2025. Cuatro experimentos, con 4.439 participantes, sobre las consecuencias sociales y reputacionales de utilizar IA en el trabajo.
• Fabrizio Dell’Acqua et al. — “The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork”, Organization Science, 2026. Experimento con 791 profesionales de Procter & Gamble sobre IA, rendimiento individual, trabajo en equipo e integración de conocimiento entre especialidades.
• McKinsey & Company — “AI is changing work. Now it has to change the organization”, 5.10.2026. Investigación sobre productividad individual, impacto empresarial, organizaciones con mejores resultados y necesidad de rediseñar el trabajo alrededor de la IA. La pieza recoge que el 80% de los encuestados señala mejoras de productividad individual, frente al 37% que reporta impacto positivo en EBIT y el 6% clasificado como AI high performers.
• McKinsey & Company — “The key to AI value is hiding in plain sight: Your operating model”, 9.09.2026. Investigación sobre las decisiones de diseño del modelo operativo asociadas a la creación de valor con IA y la necesidad de hacer esas decisiones de forma deliberada.
• Gartner — “The Latest Gartner Hype Cycle for Artificial Intelligence Puts Control Ahead of Capability”, 1.10.2026. Pieza pública sobre el desplazamiento del debate desde la capacidad tecnológica hacia la fiabilidad, la accountability, el control, los costes y la gobernanza.