La ventana en la niebla

En la primera parte de esta serie escribí sobre IA como cartógrafo de lo desconocido. En la segunda, sobre los ángulos muertos de ese cartógrafo. Hoy quiero hablar sobre lo que usted hace con esas dos realidades al mismo tiempo.

En 2024, el 47% de las soluciones de IA en empresas se construían internamente. En 2025, esa cifra cayó al 24%. Las organizaciones dejaron de construir y empezaron a comprar. La razón no fue falta de talento ni de ambición. Fue que nadie sabía qué estaba haciendo. Los equipos internos replicaban trabajo que otros equipos internos ya habían hecho. Los pilotos se multiplicaban sin conexión con la estrategia. Las pruebas de concepto se acumulaban sin convertirse en producción.

Deloitte encuestó a 3,235 líderes en agosto de 2025. El 34% dijo estar reimaginando su negocio con IA. El resto seguía optimizando procesos existentes o, peor, experimentando sin rumbo claro.

Fuente: Menlo Ventures, “The State of Generative AI in the Enterprise” (2025). Deloitte, “The State of AI in the Enterprise” (2026).

Esos números describen un momento específico. La tecnología ya pasó la fase de demostración. Funciona. Pero las organizaciones todavía no saben cómo desplegarla de forma que cambie algo que importe.

Hay un patrón que se repite con las tecnologías de alto impacto. Cuando son lo suficientemente poderosas como para cambiar industrias pero lo suficientemente nuevas como para que nadie tenga un modelo probado de adopción, se abre una ventana. En esa ventana, cada decisión pesa el doble. Ya se ve la forma de lo que viene. Pero todavía se puede influir en lo que termina siendo.

IA está en esa ventana. No existen reglas establecidas para cómo se despliega en una empresa, en un gobierno, en una universidad. Nadie tiene el manual. Y eso, paradójicamente, es la oportunidad.

Cada organización que encuentra una forma inteligente de usar IA hoy está escribiendo el estándar para las demás.

Eso es lo que separa este momento de los ciclos anteriores. Con la revolución móvil, con la nube, con el e-commerce, alguien definió el modelo operativo primero y los demás lo copiaron. Con IA, los modelos operativos se están definiendo en paralelo, en tiempo real, por las organizaciones que deciden actuar antes de tener certeza.

Las dos partes anteriores de esta serie se conectan acá.

IA puede encontrar lo que usted no sabe que no sabe (eso lo cubrimos en la primera parte). Pero IA también tiene puntos ciegos estructurales que sesgan los mapas que produce (eso lo cubrimos en la segunda). Las dos cosas son ciertas al mismo tiempo. Y la pregunta operativa no es cuál de las dos pesa más. Es cómo usted diseña su uso de IA sabiendo ambas.

Pero antes de llegar a eso, vale la pena nombrar un problema más básico. La mayoría de las organizaciones gastan en gestionar riesgos que ya identificaron. Casi ninguna invierte de forma proporcional en detectar los riesgos que todavía no ve. El inventario de riesgos de casi toda organización está incompleto, y casi toda organización opera como si estuviera completo. Esa brecha no es menor. Es tan amplia como la condición que describe: si usted no sabe lo que no sabe, su plan de gestión cubre lo que ya conoce y deja expuesto todo lo demás.

IA cambia esa ecuación. Por primera vez, existe una herramienta que puede buscar en el espacio de lo que usted no sabe que no sabe, a una escala que ningún equipo humano puede cubrir. Pero esa herramienta tiene sesgos propios. Usarla bien requiere saber dónde confiar en ella y dónde no.

Las organizaciones que van a capturar valor de IA no son las que adoptan más rápido. Son las que adoptan con criterio y después iteran sin pausa. Que usan los modelos para generar señales y ponen juicio humano a evaluar esas señales. Que consultan múltiples modelos y prestan atención cuando no coinciden. Que complementan lo que la IA ve con lo que los modelos no cubren: contexto de industria, conocimiento local, experiencia de operadores, datos en español que no están en los corpus de entrenamiento. Y que hacen todo esto a velocidad: velocidad de ejecución, velocidad de iteración, velocidad de aprendizaje institucional. El ciclo de probar, medir, ajustar y volver a probar es la ventaja operativa más subestimada en este momento.

Hay otra capa. Las organizaciones que ya tienen fosos estratégicos (canales de distribución, relaciones comerciales establecidas, fuerza de ventas en territorio) tienen una posición que ningún modelo de IA replica. La ventaja no está en abandonar esos fosos para perseguir lo nuevo. Está en adaptarlos más rápido que la competencia al contexto que IA crea. Una red de distribución que incorpora inteligencia de demanda generada por IA vale más que el modelo solo o la red sola.

Esas prácticas no existen en un manual. Las están inventando las organizaciones que las necesitan. Y el mercado va a terminar adoptándolas como estándar.

Hay una diferencia entre ser el primero en usar una tecnología y ser el primero en usarla bien. La primera posición es táctica y temporal. La segunda crea una ventaja que se acumula: mejores datos internos, mejores procesos de evaluación, mejor criterio institucional sobre cuándo confiar en un modelo y cuándo no.

La ventana para darle forma a esto no va a durar mucho. Pero hoy está abierta.

Los marcos regulatorios se están formando. Los estándares de gobernanza se están escribiendo. Las mejores prácticas de despliegue se están consolidando. En dos o tres años, el espacio para definir cómo se usa IA en su industria va a ser mucho más estrecho. Las organizaciones que estén operando con modelos propios de uso, con gobernanza interna y con criterio institucional van a tener una ventaja que los demás van a tener que comprar o copiar.

América Latina tiene una particularidad en este contexto. El conocimiento en español, los marcos regulatorios de la región, los patrones de negocio locales: nada de eso está bien representado en los modelos de frontera. Las organizaciones latinoamericanas que desarrollen formas inteligentes de complementar IA con conocimiento local no van a estar siguiendo un estándar global. Van a estar creando uno.

El futuro ya llegó. Pero no para todos.

The Asymmetric Advantage