Pruebas la IA con una tarea de tu trabajo. El resultado no está a la altura, corregirlo cuesta más que hacerlo tú y vuelves a tu manera habitual. Después de una tarde así, «la IA no sirve para esto» parece una conclusión bastante razonable.
Pero todavía sabes poco sobre lo que ha pasado. Y de entenderlo depende qué merece la pena intentar después.
Pongamos que le pides ayuda para preparar una propuesta comercial. Le das información del cliente y lo que vendes. Te devuelve algo bien escrito, pero recomienda un descuento que nunca aceptarías, destaca una ventaja que a ese cliente le da igual y propone unos plazos que tu equipo no puede cumplir.
La propuesta no sirve. Eso lo ves enseguida. Lo que cuesta más es distinguir cuánto de ese fallo corresponde a la capacidad del modelo y cuánto a información que nunca tuvo.
Tú sabes hasta dónde puedes negociar, qué le preocupa al cliente y cómo está de carga el equipo. Quizá parte está en documentos; otra parte, en conversaciones; y otra solo la conocen dos personas de la empresa. Cuando preparas la propuesta, juntas todo eso casi sin darte cuenta. La máquina ha trabajado con lo que le diste.
Cambiar de modelo podría mejorar la redacción y dejar intactos los tres problemas.
También puede ocurrir lo contrario: has aportado la información necesaria, has explicado qué esperas y, aun así, el modelo no consigue hacer el trabajo con la fiabilidad que necesitas. Seguir añadiendo documentos o reformulando el encargo puede convertirse en otra tarde perdida.
Esta distinción importa porque cada diagnóstico abre un camino diferente. Si falta contexto, toca localizarlo y hacerlo accesible. Si lo que falta es capacidad, puede merecer la pena probar otro modelo, reducir el alcance del encargo o esperar a que haya una mejora que justifique volver.
Y a veces, al buscar ese contexto, descubres algo incómodo: la organización tampoco tiene un criterio compartido. Tú aceptarías un descuento que otro rechazaría. El plazo depende de a quién preguntes. La IA ha obligado a poner sobre la mesa una ambigüedad con la que llevabais tiempo trabajando.
¿Cómo se aprende a distinguir estas cosas?
Empezando por tareas que conoces lo suficiente como para evaluar el resultado. Antes de probar, deja claro qué tendría que cumplir. Cuando falle, concreta dónde y comprueba si tenía la información necesaria para hacerlo bien. Después cambia algo que permita poner a prueba tu explicación: aportar el dato que faltaba, aclarar una condición o comparar otro modelo con el mismo material.
Una respuesta mala rara vez basta para cerrar el diagnóstico. Pero una prueba bien planteada puede ayudarte a decidir el siguiente paso, incluso cuando vuelve a salir mal.
Ahí es donde un experto puede ahorrarte muchas vueltas. Puede detectar una limitación que tú todavía no reconoces, pedir el contexto que dabas por supuesto o ayudarte a diseñar una prueba que resuelva la duda. Eso forma parte del trabajo que hacemos en los entrenamientos: construir contigo el criterio para que puedas tomar esas decisiones por tu cuenta.
Cuando llevas esto a una empresa, las consecuencias crecen. Detrás de un piloto que no avanza puede haber una limitación tecnológica, información dispersa o decisiones internas sin resolver. Según cuál sea el problema, cambia dónde tiene sentido invertir y qué conviene pedir antes de seguir.
Ese es el nivel de conversación que queremos abrir en los desayunos de entaina. Contrastar con otros directivos cómo están interpretando sus resultados y qué decisiones están tomando a partir de ellos. Qué les ha llevado a ampliar una apuesta, a cambiar de enfoque o a detenerla.
Seremos ocho directivos, dos horas, una mañana en Madrid, con Agustín Cuenca moderando. Sin cámaras ni grabación, con el acuerdo de que lo que se cuente se quede en la sala y sin competidores directos en la misma mesa.
Si estás decidiendo cómo avanzar con la IA en tu empresa, puedes traer esa decisión y los motivos que tienes hoy para tomarla. El desayuno es gratuito y recibimos solicitudes hasta el 21 de septiembre.
