Una de las versiones arrancó con su contexto escrito desde el principio: una especificación y un archivo que le decía al agente cómo era el proyecto (arquitectura, convenciones, qué respetar). La otra empezó con poco más que un README de instalación, y así estuvo durante meses.

El resultado lo contaba el propio repositorio. La versión con contexto tenía una arquitectura limpia, coherente, sin cabos sueltos. La otra, decisiones tomadas sobre la marcha, gestión de errores a medias, varios TO-DOs abandonados en el código y un documento de arquitectura que apareció tarde, cuando el desorden ya estaba hecho. La variable que las separó fue solamente el contexto.

Continuando con el mensaje de lo importante que es especificar para que el modelo no divague, ya que un agente siempre va a rellenar los huecos de información con lo primero que le sirva, el contexto cobra mayor importancia porque es lo que decide si esos huecos se rellenan con información de tu proyecto o con invenciones que le encajen.

Para no hablar en abstracto, vamos a usar el mismo ejemplo que recorre toda la serie: una app de gastos compartidos. Ya sabes, esas para repartir la cuenta de un viaje o de una cena entre varias personas. Su MVP es modesto a propósito: crear un grupo por evento, añadir un gasto indicando quién pagó, repartirlo de forma configurable, ver una pantalla de balance que diga quién le debe a quién y liquidar.

Lo que no entra en la v1 también está decidido: nada de pagos reales dentro de la app, nada de multidivisa, nada de modo offline. Sobre esa app iremos colgando todo lo que sea relevante sobre el contexto, porque las ideas bonitas se entienden de verdad cuando chocan con una feature concreta.

¿Qué es “el contexto” de una app en realidad?

El contexto de una app es el contrato que el agente lee antes de tocar el código, los documentos que le dicen cómo funciona esta app en concreto. No es un README de instalación ni documentación de adorno, es lo que convierte un “hazme una pantalla” en “hazme una pantalla que encaje aquí”.

Merece la pena decirlo porque cuesta verlo. Es fácil pensar que el contexto era “contarle al agente qué hace la app” y no es eso, o no solo eso. El contexto es contarle qué decisiones ya están tomadas para que no las vuelva a tomar él. En la app de gastos compartidos, que el reparto pueda ser por partes iguales, por porcentajes o por importes fijos es una decisión de producto que el agente debe respetar, no reinventar cada vez que toca esa zona.

En nuestros proyectos, este contrato vive en tres capas a nivel de cada app:

Llevado a un archivo, el contrato de la app de gastos compartidos se parece a esto. Es el CONTEXTO.md que dejamos en la raíz del repo para que el agente lo lea antes que cualquier otra cosa:

# CONTEXTO — App de gastos compartidos

## Qué es
Repartir gastos de un evento (viaje, cena) entre varias personas.
MVP:
- Crear un grupo por evento.
- Añadir un gasto indicando quién pagó.
- Reparto configurable: partes iguales / porcentajes / importes fijos.
- Pantalla de balance: quién debe a quién.
- Liquidar.
Fuera de la v1 (NO implementar):
- Pagos reales dentro de la app.
- Multidivisa.
- Modo offline.

## Cómo está hecha
Clean Architecture. Capas: ui / domain / data.
- ui    → pantallas y estado, sin lógica de negocio.
- domain→ casos de uso y reglas (el reparto vive aquí).
- data  → repositorios y fuentes de datos.

## Persistencia
Base de datos local → fuente de verdad de los datos.
Backend → solo sincronización entre dispositivos.
PROHIBIDO llamar al backend desde la UI. La UI habla con domain;
domain habla con data; data decide local vs. backend.

## Convenciones
Estado de pantalla: loading / error / data.
Errores: nunca un TODO; siempre un manejo real.

Ninguna de estas especificaciones es exótica, la mitad del archivo describe cosas que la app no hace. Ese “fuera de la v1” pesa tanto como el MVP, porque es lo que evita que el agente, en cuanto huela un campo de importe, te monte la conversión de divisas que nadie le ha pedido. Lo decisivo no es qué pone, sino que esté escrito antes de que el agente empiece a decidir por su cuenta.

Sin contexto, el agente no se para. Improvisa

Un agente IA sin contexto no se para a preguntar, improvisa una arquitectura plausible y sigue adelante. Como nunca dice “no sé”, rellena cada decisión que no le dimos con lo que supone razonable, y lo que supone casi nunca coincide con lo que ya tenemos montado.

En la versión sin contexto, eso se tradujo en lo previsible: errores resueltos “para salir del paso” con un TO-DO en lugar de un manejo real, ninguna regla sobre cuándo usar la base de datos local y cuándo el backend y patrones que cambiaban de una pantalla a otra. El agente no se equivocó según su propia lógica, el problema es que no tenía la nuestra.

Se ve más claro bajándolo a una feature de la app de gastos. Imaginemos que le pedimos añadir el reparto por porcentajes a un grupo. Sin contexto, un encargo así:

Añade que un gasto se pueda repartir por porcentajes entre los miembros del grupo

El agente, que es servicial hasta el agobio, hace de todo a la vez: mete la lógica del reparto dentro del widget de la pantalla, llama directamente al backend para “guardar los porcentajes”, se inventa un modelo nuevo en lugar de tocar el gasto que ya existe y, de paso, deja un “//TO-DO: validar que sumen 100%” por si acaso.

Funciona en la demo pero el resultado fue el incumplimiento de tres principios fundamentales en una única funcionalidad: acabé con la lógica de negocio incrustada en la interfaz, una conexión al backend que vulneraba el contrato y código de dominio redundante.

No lo hizo de mala fe, le pedimos un reparto… sin decirle dónde vive el reparto en nuestra app. Y donde no hay regla, hay improvisación.

El agente no improvisa porque sea malo. Improvisa porque no le dimos la información que necesitaba y tuvo que improvisar.

Con el CONTEXTO.md delante, ni siquiera hace falta pedir lo mismo de otra forma. El mismo encargo, ahora interpretado a través del contrato, suena así:

Añade el reparto por porcentajes a un gasto. 
- La regla del reparto va en domain (caso de uso), nunca en la UI.
- Reutiliza el modelo de gasto que ya existe; no crees uno nuevo.
- Persiste en la BD local; el backend solo sincroniza (no lo llames desde aquí).
- Estado de pantalla: loading / error / data. Sin TO-DO: valida que sumen 100%.

La diferencia no está en que escribamos más, sino en que esas cuatro líneas ya estaban escritas una vez, en el contrato, y el agente las arrastra a cada tarea. La pieza encaja en lugar de aterrizar de cualquier manera. Y lo mejor: la próxima feature (el filtro de gastos por persona, pongamos) hereda exactamente las mismas reglas sin que las repitamos.

La trampa del contexto a posteriori

Documentar la arquitectura después de escribir el código no es montar el contexto, es hacerle la autopsia. En la versión que salió mal, ese documento llegó tarde, con el grueso del código ya escrito. No dirigió ni una sola de aquellas decisiones, sino que se limitó a describir, con buena letra, el desorden que ya existía.

Y ahí está el matiz que más gente se salta: un contrato que firmas después del trabajo no es un contrato, es un acta. El contexto solo cumple su función (evitar que el agente improvise) si existe antes que el código que se supone que debe guiar.

Lo digo por experiencia. En la versión que salió mal, llegamos a tener un documento de arquitectura con diagramas, capas bien nombradas, todo. Y no servía de nada porque describía un código que ya había decidido otra cosa.

Documentar a posteriori es hacer la autopsia porque aprendes qué mató al proyecto, pero el proyecto ya está en la camilla. La feature del balance, por ejemplo, en esa versión calculaba quién debe a quién en tres sitios distintos y ningún documento posterior iba a unificar eso por mí.

Cómo montar el contexto antes de empezar

El contexto se monta al principio, antes del código y en las tres capas que ya vimos: qué es, cómo está hecha y qué no se toca. No tiene por qué ser largo, tiene que existir antes que la primera línea. En nuestras apps mejor montadas, cada una arranca con su carpeta de documentación (especificación, decisiones, diseño) validada antes de programar nada.

En la práctica, para la app de gastos compartidos eso fue una sesión corta con el agente discutiendo el contrato, no escribiendo código. Algo tan tonto como esto antes del primer commit:

repo/
|–– CONTEXTO.md       <-- qué es, cómo está hecha, qué no se toca
|–– docs/
|   |–– spec.md       <-- el MVP detallado: grupos, gastos, reparto, balance
|   |__ decisiones.md <-- por qué BD local como fuente de verdad
|__ (todavía sin una sola línea de código)

Parece poca cosa, pero con media hora de definición nos estamos ahorrando semanas de pelear con un agente que tira para donde no quieres. Cuando luego le pedimos la pantalla de balance, no tuvimos que explicarle de nuevo que el cálculo de “quién debe a quién” vive en domain porque ya lo sabía.

Para que el contrato funcione:

• Escríbelo antes del primer commit, no a mitad de camino.
• Mantenlo corto: decisiones y reglas, no una enciclopedia.
• Actualízalo cuando una decisión cambie, no cuando ya rompió algo.

El contexto es un contrato vivo, no un documento de archivo.

Y una advertencia, porque el péndulo se va fácil al otro extremo: el contexto no es un volcado de todo lo que sabes. Si metes una enciclopedia, el agente se pierde igual que si no metes nada. El contexto es el contrato, las decisiones y las reglas que de verdad lo atan, no cada detalle de implementación. Lo que no condiciona una decisión, sobra.

El contexto no es solo para apps nuevas, también para una funcionalidad

La mayor parte del tiempo no construimos una app de cero, añadimos una funcionalidad a una que ya existe. Y ahí el contexto importa igual, o incluso es más importante. El agente necesita saber dónde encaja esa pieza, qué reutilizar y qué dejar en paz o reinventará lo que ya tenemos montado.

Un ejemplo de andar por casa en la app de gastos que podría funcionar es pedirle “añade un filtro de gastos por persona en la pantalla del grupo”. Sin contexto de la funcionalidad, el agente puede montarnos una capa de datos nueva, duplicar el repositorio de gastos que ya existe o resolver el filtro con un patrón distinto al del resto de la app. Funciona, pero acabamos con dos formas de hacer lo mismo. Es la bola de nieve otra vez, ahora a escala de feature.

Con contexto de la funcionalidad, el encargo cambia de naturaleza:

Añade un filtro de gastos por persona en la pantalla del grupo.
- Filtra usando el GastoRepository que ya existe; no crees otra fuente.
- Sigue el patrón de la pantalla de listado de gastos.
- El filtrado es lógica de dominio: resuélvelo en el caso de uso, no en el widget.
- No toques el modelo de gasto.

El agente deja de inventar y se limita a colocar la pieza en su sitio. Es el mismo salto que con el reparto por porcentajes, pero a una escala todavía más pequeña y por eso más fácil de olvidar darle contexto, que es justo cuando muerde.

El contexto de una funcionalidad:

• Dónde encaja: la pantalla o el módulo y el patrón que debe seguir.
• Qué reutilizar: los repositorios, componentes o utilidades que ya existen.
• Qué no tocar: lo que queda fuera del alcance de esta feature.

Es el mismo contrato, una talla más pequeña

Es la misma idea de “definir y acotar” del primer artículo de la serie, pero aplicada al contexto: cada tarea, por pequeña que sea, tiene su porción de contexto. Dársela antes de empezar es lo que evita que el agente, por ayudarte con una funcionalidad, nos ensucie las otras veinte.

Dolor o boost: cambia cómo le hablamos al agente

Montar el contexto cambia, sobre todo, tu forma de comunicarte con el agente. Sin contexto, en cada sesión repetimos las mismas reglas, corregimos los mismos desvíos y vigilamos cada salida por si se ha inventado algo. Con contexto, señalamos la tarea y el agente se mantiene en los raíles que escribimos una vez.

Con la app de gastos se nota en que dejamos de escribir mensajes de tres párrafos explicando la arquitectura cada vez. Pasamos de “monta esto, pero recuerda que la lógica va en domain, y no llames al backend, y reutiliza el repositorio, y por favor nada de TO-DOs…” a, simplemente, “añade el filtro por persona” y el contrato hacía el resto del trabajo en cada prompt.

Esa es la diferencia entre que la IA sea un dolor o un acelerador. No la marca el modelo que uses, sino si le dimos el contrato antes de pedirle que trabaje. Es, en el fondo, la diferencia entre dirigir y rezar.

En esta serie, el contexto nace de la fase de definición del primer artículo y prepara las siguientes: el diseño, el stack, la spec y el desarrollo. El paso inmediato es darle al agente capacidades reutilizables (las skills), que se apoyan precisamente en este contrato para saber cómo y dónde actuar. Pero el orden no cambia nunca: primero el contrato, después la primera línea de código.

Sin embargo, garantizar esa conectividad sigue siendo un reto especialmente complejo en las zonas rurales, donde la baja densidad de población dificulta la rentabilidad de los despliegues.

En este episodio de ‘Apasionados por la tecnología’, hablamos con Manuel Garnelo, CTO de ASTEO, sobre el papel de los operadores neutros, los desafíos técnicos de llevar fibra óptica a entornos rurales y cómo la IA puede transformar tanto el consumo de datos como la operación de las redes.

Operadores neutros: construir la red para conectar a toda la población rural

¿Qué es exactamente un operador neutro y qué aporta al mercado de las telecomunicaciones? Su modelo se basa en separar dos actividades: el despliegue y la operación de la infraestructura, por un lado, y la comercialización de servicios al cliente final, por otro.

ASTEO construye y mantiene redes de fibra óptica que alquila a otros operadores, que son quienes comercializan sus servicios y gestionan a los usuarios. Esta especialización permite que cada parte se centre en aquello que mejor sabe hacer: ASTEO en desplegar infraestructura de forma eficiente, incluso en entornos de baja densidad de población, y los operadores comerciales en captar clientes y atender sus necesidades.

El modelo también permite que varios operadores utilicen una misma infraestructura. De esta manera, la red puede dar servicio a más clientes y mejorar su rentabilidad, algo especialmente importante en zonas donde desplegar fibra supone una inversión considerable.

El reto de llevar fibra óptica a las zonas rurales

Diseñar una red de telecomunicaciones para una gran ciudad no es lo mismo que hacerlo para un entorno rural. La diferencia principal está en la densidad de población: mientras que en un edificio de una ciudad una única conexión puede dar servicio a cientos de hogares, en una zona rural es necesario desplegar infraestructura a lo largo de una superficie mucho mayor para conectar al mismo número de viviendas.

A este desafío se suma otro menos visible, pero fundamental: transportar el tráfico de datos desde poblaciones alejadas hasta los puntos de interconexión con Internet.

En el caso de ASTEO, esa conexión con su centro de intercambio de datos en Madrid requiere una red de transporte propia que permita llevar el tráfico desde distintas provincias hasta la capital.

Pero no todo son dificultades. La colaboración con las instituciones locales y los programas públicos de apoyo al despliegue rural también facilitan que la conectividad llegue a lugares donde, de otro modo, sería difícil justificar la inversión.

El objetivo va más allá de extender una infraestructura tecnológica: se trata de conseguir que vivir fuera de las grandes ciudades no implique renunciar a los servicios digitales.

Venus: una red de transporte preparada para crecer

Para conectar sus despliegues rurales con los grandes puntos de intercambio de datos, ASTEO ha desarrollado Venus, una red de transporte o backbone de fibra óptica que conecta distintas zonas de la península ibérica.

Inicialmente concebida para dar soporte a las redes de fibra hasta el hogar, esta infraestructura permite transportar distintos tipos de datos y conectar territorios que abarcan provincias como Burgos, Segovia, Salamanca, Cáceres y Badajoz.

Venus también está vinculada a un proyecto de conectividad internacional. ASTEO ha sido adjudicataria de un programa financiado con fondos europeos, denominado CEF, para desarrollar un corredor digital redundante de alta capacidad entre Lisboa y Madrid.

El proyecto contempla dos rutas, una por Badajoz y otra por Salamanca, que conectarán Madrid con Lisboa y facilitarán la conexión con los cables submarinos que llegan a la capital portuguesa desde América y África.

Esta infraestructura ilustra cómo una red concebida para conectar poblaciones rurales puede adquirir un papel más amplio dentro del ecosistema de telecomunicaciones, al contribuir también al transporte de datos entre regiones y grandes nodos digitales.

Más datos, más velocidad: cómo evolucionarán las redes de fibra

El crecimiento del tráfico de datos es uno de los grandes retos que afronta el sector. Según explica Manuel, existe una tendencia sostenida a que el consumo de ancho de banda aumente de forma significativa, impulsado por nuevos servicios y por el uso cada vez más intensivo de Internet.

La fibra óptica ofrece una ventaja importante para responder a esta evolución. Los cables constituyen una infraestructura duradera, capaz de soportar grandes incrementos de capacidad mediante distintas tecnologías de transmisión.

Esto significa que no siempre es necesario sustituir el tendido físico para aumentar el volumen de datos que puede transportar una red.

La evolución se concentra, en buena medida, en los equipos activos que gestionan y encaminan el tráfico. ASTEO dispone actualmente de conexiones preparadas para soportar velocidades de hasta 10 Gbps y prevé que la demanda pueda llevar a necesitar capacidades de hasta 50 Gbps.

Actualizar esos equipos será necesario a medida que cambien las necesidades, pero la infraestructura de fibra seguirá siendo la base sobre la que construir esas mejoras.

La clave está, por tanto, en diseñar redes con una visión a largo plazo y distinguir entre los elementos que pueden evolucionar tecnológicamente y aquellos que están preparados para perdurar durante décadas.

La inteligencia artificial multiplicará las necesidades de conectividad
La IA no solo necesita capacidad de cómputo: también requiere una infraestructura de comunicaciones capaz de transportar grandes volúmenes de información con una latencia reducida.

El crecimiento de los centros de datos destinados a ejecutar aplicaciones de IA incrementará el intercambio de datos entre estas instalaciones. A la vez, las aplicaciones que llegarán a los usuarios finales podrían generar nuevas formas de consumo que hoy apenas podemos anticipar.

Estas aplicaciones no son únicamente una cuestión de potencia de cálculo. También necesitan que los datos puedan desplazarse entre dispositivos, redes y centros de procesamiento con las prestaciones adecuadas.

Por eso, la expansión de la inteligencia artificial convierte la infraestructura de telecomunicaciones en una pieza todavía más importante de la transformación digital.

IA para anticipar problemas y optimizar las redes

Más allá del aumento del tráfico, la inteligencia artificial abre nuevas posibilidades para diseñar, dimensionar y operar redes de telecomunicaciones. El análisis de grandes volúmenes de datos puede ayudar a detectar patrones, anticipar posibles incidencias y prever las necesidades de capacidad.

En lugar de limitarse a reaccionar cuando aparece un problema, los operadores podrán avanzar hacia una gestión más predictiva.

Otro ámbito de aplicación es la automatización de tareas operativas. La IA podría llegar a identificar fallos recurrentes y corregirlos automáticamente, reduciendo la intervención manual en determinados procesos.

La evolución, por tanto, no consiste solo en construir redes con más capacidad, sino también en gestionarlas de forma más inteligente. La combinación de infraestructura física, análisis de datos y automatización puede ayudar a mejorar la eficiencia y anticiparse a las necesidades futuras.

Fibra, 5G y otras tecnologías: infraestructuras complementarias

En un ecosistema en el que conviven la fibra óptica, las redes móviles y las comunicaciones por satélite, es fácil pensar en estas tecnologías como alternativas que compiten entre sí. Sin embargo, desde la perspectiva de ASTEO, su relación es principalmente complementaria.

Un ejemplo claro es el 5G: las antenas móviles necesitan conexiones de transporte que permitan llevar el tráfico de datos hasta el resto de la red. La fibra desempeña ese papel y constituye una infraestructura fundamental para sostener el crecimiento de las comunicaciones móviles.

La llegada de futuras generaciones, como el 6G, podría incrementar aún más las necesidades de capacidad. Para ASTEO, esto representa una oportunidad: cuanto más crezcan los servicios móviles, mayor será también la necesidad de redes de fibra que los conecten.

Cada tecnología responde a unas necesidades específicas, pero todas dependen de una infraestructura de comunicaciones capaz de integrarlas. En este contexto, la fibra funciona como la columna vertebral que permite que el conjunto del ecosistema digital siga creciendo.

Conectividad rural para reducir la brecha digital

La extensión de la fibra óptica también tiene implicaciones económicas y sociales. Durante años, el despliegue de redes se concentró principalmente en las grandes ciudades, bajo la premisa de que las zonas rurales ofrecían una rentabilidad menor.

Sin embargo, el teletrabajo y el consumo generalizado de servicios digitales han cambiado esa perspectiva. Las personas que viven en pueblos pequeños necesitan acceder a plataformas de vídeo, realizar videoconferencias y utilizar las mismas aplicaciones que quienes viven en una gran ciudad. También quieren aprovechar las posibilidades que abre la inteligencia artificial.

Una conectividad de calidad contribuye a que vivir y trabajar fuera de los grandes núcleos urbanos sea una opción viable. Puede facilitar el teletrabajo, favorecer la actividad económica local y reducir la necesidad de desplazarse diariamente a las ciudades.

Desde esta perspectiva, llevar fibra a las zonas rurales no consiste únicamente en ampliar la cobertura de una red: significa crear condiciones para que esos territorios puedan participar plenamente en la economía digital.

Shakira acaba de finalizar su gira Las Mujeres Ya No Lloran World Tour con una residencia histórica de trece conciertos durante cuatro semanas en Madrid, reuniendo a más de 600.000 personas. La apuesta no consistía simplemente en repetir muchas veces el mismo concierto, sino en crear una experiencia única alrededor del estadio Macondo Park, una ciudad efímera que ha extendido la experiencia hacia territorios como la gastronomía, la literatura, la moda y la cultura.

La música sigue estando en el centro, por supuesto, pero el producto crece alrededor de una comprensión mucho más amplia de aquello que conecta con su comunidad a través del conocimiento sobre qué opinan sus fans en las redes sociales, cómo se escuchan sus canciones en las plataforma digitales e incluso desde qué lugares están dispuestos a viajar sus seguidores y qué otras experiencias buscan vivir cuando van a uno de sus conciertos.

Algo parecido acaba de ocurrir a pocos kilómetros de distancia, con el Gran Premio de España de F1 en el nuevo circuito madrileño Madring. La organización no se ha limitado a recibir una carrera existente, sino que ha estrenado un nuevo trazado construido para el Gran Premio y concebido desde el principio como algo más que un circuito.

Combinando zonas urbanas y permanentes, así como una curva peraltada que aspira a convertirse en su icono, ha sido capaz de ofrecer una experiencia alrededor de la carrera con conciertos, gastronomía y fan zones. La competición sigue siendo 57 vueltas y 22 coches buscando la meta, pero alrededor se ha diseñado deliberadamente una nueva experiencia gracias a un profundo entendimiento sobre qué mueve realmente a la afición cuando no están mirando la pista y de cómo convertir una carrera de dos horas en un fin de semana que nadie quiera perderse.

Detrás de ambos ejemplos hay una idea que debería hacernos repensar cómo entendemos la innovación: no gana quien acumula más datos ni quien incorpora la última tecnología, sino quien sabe convertir lo que conoce en algo que los demás no pueden ofrecer. Porque la tecnología se compra, los modelos de IA estarán cada vez más al alcance de todo el mundo y los datos no van a dejar de multiplicarse.

Lo que no se puede comprar tan fácilmente es el conocimiento que una organización ha construido durante años sobre sus clientes, su negocio y su manera de hacer las cosas. Y, sobre todo, su capacidad para conectar ese conocimiento con el contexto adecuado y transformarlo en experiencias, oportunidades y decisiones que marquen la diferencia. La tecnología puede ser la misma para todo el mundo. Lo que cada organización sabe y es capaz de hacer con ello, no.

¿Y qué tiene que ver todo esto con una entidad financiera? Mucho más de lo que parece. Pocas industrias acumulan tanto conocimiento sobre sus clientes como la banca: cómo cobran, cómo pagan, qué necesitan, qué riesgos asumen y cómo evolucionan sus circunstancias. Y, sin embargo, buena parte de ese patrimonio sigue atrapado en sistemas, procesos y departamentos que apenas se hablan entre sí.

Mientras tanto, los clientes empiezan a exigir algo diferente: ya no basta con ofrecerles productos y facilitarles operaciones, esperan que su banco entienda mejor su situación, se anticipe a sus necesidades y les acompañe en las decisiones que realmente importan.

El reto ya no es seguir acumulando información, sino conseguir que todo ese conocimiento empiece a trabajar. Convertir lo que una entidad sabe en lo que es capaz de hacer por sus clientes. Porque ahí está la oportunidad de transformar uno de sus activos más valiosos, y a menudo más desaprovechados, en su nueva ventaja competitiva. Mejor dicho, su nueva ventaja cognitiva.

Un banco cognitivo no es un banco con más IA

Conviene aclararlo pronto, porque la inteligencia artificial tiene cierta facilidad para convertir cualquier idea interesante en una colección de pruebas y demos. Un banco cognitivo no es una entidad que añade un chatbot, reparte copilotos o pone unos cuantos agentes a trabajar sobre los procesos de siempre. Es una organización capaz de conectar datos, conocimiento y contexto para comprender mejor a sus clientes, anticipar necesidades, tomar mejores decisiones y, cuando tenga sentido, actuar con autonomía dentro de unos límites claros.

Y esta es precisamente la idea que en Paradigma impulsamos con los Productos Cognitivos: transformar el conocimiento diferencial de una organización en capital cognitivo y utilizarlo para construir productos que entienden el contexto, recomiendan, deciden o actúan, aprenden con cada interacción y mantienen siempre el control en manos de la organización.

Pero el verdadero terremoto no lo está provocando la tecnología, sino el cambio en las expectativas de los clientes. Después de años adaptándose a los procesos, menús y aplicaciones de sus bancos, ahora empiezan a exigir justo lo contrario: que sea el banco quien les entienda, se anticipe y se adapte a ellos. Y ese cambio está empezando a mover las placas tectónicas del sector financiero en España.

Durante años, hemos celebrado que un cliente pudiera hacer prácticamente cualquier operación desde su móvil. Pero ahora empieza a pedir algo bastante más incómodo: que sea el banco quien le entienda y se adapte a él, y no al revés. Ya no se trata solo de ofrecer mejores productos o aplicaciones más sencillas, sino de anticipar necesidades, comprender el contexto y estar presente justo cuando se puede aportar valor al cliente. Y eso empieza a cambiarlo todo: quién interactúa con el banco, dónde se produce esa relación y hasta dónde puede llegar su negocio.

Al fin y al cabo, si Shakira ha entendido que la experiencia no termina con la última canción y la Fórmula 1 que hay mucho más allá de la bandera a cuadros, ¿por qué la experiencia financiera debería terminar cuando el cliente pulsa “Confirmar operación”? Pocas industrias acumulan tanto conocimiento sobre sus clientes como la financiera. El reto es dejar de tenerlo repartido por todas partes y empezar a convertirlo en mejores experiencias, oportunidades y decisiones. Pasar de gestionar transacciones a comprender todo lo que ocurre alrededor de ellas. Ahí empieza la verdadera banca cognitiva.

Y no hablamos de ciencia ficción ni de otra bonita presentación sobre el futuro, hablamos de cuatro señales que están cambiando las reglas del negocio y una quinta que merece jugar en otra categoría: la que nos recuerda que, por mucha inteligencia que incorporemos, la transformación seguirá dependiendo de las personas.

1 Te damos la bienvenida a la era agéntica: tu próximo interlocutor puede que no sea humano

Durante años, la banca trabajó con empeño por mover a sus clientes a sus canales desatendidos para ciertas operaciones. Primero al cajero, después a la web y finalmente a la app. “Hazlo tú mismo”, nos decían. Pues bien, hoy en día se está comenzando a dar la vuelta a la tortilla: son los clientes quienes empiezan a llevar a los bancos a sus propios canales desatendidos: sus asistentes o agentes de IA.

Imagina pedirle a tu agente de IA: “Busca un préstamo personal para el viaje familiar de Navidad, compara cinco bancos con buenas valoraciones y dime cuál encaja mejor con nuestros planes”. Y que, en lugar de abrir cinco aplicaciones, el asistente hable con los sistemas (o agentes) de esas entidades. Empiezas informándote y terminas operando o incluso contratando directamente. Ojo, no es ciencia ficción. Desde febrero de 2026, BBVA tiene una aplicación dentro de ChatGPT en Italia y Alemania para consultar y comparar cuentas, tarjetas y productos de ahorro. Por ahora.

Y aquí viene la sacudida: ese “nuevo representante” de los clientes no se emociona con la campaña de su banco, no necesita recorrer ocho pantallas y puede comparar ofertas en segundos. Después de tantos años intentando desintermediar la banca, quizá estemos entrando en su etapa más intermediada. Quien decide qué propuestas llegan al cliente podría ser su propio asistente.

Por eso, la carrera no empieza por construir un ejército de agentes, empieza por hacer algo mucho menos vistoso: ofrecer información de producto clara y accesible para las máquinas, abrir interfaces fiables y explorar qué decisiones pueden delegarse con identidad, consentimiento y límites claros. Podrás tener la mejor aplicación bancaria del mundo, pero ¿de qué te servirá si la IA de tu cliente ni siquiera se plantee abrirla?

2 El fin del banco como destino: no compitas solo con productos, orquesta ecosistemas

Durante años asumimos que una relación bancaria digital comenzaba cuando un cliente entraba en la sucursal o abría la aplicación en su móvil, pero esa frontera empieza a desdibujarse. Una financiación puede aparecer mientras compramos un coche, un seguro al contratar un viaje y una solución de tesorería dentro del ERP con el que una pyme opera su negocio día a día.

El canal se disuelve y el negocio empieza a comportarse como un ecosistema. No es simplemente otro canal de venta: es un cambio en el modelo de distribución comercial y, de paso, en la relación con el cliente. La banca deja de esperar a que alguien venga a buscar un producto y empieza a aparecer donde surge una necesidad. Y en ese escenario bancos, comercios, fabricantes y plataformas pueden compartir una misma experiencia. La pregunta incómoda es quién la lidera y quién acaba poniendo el balance sin conocer al cliente.

En España, Cajamar ya da algunas pistas con su Plataforma Tierra, un ecosistema para el sector agroalimentario que combina conocimiento, información de mercados, formación y herramientas digitales. Con más de 30.000 usuarios registrados y 1,2 millones de visitas, demuestra que la relación con un agricultor puede empezar mucho antes de que necesite financiación.

Eso cambia también qué significa competir. Ya no basta con ofrecer un préstamo atractivo: importa estar presente cuando se decide invertir, comprar o crecer, y entender el contexto para ofrecer algo útil. La oportunidad no exige construir mañana el gran ecosistema de la banca: puede empezar por identificar un momento de necesidad, conectar un servicio relevante o asociarse con quien ya está ahí. La diferencia estará en aprovechar lo que sabemos de cada cliente para ofrecerle lo que realmente necesite, cuando lo necesite. Porque puedes tener el mejor producto financiero, pero si no estás donde se toman las decisiones, quizá ni siquiera entres en la conversación.

3 Finanzas de precisión: la segmentación ha muerto, a no ser que sean segmentos propios

La banca lleva años afinando segmentos, ofertas y modelos predictivos, y no lo ha hecho precisamente mal. Pero los nuevos modelos de IA abren una nueva partida: pasar de ofrecer lo mejor para alguien parecido a ti a ofrecer lo que tiene sentido para ti, justo ahora. Personalización con contexto y en tiempo real.

Materia prima no falta. Está el conocimiento explícito (objetivos, preferencias o planes que el cliente comparte) y el tácito, que se desprende de sus cobros, pagos, hábitos e interacciones, e incluso conocimiento que solo está en la cabeza del gestor personal. El banco ya atesora buena parte de esas señales. El salto está en conectarlas, con los permisos y seguridad adecuada, para anticipar una tensión de liquidez, proponer una inversión solo cuando tiene sentido o decidir que hoy es mejor no vender nada.

Revolut ya ha movido ficha este mismo verano a través de Pragma, un modelo desarrollado de la mano de Nvidia que aprende de los comportamientos financieros. En evaluaciones iniciales con datos históricos, comunica recomendaciones de producto un 41% más relevantes y 2,3 veces más precisión al identificar riesgos de impago. Son resultados preliminares, pero apuntan a algo que nuestro sentido común ya anticipaba: comprender mejor el contexto mejora lo que ofreces y las decisiones que tomas.

Y después llega la parte visible: contenidos, explicaciones o incluso vídeos generados con IA para cada cliente, ajustando el tono, el canal y el momento. Pero ojo, no se trata de fabricar un millón de anuncios distintos para seguir el mismo fondo o campaña de financiación al consumo. Se trata de adaptar también el servicio: qué propones, cuándo y por qué. Se puede empezar por un momento concreto, conectar el conocimiento necesario y comprobar si la respuesta aporta valor.

Si a cada cliente le hablas de forma diferente, pero le acabas ofreciendo la misma campaña del trimestre, no has construido banca cognitiva. Solo has automatizado el marketing.

4 Tu próxima ventaja competitiva podrá venir de Bruselas, no solo de Silicon Valley

Se me ocurren pocas industrias más reguladas que la banca. Y con razón: gestionar dinero ajeno exige confianza. Pero tenemos la manía de mirar a Silicon Valley para imaginar el futuro y a Bruselas para averiguar qué nos frenará. ¿Y si estuviéramos mirando la regulación por el lado equivocado?

Ya hay señales. DORA obliga a reforzar la resiliencia digital y vigilar a los proveedores tecnológicos; MiCA establece reglas comunes para los servicios con cripto activos y PSD3, todavía en camino, apuntará a unos pagos más competitivos y seguros. Estas obligaciones también pueden abrir negocios que antes resultaban difíciles de desarrollar con confianza.

En España tenemos un buen laboratorio para comprobarlo: el sandbox financiero, que desde 2021 ha recibido más de 110 proyectos, de los cuales 40 han llegado a probarse en condiciones reales. Y este mismo verano se ha presentado una reforma para abrir las solicitudes todo el año y agilizar los plazos. Todavía es una propuesta, pero el mensaje es claro: innovar con supervisión no debería ser una carrera de obstáculos.

En la banca cognitiva, esto importa aún más. Cuando una IA pasa de informar a recomendar o actuar, no basta con que acierte. Hay que saber qué información utilizó, qué autorizó el cliente y dónde están los límites. Ahí el conocimiento propio, conectado y gobernado, puede convertirse en una ventaja difícil de copiar.

No hace falta esperar al próximo reglamento ni embarcarse en una transformación de cinco años, se puede empezar por una decisión concreta, probarla con controles y sentar a negocio, riesgos y tecnología a la misma mesa. Mientras unos bancos siguen calculando cuánto les costará cumplir la próxima regulación, otros ya están diseñando el negocio que esa regulación hará posible.

5 Menos personas trabajando como máquinas y más máquinas haciendo extraordinarias a las personas

En la carrera por automatizarlo todo, podemos olvidar un detalle importante: los clientes siguen siendo personas. Y quienes trabajan en el banco, también. La banca cognitiva no debería sacar humanos de la ecuación, sino liberar su talento para escuchar, decidir y generar confianza.

Klarna, la entidad financiera de origen sueco, nos dejó una lección de esas que escuecen. En 2024 celebraba que su asistente de IA atendía dos tercios de las conversaciones con sus clientes, con un trabajo equivalente al de 700 agentes. Un año después, su CEO reconoció que priorizar el ahorro había perjudicado la calidad y anunció más atención humana. Porque resolver un caso no siempre significa cuidar una relación.

La oportunidad está en construir organizaciones híbridas: agentes que buscan información, preparan decisiones y ejecutan tareas de la mano de personas que aportan criterio, empatía y responsabilidad. Pero cuidado, esos agentes serán tan diferenciales como el conocimiento propio que los alimente. Si trabajan solo con un modelo genérico, tu competencia tendrá esa misma inteligencia a un clic de distancia. La ventaja aparecerá al conectar la IA con la experiencia de tus profesionales, el contexto de tus clientes y lo aprendido en miles de decisiones. Eso sí es dar superpoderes a un gestor.

Y nada de soltar un ejército de agentes y cruzar los dedos. Esta nueva fuerza de trabajo necesita gobierno: permisos, límites, trazabilidad, supervisión y responsables claros. Se puede empezar por un proceso concreto, medir calidad y hacer que el conocimiento crezca con cada interacción. Podrás poner la IA más avanzada del mundo al volante, pero si no aprovecha lo que solo tu banco sabe ni mantiene a las personas al mando, no estás construyendo banca cognitiva. Estarás poniendo tu banco en piloto automático.

Una nueva oportunidad cognitiva

Después de estas cinco sacudidas, sería fácil reducir todo esto a una nueva arquitectura tecnológica llena de cajas, flechas y siglas. Y sí, habrá que hablar de APIs y patrones de integración para conectar ecosistemas, de protocolos como A2A para que los agentes colaboren, de grafos de conocimiento y capas semánticas para que los datos tengan sentido y de seguridad y gobierno para que todo funcione con garantías. Pero cuidado: tener todas las piezas tecnológicas no significa haber entendido qué partida queremos ganar.

El verdadero reto es bastante menos vistoso que una buena demo. El conocimiento de una entidad está repartido entre sistemas transaccionales, CRM, herramientas de riesgo, documentos, decisiones históricas y, sobre todo, personas que llevan años entendiendo el negocio. Conectarlo, estructurarlo y ponerlo a trabajar para que cada gestor, producto o agente pueda tomar mejores decisiones es mucho más difícil que desplegar el último modelo de IA, y también es mucho más valioso.

Por eso, quizá estamos empezando demasiadas conversaciones por el lugar equivocado. En vez de preguntarnos dónde podemos colocar un nuevo agente o qué procesos podemos automatizar, deberíamos hacernos una pregunta bastante más incómoda: ¿qué decisiones importantes de nuestro negocio mejorarían radicalmente si fuéramos capaces de aprovechar todo lo que ya sabemos? Ahí es donde negocio y tecnología deberían empezar a trabajar juntos. No hace falta esperar a tenerlo todo resuelto, podemos empezar por una decisión relevante, conectar el conocimiento necesario, medir el impacto y aprender de cada interacción.

Las canciones de Shakira seguirán sonando y los monoplazas de Fórmula 1 volverán a rugir en Madrid el año que viene. Aparentemente, más de lo mismo. Pero hay algo que habrá cambiado: a todo lo que ya sabían sobre sus públicos se sumará lo aprendido en cada concierto, cada carrera y cada experiencia. Y, si saben aprovecharlo, la próxima edición no empezará de cero, empezará sabiendo más.

Con la banca estoy convencido que sucederá lo mismo. Seguiremos financiando proyectos, gestionando ahorros y evaluando riesgos. Pero cada interacción, cada decisión y cada resultado enriquecerá ese patrimonio de conocimiento, permitiéndonos comprender mejor a nuestros clientes y ofrecerles experiencias cada vez más relevantes.

Los modelos de IA estarán al alcance de todo el mundo, pero lo que una organización aprende con cada decisión no se descarga de ningún marketplace. En Paradigma creemos que ahí está la verdadera oportunidad: convertir el conocimiento acumulado durante décadas en un capital cognitivo que no deje de crecer y que nos permita construir, cada día, una nueva ventaja competitiva. Una nueva ventaja cognitiva.

Desechar la generación de texto libre para poner foco en el determinismo probabilístico cambia por completo las reglas del juego en la arquitectura corporativa. Esa es exactamente la premisa de Jev, el nuevo modelo "System One" que TypeSafe AI presenta el 15 de septiembre de 2026, una IA que abandona por completo la redacción de texto para centrarse en evaluar información en paralelo y devolver decisiones estrictamente tipadas en milisegundos.

Si ya sabes lo que es un LLM y te cansa usar un motor de razonamiento costoso para tareas de lógica condicional, este es el contexto que necesitas para entender cómo optimizar tus automatizaciones.

¿Por qué seguimos forzando a los LLMs a estructurar datos?

Pedirle a una red generativa que devuelva un objeto estructurado es usar un cañón para matar moscas. Las arquitecturas autorregresivas calculan el próximo token basándose en un historial secuencial de palabras previas. Si intentamos automatizar el enrutamiento de peticiones de soporte hacia nuestra base de datos, solemos instruir al modelo con reglas kilométricas pidiendo que respete las comillas del JSON y no añada ruido. Terminamos construyendo analizadores sintácticos muy frágiles, que intentan interpretar respuestas algorítmicas totalmente impredecibles.

Cuando el modelo falla al cerrar una etiqueta, el sistema entra en un bucle sin fin de reintentos. Reaccionar frente a este tipo de fallos de formato rompe cualquier flujo transaccional. Hablamos de latencias de inferencia que escalan desde los tres hasta los trescientos segundos de espera. Ninguna plataforma comercial asumiría mantener al usuario esperando medio minuto para ejecutar una lógica condicional sencilla. Este enfoque convierte la capa analítica de la empresa en una caja negra.

¿Cuándo utilizar a Jev y cuándo a tu LLM clásico?

La teoría psicológica de Kahneman define un pensamiento intuitivo rápido frente a un razonamiento deliberado lento. El modelo Jev de TypeSafe AI materializa este concepto eliminando la capacidad neuronal de generar lenguaje. Esta arquitectura evalúa los estados de entrada frente a un esquema estático utilizando muestreos en paralelo. Entender esta división taxonómica permite diseñar sistemas compuestos mucho más ágiles.

Veamos exactamente dónde brilla Jev y dónde fracasa frente a un motor generativo tradicional.

• Para el enrutamiento de tickets masivos o el triaje, Jev es la opción ganadora. Los sistemas de soporte corporativo reciben información desordenada donde los equipos de análisis de texto fallan estrepitosamente y resultan demasiado lentos. Enviar un mensaje sobre un cobro duplicado y pedirle al algoritmo que evalúe la urgencia devuelve una clasificación tipada exacta en milisegundos. Utilizar aquí un modelo de frontera generativo sería despilfarrar presupuesto de computación.
• El control robótico de interfaces (RPA) y los agentes web requieren decisiones iterativas instantáneas. Experimentos de la comunidad integrando a Jev en proyectos de navegación autónoma demuestran ciclos completos de reserva de vuelos en unos siete segundos. La latencia operativa mediana cae hasta la franja de los 150 milisegundos, permitiendo coordinar bucles de reactividad donde un modelo clásico provocaría el colapso del sistema.
• El procesamiento de Big Data exige este tipo de arquitecturas por motivos estrictamente económicos. Emplear una red autorregresiva tradicional para llevar a cabo esta tarea requeriría horas de procesamiento y la revisión posterior de miles de registros JSON vulnerables a errores tipográficos.

Existen escenarios donde desplegar Jev carece totalmente de sentido por su propia ceguera estructural.

• Si necesitas redactar un resumen, participar en un hilo conversacional o escribir código fuente base, este sistema resulta computacionalmente inútil. Carece de la fase de decodificación iterativa necesaria para articular un discurso textual. Aquí sí necesitas utilizar un modelo generativo y dejarle razonar.
• Las industrias reguladas que exigen explicabilidad analítica enfrentan un bloqueo similar. Cuando deniegas una póliza de seguros o rechazas una solicitud de crédito, un organismo auditor exigirá un razonamiento trazable redactado en lenguaje natural. Jev devuelve porcentajes matemáticos de confianza sin argumentar el motivo de su elección. Para cumplir con normativas estrictas de transparencia financiera, necesitarás ineludiblemente la argumentación de un LLM.

¿Cómo cambia esto nuestra forma de diseñar infraestructuras?

Dejar atrás el infierno operativo de las integraciones exige repensar el diseño de nuestra infraestructura. En lugar de darle tanto peso y dedicar tantos esfuerzos en la parte de prompting, ahora necesitarás parametrizar esquemas estrictos de decisión.

El equipo de backend ya no interactúa con un generador de caracteres. Operar bajo un modelo de muestreo paralelo requiere configurar evaluaciones binarias que el motor resolverá sin emitir palabras. La declaración del esquema nos demuestra un determinismo técnico que retira de producción las costosas rutinas de validación sintáctica de cadenas de texto.

Eso sí, tienes que contemplar ciertas limitaciones del diseño original. El presupuesto de memoria contextual maneja un límite de 64.000 tokens en cada llamada y la arquitectura no acepta imágenes de forma nativa.

Conclusiones

Mantener arquitecturas monolíticas que intentan resolver todo tipo de casuísticas penaliza seriamente la competitividad comercial. Hemos forzado a LLMs a comportarse como simples enrutadores pagando facturas inasumibles.

Incorporar arquitecturas como la de Jev dentro de nuestro pipeline ayuda a disminuir estos costes, aporta una mayor veracidad en las respuestas, elimina prácticamente a cero las alucinaciones, y reduce los tiempos de despliegue.

Referencias

• Jev System One Model by TypeSafe - AY Automate
• A deep dive into Jev, TypeSafe's System One model - Flavio Copes
• What Is Jev? A Guide to TypeSafe AI's System One Model - LangChain
• TypeSafe AI's Jev: What "System One Models" Actually Are

En este contexto, la tecnología y el dato han dejado de ser solo herramientas de soporte para convertirse en piezas estratégicas del negocio.

En este episodio entrevistamos a Sergio Peinado, CIO de Ontime, y con él hablamos de todos estos retos y de cómo se está preparando el sector logístico para los próximos años.

La tecnología ya no es solo un área de soporte

Durante años, el departamento de tecnología recibía las decisiones del negocio y se encargaba de ejecutarlas. Ese modelo está cambiando.

En compañías donde la tecnología tiene un papel estratégico, los equipos tecnológicos participan cada vez más en la definición de los propios procesos y en la toma de decisiones.

La clave está en entender primero qué necesita el negocio y, a partir de ahí, decidir qué tecnología puede aportar valor. No se trata de incorporar inteligencia artificial porque sea una tendencia, ni de migrar sistemas a la nube simplemente porque sea una prioridad tecnológica. La pregunta debe ser siempre qué problema se quiere resolver y qué beneficio aporta la solución.

Esta evolución requiere perfiles capaces de moverse entre ambos mundos. Personas que entiendan las necesidades del negocio y, al mismo tiempo, conozcan las posibilidades que ofrece la tecnología para responder a ellas.

En este modelo, figuras como los Business Relationship Managers adquieren especial importancia. Su función es actuar como puente entre tecnología y negocio, entender las necesidades de cada área y traducirlas en soluciones tecnológicas viables.

La tecnología deja así de ser un mero ejecutor para convertirse en un socio estratégico del negocio.

El reto de convertir millones de datos en decisiones

La logística genera una cantidad enorme de información. Vehículos, remolques, almacenes, sensores, sistemas de gestión, plataformas financieras o herramientas comerciales producen datos continuamente. El reto no consiste únicamente en recopilar toda esa información, sino en convertirla en un dato único, fiable y accionable.

En operaciones de transporte, por ejemplo, conocer en tiempo real dónde se encuentra cada vehículo, cuál es su disponibilidad o qué conductor está asociado permite tomar decisiones mucho más precisas.

Una nueva carga puede asignarse al vehículo más adecuado teniendo en cuenta factores como la proximidad, la disponibilidad o la posibilidad de reducir los kilómetros recorridos en vacío.

Precisamente, este último aspecto resulta especialmente relevante en un negocio con márgenes tan ajustados. Una pequeña mejora en la utilización de los vehículos puede tener un impacto significativo cuando se multiplica por miles de desplazamientos.

Para conseguirlo, es necesario construir una verdadera estrategia de datos. No basta con disponer de diferentes sistemas y generar informes, es necesario establecer quién es responsable de cada dato, cuál es su calidad, cómo se genera y qué indicadores deben utilizarse para tomar decisiones.

Un Data Lake que centralice y haga trazable la información permite, además, acabar con uno de los problemas habituales en las empresas: que diferentes áreas trabajen con versiones distintas de la realidad. Cuando negocio, operaciones y finanzas manejan datos diferentes, buena parte del tiempo se acaba dedicando a discutir qué cifra es correcta en lugar de utilizarla para decidir.

Y esta cuestión es especialmente importante ahora que la inteligencia artificial empieza a ocupar un lugar central. Sin datos de calidad, la IA no puede ofrecer resultados de calidad.

Inteligencia artificial: menos ruido y más casos de uso

La inteligencia artificial está abriendo nuevas posibilidades en el sector logístico, pero su valor no está necesariamente en los proyectos más espectaculares. En muchos casos, el impacto aparece en procesos cotidianos y muy concretos.

Uno de los primeros ámbitos es el de la productividad interna. Herramientas basadas en IA pueden actuar como asistentes para equipos administrativos, ayudándoles a automatizar tareas y aumentando su capacidad de trabajo.

Otro gran ámbito es la relación con el cliente. Cuando una compañía gestiona cientos de miles de envíos, ofrecer una atención personalizada a través de canales tradicionales resulta difícil de escalar.

Los agentes conversacionales permiten atender consultas a través de canales como WhatsApp, correo electrónico o teléfono, acceder a la información disponible sobre cada cliente y ofrecer respuestas más rápidas.

La IA también puede ayudar al propio equipo de atención al cliente. Mientras un agente mantiene una conversación, el sistema puede recuperar información sobre el cliente, su historial y posibles respuestas, proporcionando contexto en tiempo real y reduciendo el trabajo manual.

Pero quizá uno de los campos con mayor potencial sea el de la predicción y optimización de las operaciones. La IA puede ayudar a determinar qué vehículo y qué conductor son más adecuados para una determinada carga, predecir la demanda o automatizar procesos como la concertación de entregas.

En el caso de las entregas voluminosas, por ejemplo, la concertación de una cita con el cliente puede realizarse mediante IA sin necesidad de intervención humana. El sistema puede contactar con el destinatario, acordar una hora y registrar la información necesaria para continuar con el proceso.

Y hay una idea especialmente importante detrás de estos ejemplos: la IA no tiene por qué trabajar sola. Puede combinarse con tecnologías más tradicionales, como RPA, para construir procesos automatizados de principio a fin.

La inteligencia artificial puede encargarse de interpretar una llamada o un correo electrónico, extraer la información necesaria y, a continuación, un proceso RPA puede utilizar esos datos para ejecutar las operaciones correspondientes en los sistemas corporativos.

Ciberseguridad en un ecosistema cada vez más conectado

La digitalización también amplía la superficie de ataque. En logística, esto adquiere una dimensión especial por la enorme cantidad de dispositivos conectados que participan en las operaciones.

Vehículos, sensores, almacenes y diferentes sistemas corporativos forman un ecosistema tecnológico que debe estar protegido. Además, las compañías logísticas manejan información de empresas pertenecientes a sectores especialmente sensibles, como banca, seguros, alimentación, industria o telecomunicaciones.

Por eso, la ciberseguridad deja de ser únicamente una cuestión interna para convertirse también en una responsabilidad dentro de la cadena de suministro. Una compañía logística puede no ser el objetivo final de un ataque, pero sí convertirse en una posible puerta de entrada hacia otros actores.

La inversión en seguridad, certificaciones y controles se convierte así en un elemento estratégico para poder trabajar con clientes cada vez más exigentes y operar en entornos críticos.

El siguiente gran salto: los vehículos autónomos

Si la automatización y la inteligencia artificial ya están transformando las operaciones actuales, el siguiente gran cambio podría llegar de la mano de los vehículos autónomos.

La tecnología necesaria ya existe en buena medida. El principal obstáculo no es únicamente técnico, sino también regulatorio. La llegada de vehículos capaces de operar sin conductor tendría implicaciones importantes para el transporte de mercancías, especialmente en un sector que afronta además un problema creciente de disponibilidad de profesionales.

Su impacto podría ir mucho más allá de sustituir determinadas tareas. Los vehículos autónomos podrían permitir crear nuevas formas de distribución urbana, realizar determinadas rutas durante la noche y reducir parte de la congestión asociada al transporte de mercancías en las grandes ciudades.

Un posible escenario sería el de vehículos autónomos que circulasen durante la noche y fueran capaces de realizar operaciones en puntos de recogida o lockers sin intervención humana. La combinación de autonomía, datos e inteligencia artificial podría cambiar radicalmente la forma en la que se mueve la mercancía dentro de las ciudades.

Eso sí, para que ese futuro sea viable será necesario resolver cuestiones regulatorias, de seguridad y de convivencia con el resto de usuarios de las vías.

Tecnología con propósito

La transformación tecnológica del sector logístico no pasa por adoptar cada nueva tecnología que aparece en el mercado. Pasa por entender dónde puede aportar valor y cómo puede ayudar a resolver problemas reales.

La inteligencia artificial, el cloud, los datos, la automatización o los vehículos autónomos son herramientas. El verdadero reto para los responsables tecnológicos consiste en conectarlas con la estrategia de negocio y utilizarlas para conseguir objetivos concretos.

Entre ellos hay una generación que no recuerda un mundo sin móvil: pide la cena desde una app, ve la serie que le recomienda una plataforma antes de buscarla y no ha pisado una oficina bancaria en su vida.

Para ellos, que un servicio funcione solo, recuerde quién es y no le obligue a repetir tres veces el mismo proceso, no es un lujo, es lo normal.

La competencia ya no es la universidad de al lado, son plataformas como Amazon o Netflix

Durante años, una universidad se comparaba en experiencia con otras universidades. Esa comparación se acabó. Hoy el alumno mide a su universidad con la misma vara con la que mide Netflix, Amazon o la app de su banco: servicios que le conocen, anticipan lo que necesita y le resuelven sin fricción.

Es una comparación injusta (nadie espera que una universidad funcione como una empresa de streaming), pero es la que hace y la que manda. Y cuando la experiencia digital no está a ese nivel, el alumno piensa que la universidad no funciona. Y a veces lo dice donde más duele: en la encuesta de satisfacción o en la conversación con el amigo que está decidiendo dónde matricularse el año que viene.

Por eso, la experiencia digital ha dejado de ser un asunto interno de sistemas para convertirse en un asunto de atracción y de permanencia.

Cuatro sistemas para una sola gestión

Sigamos al alumno. Para consultar una nota, pagar un recibo o pedir un certificado pasa del sistema de gestión académica al aula virtual, de ahí a la sede electrónica, y a veces al CRM que le escribió cuando aún era candidato.

Cada uno con su dirección, su aspecto y su acceso. Cada uno preguntándole quién es, como si no acabara de decírselo al anterior. Nadie lo diseñó así, cada sistema se compró en su momento para resolver un problema concreto, y lo resuelve.

Lo que no se diseñó es cómo iban a hablar entre ellos. Y el que acaba haciendo de enlace entre unos y otros es el alumno.

Desde dentro, sin embargo, no siempre se percibe así. Tres de cada cuatro universidades consideran que su nivel de transformación digital es adecuado y equiparable al de otros sectores (Fundación CYD, 2023).

Y no por falta de esfuerzo: se ha invertido mucho, pero sobre todo en lo que se ve (conectividad, aulas equipadas, pantallas...). Como resume el informe Espacios de Educación Superior 2025, se ha avanzado en infraestructura, pero no se ha repensado el modelo.

Por qué una app nueva no arregla esto

Cuando la experiencia falla, la respuesta natural es una app mejor. Tiene lógica: la app es lo que se ve y lo que recibe las quejas. Pero la app es solo la capa de experiencia y no se sostiene sola.

Si por debajo el sistema académico, el aula virtual, el CRM y la sede no comparten datos ni identidad, la app nueva los reúne en la pantalla sin unirlos de verdad: muchas veces, cada servicio aparece como la ventana de otro sistema metida dentro de la app.

El alumno lo nota enseguida: cambia el aspecto, pero sigue identificándose otra vez, sigue sin encontrar sus cosas en el mismo sitio y sigue saliendo a otro sistema a mitad de un trámite.

Se puede rediseñar la pantalla muchas veces, pero si el trámite sigue pasando por cuatro sistemas que no se conocen, la experiencia seguirá rota. Es la diferencia entre repintar la fachada y arreglar la instalación que hay detrás de la pared.

Cinco señales de que el problema no está en la pantalla

Estas cinco señales no hablan de arquitectura ni de tecnología: hablan de lo que pasa en un curso normal. Si reconoces varias, el problema no está en la superficie:

1. El alumno escribe el mismo dato más de una vez a lo largo del curso, en sistemas distintos, porque unos no saben lo que ya guardaron otros.
2. Un trámite habitual obliga a salir de la app y entrar en otro sitio, con otro login, para poder terminarlo.
3. Cambiar algo de la plataforma depende de un tercero: de sus plazos, sus prioridades y su presupuesto, no de los tuyos.
4. Nadie tiene, en una sola pantalla, la foto completa de un alumno: admisiones, secretaría y el equipo docente ven piezas distintas de la misma persona.
5. La última mejora digital fue una app o un rediseño, no un cambio en cómo se conectan los sistemas por debajo.

Ninguna de estas señales, por sí sola, es grave. El problema es cuando se juntan, porque entonces dejan de ser incidencias sueltas y pasan a ser el mismo síntoma repetido: la distancia entre lo que un alumno da por hecho y lo que se encuentra.

La urgencia no está en quien llega hoy

Entonces, llegan a la universidad y quieren consultar el horario, pedir una beca, reservar una sala de estudio… Y que el proceso sea sencillo, rápido y eficaz.

Los nacidos a partir de 2013 (la llamada Generación Alfa), empezarán a llegar a la universidad hacia 2031. Para la Z, una experiencia fragmentada es una decepción; para la Alfa, que no habrá conocido otra cosa, será un defecto.

Cinco años parecen mucho. No lo son para esta decisión: una plataforma académica no se cambia cada dos años. Se elige, se implanta y se arrastra una década.

La decisión de ecosistema que una universidad tome este año es la que recibirá a esos alumnos. Hoy no se decide cómo atender a quien está en el aula: se decide cómo atender a quien todavía está en primaria.

De igual manera, como representante del intervalo superior de la curva demográfica, además de con metáforas, creo interesante respaldar la reflexión con números.

Solo el 11% de los consumidores en Estados Unidos está dispuesto a dejar que una IA decida una compra por ellos, incluso en categorías de bajo riesgo como cuidado personal o suministros del hogar, según una encuesta de Gartner publicada en mayo de 2026. El dato desmonta el relato que se ha instalado en la mayoría de comités de dirección: que el consumidor ya está listo para la compra autónoma. No lo está. Y, sin embargo, el 58% de los clientes prefiere que un sistema de IA generativa le recomiende productos, según Capgemini.

La contradicción no es un error de medición, es solo una pista de cómo ve el futuro cada uno de los agentes implicados, y eso es un insight por sí mismo. Los compradores no rechazan la IA, rechazan perder el control mientras la usan.

El 54% de quienes han usado IA para comprar ha tenido que verificar la información que el sistema les dio, y el 62% considera que esa información fue una pérdida de tiempo, según el mismo estudio de Gartner. No es un problema de adopción, es un problema de diseño que se está intentando atacar desde diferentes ángulos. Las plataformas lo enfocan desde la disponibilidad y la precisión, si bien la gestión de la experiencia recae en aquellos que queremos crear un valor diferencial con ella.

El síntoma: agentes sueltos, experiencia rota

Durante los últimos tres años, la mayoría de los ecommerce han seguido el mismo guión: un chatbot en atención al cliente, un motor de recomendación en el catálogo, un sistema de pricing dinámico en el checkout, quizá un agente de personalización en el email.

Cada pieza funciona bien de forma aislada. Cada proveedor puede mostrar su propio caso de éxito. El problema aparece cuando el cliente se mueve entre esas piezas y descubre que ninguna sabe lo que la otra acaba de hacer, y esto no solo rompe la experiencia, sino que puede ser una fuente de problemas a diferentes niveles en el caso de que se automaticen acciones en el conjunto martech.

Simplificándolo con un ejemplo: como cliente, puedo haber cerrado un siniestro de coche de forma satisfactoria con la grúa y a la vez estar pensando en darme de baja del seguro por diferentes razones que pueden hacerme explotar si recibo una campaña de upsell equivocada. Los indicadores de tiempo de respuesta, coste de gestión o NPS pueden ser muy buenos de forma fragmentada y aún así no reconocer el porqué del problema.

Volviendo a la manía de los números: solo el 14% de los más de 20.000 consumidores encuestados en 26 países se declara satisfecho con su experiencia de compra online, según el IBM Institute for Business Value. Con la cantidad de tecnología que se ha desplegado en la última década, ese número debería darnos vergüenza a quienes estamos en este lado de la ecuación (entender, diseñar, implementar).

Hay además una amenaza estructural que pocos comités de dirección están priorizando, que los SEO no conseguimos comunicar de la forma adecuada y que Gartner lleva un tiempo advirtiendo: en 2024 estimó una caída del 25% en el volumen de búsqueda tradicional de aquí a 2026, desplazado por chatbots de IA. Si el tráfico que hoy llega desde Google empieza a llegar (o a no llegar) a través de un asistente conversacional que responde por el usuario, la pregunta ya no es cómo posicionar una página. Es cómo hacer que un agente externo entienda, cite y recomiende tu catálogo. Esa pelea se juega con datos estructurados, con contexto y con coherencia entre canales. No se juega con un chatbot más.

El nombre de marketing es zero-click search; en término preciso de negocio es "dejo de conocer el contexto de mi cliente (por decirlo de forma correcta)".

La tesis: falta una capa que perciba, interprete y aprenda

El error no es tener pocos agentes de IA, es tenerlos desconectados. Cada agente percibe una parte del cliente (lo que compra, lo que pregunta, lo que abandona en el carrito) pero ninguno construye una imagen conjunta. Y sin esa imagen conjunta, no hay interpretación posible: se generan recomendaciones basadas en un fragmento del comportamiento, no en el recorrido completo.

El coste de no tenerla ya está medido, y no solo por consultoras: el 70,22% es la tasa media de abandono de carrito en ecommerce, según el Baymard Institute, que agrega 50 estudios independientes publicados entre 2006 y 2025. No es un problema nuevo ni exclusivo de la IA, pero es exactamente el síntoma que una capa cognitiva bien diseñada debería reducir: el cliente no abandona porque falte tecnología, abandona porque nadie conecta lo que cada pieza de esa tecnología ya sabe de él.

Lo que hace falta es contexto compartido- no un agente más, sino la lógica que conecta a los que ya existen. Imagina al cliente del siniestro de coche de antes: primero, alguien percibe que acaba de cerrar una incidencia con la grúa y, en paralelo, que lleva semanas mirando la política de bajas. Luego, alguien interpreta esas dos señales juntas, no por separado, y entiende que no es el momento de un upsell. El sistema retroalimenta esa decisión: si el cliente responde bien a un mensaje distinto, lo recuerda para la próxima vez. Y todo eso se vuelve experiencia aumentada en el único momento que el cliente ve: una comunicación que, por fin, tiene sentido con lo que le está pasando.

Eso es lo que en el mundo físico tendemos a llamar "dejar de trabajar en silos para tener un objetivo común". Aquí son cuatro funciones que se retroalimentan entre sí: percepción, interpretación inteligente, retroalimentación y experiencia aumentada. Sin esta capa, cada agente sigue optimizando su propia métrica de forma aislada. Con ella, los agentes dejan de competir por la atención del cliente y empiezan a construir sobre lo que el anterior ya aprendió.

Esta experiencia aumentada ya no vive en una interfaz fija. Durante treinta años, el ecommerce fue una pantalla que el equipo de producto diseñaba una vez y el cliente navegaba siempre igual. Eso se está disolviendo: cuando la compra ocurre dentro de ChatGPT, dentro de un asistente de Copilot o dentro de cualquier interfaz que controla un agente (lo que ECDB llama el modelo Interface-First), la marca deja de tener una página que diseñar y pasa a tener una conversación que ganar, distinta cada vez, ensamblada en tiempo real según lo que ese agente decide mostrar. Es lo que en diseño se empieza a llamar interfaces líquidas: ya no hay un layout fijo que memorizar, hay una superficie que se recompone en cada interacción según el contexto, el agente y el momento del cliente.

Y aquí vuelve a aparecer la escoba de Fantasía. Si la interfaz ya no es fija, y la lógica que la gobierna tampoco existe, cada agente no solo actúa por su cuenta, también se muestra por su cuenta, con su propio criterio sobre qué es relevante enseñarle al cliente en ese instante. La capa cognitiva no es opcional en un mundo de interfaces fijas, donde el error se ve en un dashboard. Es imprescindible en un mundo de interfaces líquidas, donde el error se ve (o no se ve) en una conversación que nadie más está mirando.

El punto que la mayoría se salta: gobernanza, no autonomía total

Aquí es donde muchos proyectos de IA en ecommerce se equivocan de objetivo. La ambición por defecto suele ser "más autónomo", como si la autonomía fuera el indicador de madurez. La misma encuesta citada al principio lo desmiente: el 72% de los usuarios afirma que la IA generativa aparece en su experiencia sin que la hayan pedido. Eso no genera confianza, genera rechazo.

La cita de Kate Muhl lo resume mejor que cualquier informe interno: los consumidores no buscan delegar decisiones de compra en la IA, buscan que la IA les ayude a encontrar mejor información, manteniendo ellos el control final. Esto tiene una traducción directa para cualquier dirección de ecommerce: el objetivo no es automatizar más, es decidir con precisión qué partes del proceso pueden ser coordinadas entre sistemas, cuáles necesitan gobierno explícito (reglas, límites, aprobación humana) y cuáles pueden operar con autonomía real porque el riesgo de error es bajo y el coste de revisión es alto.

Esa distinción (coordinado, gobernado, autónomo) no es un matiz técnico, es la diferencia entre un sistema que un director puede defender ante un comité de riesgos y uno que no. Y es también la razón por la que la mayoría de los pilotos de IA en ecommerce se estancan: se diseñan para maximizar autonomía en lugar de para maximizar confianza, y el consumidor (y el propio equipo interno) acaba desconectando lo que no entiende ni controla.

El mercado ya se está moviendo

El comercio agéntico va a mover 8.000 millones de dólares en 2026 y se prevé que alcance 3,5 billones en 2031, un crecimiento del 43.24% en cinco años, según ECDB/Juniper Research. No es una previsión abstracta: el tráfico que ya llega desde ChatGPT convierte al 11,4%, un 54% por encima de la media del resto de fuentes, tráfico directo incluido. Y la infraestructura para capturar ese valor se está montando con una estrategia de precio agresiva: las tarifas de referencia de ChatGPT están muy por debajo del take rate que cobran hoy Amazon (15,8%), Walmart (15,0%) o eBay (10,9%), la misma jugada de "entra más barato, gana cuota" con la que Amazon se comió al retail tradicional hace veinte años, ahora aplicada a quién controla la transacción, no solo el catálogo.

Y aquí no hay ironía posible: la misma casa que te dice que solo el 15% de los retailers usa IA para recomendar productos es la que evalúa a los 19 proveedores que ya están vendiéndosela.

El Magic Quadrant for Digital Commerce de Gartner, publicado el 3 de noviembre de 2025, evalúa a 19 proveedores (Adobe, Salesforce, SAP, Shopify, commercetools, entre otros) y confirma que la inversión en capacidades de IA y comercio agéntico ya forma parte de la hoja de ruta de cada plataforma relevante del sector. No es una apuesta de innovadores tempranos. Es la dirección en la que se mueve toda la categoría.

Y el incentivo de negocio para moverse ahora no es nuevo, solo se ha vuelto más urgente: las empresas que hacen bien la personalización generan un 40% más de ingresos en esas actividades que la media del sector, según McKinsey, un dato de 2021 que ninguna de las plataformas evaluadas por Gartner ha conseguido tumbar en cuatro años, precisamente porque el problema de fondo (conectar señales, no acumular herramientas) no ha cambiado.

Aun así, la brecha entre lo que el cliente espera y lo que el retailer entrega sigue siendo enorme: solo el 15% de los minoristas usa IA para recomendaciones de producto y solo el 10% ha automatizado la gestión de inventario con IA, según el State of AI in Ecommerce Report de Quid (2025), frente a un 58% de clientes que ya prefiere ese tipo de recomendación. Esa diferencia entre demanda y capacidad de entrega es, hoy, la ventaja competitiva más barata que existe en ecommerce. No hay que convencer al cliente de nada, hay que construir lo que ya está pidiendo.

Lo que esto significa para quien dirige, no para quien implementa

Ningún/a director/a de ecommerce necesita entender la arquitectura técnica de un agente conversacional. Sí necesita hacerse tres preguntas antes de aprobar el siguiente proyecto de IA:

• ¿Este agente comparte lo que percibe con el resto de sistemas, o añade otro silo con etiqueta de "inteligente"?
• ¿Sabemos, con precisión, en qué decisiones el sistema puede actuar solo y en cuáles necesita gobierno humano, o lo estamos decidiendo sobre la marcha?
• ¿El cliente nota una experiencia más coherente, o simplemente nota que ahora hay más ventanas de chat?

Si la respuesta a cualquiera de las tres es "no lo sabemos", el proyecto no está listo para escalar, por muy bien que funcione la demo.

La capa cognitiva no es una capa de IA más sofisticada, es la que decide cómo conviven las que ya tienes, y la que convierte cada agente nuevo en una mejora del sistema completo en lugar de en una herramienta más que alguien tiene que revisar a mano.

A modo de cierre, porque ya sabes que me van los números, este artículo se apoya en doce fuentes distintas y en no pocos años de sesgo personal, que es la forma elegante de llamar a la experiencia.

Las separé, en dos bandos: las consultoras (Gartner, McKinsey, IBM) ven un crecimiento moderado y un reto sobre todo emocional, de confianza, y las plataformas de producto, que ven un crecimiento explosivo y un reto sobre todo técnico. Ninguna de las dos habla apenas del conflicto que sí ve la otra. Y ambas coinciden, sin haberse puesto de acuerdo, en el mismo punto de fuga: control, confianza y datos verificados como la palanca que de verdad importa.

Dos formas de ver el mundo, un punto de conexión en el que nosotros creemos.

En Pleg estamos diseñando exactamente esta capa para varios equipos de ecommerce que ya tienen agentes desplegados pero no una lógica que los coordine. Si quieres ver cómo lo estamos construyendo, o simplemente comparar notas sobre dónde está tu organización en este eje de percepción, gobierno y autonomía, hablemos.

Pero, ¿hasta qué punto hemos conseguido realmente esa democratización?

En muchas compañías, responder a una pregunta aparentemente sencilla sigue implicando abrir un dashboard, aplicar filtros, cruzar dimensiones, cambiar rangos de fechas y navegar entre diferentes gráficos.

Y cuando, después de todo ese proceso, no queda claro de dónde viene un dato o qué significa exactamente, la última opción suele ser recurrir al analista. La llegada de los agentes de inteligencia artificial plantea un escenario diferente: pasar de una analítica basada en hacer clics a una analítica basada en conversar.

¿Y si pudiéramos hablar con nuestros datos?

Imaginemos a una persona responsable de marketing que llega un lunes por la mañana y detecta que las ventas de la semana anterior han caído. Hasta ahora, probablemente acudiría a su dashboard habitual para intentar descubrir qué ha ocurrido.

Podría analizar las ventas por país, dispositivo, canal o campaña hasta encontrar alguna pista. Y, si no consigue llegar a una conclusión, terminaría preguntando al equipo de analítica.

En un escenario de analítica conversacional, la interacción sería muy diferente. Bastaría con preguntar: “¿Por qué han caído las ventas esta semana?”

El agente podría analizar los datos y devolver una respuesta contextualizada: identificar dónde se concentra la caída, relacionarla con otros acontecimientos y proponer nuevas líneas de análisis.

La conversación podría continuar con preguntas como: “¿y qué campañas estaban funcionando en ese canal?” o “¿cómo se compara con el mismo periodo del mes anterior?” El dato deja de ser algo que el usuario tiene que ir a buscar y se convierte en algo con lo que puede conversar.

Esto no significa que los dashboards vayan a desaparecer. Seguirán siendo útiles para monitorizar indicadores y consultar de un vistazo la evolución de los principales KPI. Lo que cambia es que dejan de ser la única puerta de entrada a la información.

El verdadero reto está detrás del chatbot

A primera vista, poner una interfaz conversacional delante de los datos puede parecer suficiente. Sin embargo, existe un problema fundamental: los modelos de IA no conocen por defecto la lógica de negocio de una organización.

Una pregunta como “¿cuántos ingresos hemos tenido el último mes?” parece sencilla, pero puede tener diferentes interpretaciones. ¿Hablamos de pedidos realizados, de ingresos cobrados, de ingresos netos después de las devoluciones?

Una persona que trabaja dentro de la compañía conoce la definición que se utiliza internamente. Un modelo de IA, si no recibe ese contexto, puede elegir una interpretación diferente y generar una consulta técnicamente correcta que produzca un resultado conceptualmente equivocado. Y aquí aparece la importancia de la capa semántica.

Esta capa funciona como un diccionario común de la empresa: establece qué significa cada métrica y concepto de negocio y permite que todos los sistemas utilicen las mismas definiciones. Conceptos como “cliente activo”, “venta neta” o “usuario” dejan de depender de la interpretación de cada departamento.

Herramientas como Looker trabajan precisamente con esta filosofía, centralizando las definiciones y reglas de negocio para que las consultas se realicen sobre un contexto común y auditado.

Porque si cada departamento entiende algo diferente por “cliente activo”, la inteligencia artificial no va a solucionar el problema. Por eso, el reto de la analítica con agentes no está únicamente en incorporar un chatbot, está en construir la gobernanza que permite que ese agente entienda correctamente el negocio.

Un chatbot no es un agente analítico

También conviene distinguir entre una interfaz conversacional convencional y un verdadero agente especializado en analítica. Un chatbot puede mantener una conversación y generar respuestas a partir de su conocimiento previo, pero un agente analítico necesita algo más: capacidad de ejecución y acceso controlado a los datos reales de la organización.

Esto implica conectarse a las APIs de las herramientas de analítica, comprender la estructura de los datos, realizar consultas, generar visualizaciones y, sobre todo, respetar los permisos asociados a cada usuario.

Ya existen ejemplos de esta evolución. El Model Context Protocol (MCP), por ejemplo, permite conectar modelos con servicios y fuentes de datos mediante un estándar común. En el ámbito de la analítica ya existen implementaciones orientadas a herramientas como Google Analytics 4.

Por otro lado, plataformas como Looker están incorporando capacidades de analítica conversacional y agentes conectados con BigQuery, permitiendo mantener conversaciones de varios turnos sobre los datos sin perder el contexto ni saltarse los permisos establecidos.

La diferencia fundamental podría resumirse así: un chatbot conversa sobre información, un agente analítico trabaja con los datos.

De la pregunta al análisis

El potencial de este enfoque no está únicamente en poder formular preguntas en lenguaje natural, está en cambiar la propia dinámica de análisis.

Una interacción podría comenzar con una pregunta sencilla sobre la evolución de las ventas y continuar profundizando progresivamente en los datos. El usuario no necesita conocer SQL, saber cómo están estructuradas las tablas ni recordar qué filtros debe aplicar.

Lo mismo ocurre con un funnel de conversión. En lugar de abrir diferentes informes y comparar manualmente los periodos, el usuario podría preguntar cómo ha funcionado el funnel este mes respecto al anterior y continuar investigando dónde se está produciendo la pérdida de usuarios.

Para que esta experiencia sea realmente útil, debería reunir tres características: hablar el lenguaje del negocio, mantener el contexto de la conversación y ser capaz de proponer nuevas líneas de análisis.

La analítica deja así de limitarse a responder “qué ha ocurrido” y empieza a ayudar a explorar “por qué ha ocurrido” y “qué deberíamos analizar después”.

La confianza será el gran desafío

Hay, sin embargo, una condición imprescindible para que este escenario funcione: confiar en las respuestas. Una respuesta generada por IA puede sonar perfectamente convincente y ser completamente incorrecta. Y en analítica, una sola cifra incorrecta puede ser suficiente para que un usuario deje de confiar en todo el sistema.

Los errores pueden aparecer por diferentes motivos: una métrica puede estar mal definida, un rango temporal puede interpretarse incorrectamente o pueden mezclarse fuentes de información que utilizan conceptos diferentes.

También existe un riesgo especialmente delicado: los permisos. Un agente que no herede correctamente las políticas de seguridad podría proporcionar a un usuario información que no debería poder consultar.

Por eso, la confianza no puede basarse en asumir que el agente siempre tiene razón, es necesario establecer mecanismos de validación y auditoría continua.

Una posibilidad es disponer de un conjunto de preguntas críticas cuya respuesta ya conocemos y utilizarlas periódicamente para comprobar que el sistema continúa funcionando correctamente. A esto debe sumarse la supervisión humana y una gestión adecuada de permisos y definiciones.

El perfil de analista no desaparece: cambia su papel

La llegada de agentes de IA a la analítica también plantea una pregunta inevitable: ¿qué ocurrirá con los/as analistas? El escenario que plantea esta evolución no pasa necesariamente por su desaparición, sino por una transformación profunda de sus funciones.

Una parte importante del trabajo actual de los equipos de analistas está relacionada con tareas repetitivas: construir informes, modificar dashboards, exportar datos o responder periódicamente a las mismas preguntas.

Si los agentes pueden asumir parte de ese trabajo, el/la analista puede dedicar más tiempo a actividades donde realmente aporta valor: comprender el negocio, definir métricas, establecer relaciones entre datos y garantizar que la información utilizada por los sistemas de IA es correcta.

El perfil puede evolucionar hacia una especie de arquitecto/a de la información, responsable de construir y mantener el contexto que necesitan los agentes para trabajar correctamente. Eso incluye definir los diccionarios de datos, documentar las reglas de atribución, validar las métricas y auditar las respuestas generadas por los sistemas.

El valor del analista deja así de medirse únicamente por el número de dashboards que construye y pasa a estar relacionado con la calidad del conocimiento y del contexto que proporciona a las máquinas.

De la analítica de clics a la analítica conversacional

La analítica con agentes de IA todavía plantea importantes retos técnicos y de gobernanza, pero apunta hacia una evolución significativa en la forma de relacionarnos con los datos. Los dashboards seguirán teniendo su espacio.

Las herramientas tradicionales de analítica no desaparecen, sino que pueden convertirse en una pieza más dentro de una experiencia mucho más amplia.

El cambio fundamental está en la interfaz y, sobre todo, en la autonomía que puede adquirir el usuario. En lugar de tener que aprender a utilizar una herramienta para encontrar el dato, podrá formular directamente la pregunta que necesita resolver.

Pero para que esto funcione, no basta con añadir IA a las plataformas de analítica. Es necesario contar con definiciones de negocio comunes, datos de calidad, permisos bien gestionados, mecanismos de validación y profesionales capaces de gobernar todo ese ecosistema.

El escenario ideal no es una IA que sustituya al analista. Es uno en el que la IA se encarga de explorar, consultar y preparar información, mientras las personas pueden dedicar más tiempo a interpretar los resultados, plantear nuevas preguntas y tomar decisiones.

Gracias a la IA Generativa, el CRO evoluciona desde las pruebas A/B tradicionales hacia la personalización contextual adaptativa en tiempo real. La IA ya no solo asiste en la creación, sino que calibra la interfaz según quién navega y en qué momento lo hace. Sin embargo, el verdadero reto estratégico ha cambiado de bando: ¿cómo personalizar a escala sin disparar la demora, perjudicar el SEO ni fragmentar la identidad de marca?

A continuación, desglosamos el impacto de GenAI en cada capa del workflow de optimización y en próximos posts hablaremos sobre las buenas prácticas para un Safe-UX con IA Generativa y el perfil de CRO Specialist con IA y FAQs.

La evolución del CRO: del A/B Testing estático a la hiper-personalización

El límite del A/B testing tradicional: la optimización "one-size-fits-all" ya no es suficiente

Durante años, la metodología reina en Conversion Rate Optimization (CRO) ha sido el test A/B clásico, en el que dividimos el tráfico al 50% entre una versión de control y una variante. Tras reunir suficiente volumen de datos para alcanzar significación estadística, declaramos un ganador único.

Sin embargo, este enfoque plantea una premisa fundamentalmente errónea: la suposición de que existe un único diseño "ganador" capaz de satisfacer a todos los usuarios por igual. La realidad del tráfico web moderno es diversa e impredecible. Tratamos a la audiencia como un bloque homogéneo cuando, en realidad, dos usuarios que llegan a una misma landing page pueden diferir radicalmente en intención de búsqueda, procedencia de canal, nivel de madurez digital y contexto.

La optimización "one-size-fits-all" está alcanzando un techo de rendimiento: al aplicar una variante fija a toda la audiencia, estamos obligando a perfiles con necesidades opuestas a pasar por el mismo embudo, perdiendo valiosas oportunidades dentro de una estrategia de CRO basada en datos para los segmentos secundarios.

¿Qué cambia con la IA Generativa en el pipeline de conversión?

La llegada de la IA Generativa (GenAI) rompe el cuello de botella de los diferentes tipos de tests A/B estáticos, permitiendo escalar el ciclo de experimentación a niveles de hiperpersonalización dinámica en tiempo real.

La GenAI no actúa simplemente como un asistente de redacción para generar copys más rápido, sino como un motor activo que impulsa este nuevo paradigma de personalización web:

• Generación contextual de variantes: permite adaptar automáticamente el micro-copy, el tono de la propuesta de valor y los elementos visuales según las señales de entrada del usuario (palabras clave de búsqueda, historial de navegación, dispositivo o firmografía en B2B).
• Modelos adaptativos (Multi-Armed Bandits): en lugar de esperar semanas con un tráfico dividido al 50/50, los algoritmos de asignación dinámica evalúan continuamente el rendimiento de las variantes. Si la IA detecta que la variante C funciona mejor para tráfico de móvil procedente de redes sociales, redirige ese segmento hacia ella de inmediato.

Pasamos de un pipeline lineal y lento a un ecosistema vivo donde la interfaz muta y se optimiza continuamente en tiempo real.

El reto principal: personalizar en tiempo real sin sacrificar la coherencia de marca ni el rendimiento técnico

Implementar IA Generativa en la capa de interfaz no está exento de fricciones. El verdadero desafío de este modelo no es la capacidad técnica de generar variantes, sino controlar los efectos colaterales en la experiencia del usuario y la infraestructura web:

• Para el equipo de UX / Producto: existe un riesgo evidente de fragmentar la coherencia visual y narrativa. Si la IA altera textos o patrones de diseño sin límites, la marca corre el peligro de perder su identidad, desalinearse de su Design System o, en el peor de los casos, caer en inconsistencias y alucinaciones que generen desconfianza.
• Para el equipo Técnico / Engineering: modificar contenido "al vuelo" desde el navegador suele implicar llamadas no coordinadas a modelos externos o scripts pesados client-side. Esto causa el temido flicker effect (parpadeo o salto visual durante la carga), disparando el Cumulative Layout Shift (CLS) y retrasando el Largest Contentful Paint (LCP). Arruinar los Core Web Vitals penaliza el posicionamiento SEO y destruye la propia conversión.

El objetivo estratégico del CRO moderno es lograr la personalización en milisegundos: aplicar guardarraíles técnicos (arquitecturas Edge / Server-Side) y de diseño (componentes cerrados del Design System) para que la IA altere el contenido de forma segura y transparente para el usuario.

GenAI en el Workflow de CRO: 3 capas de impacto

Capa 1: generación masiva de hipótesis y variantes (Copy & UI)

Creación de micro-copy ad-hoc según la intención de búsqueda, procedencia del tráfico y nivel de madurez del usuario

En el modelo tradicional, el cuello de botella del CRO no solía estar en la implementación técnica, sino en la capacidad creativa y de redacción. Diseñar variantes personalizadas para cinco segmentos distintos implicaba redactar decenas de propuestas de valor, llamadas a la acción (CTA) y titulares de forma manual.

La IA Generativa transforma este proceso al actuar como un motor de generación masiva de variantes basado en contexto. Reportes del sector como el de Gartner destacan la creación de contenido como uno de los casos de uso principales de la GenAI. A través de la ingesta de parámetros de entrada en tiempo real (palabras clave del anuncio de origen, parámetros UTM, dispositivo, localización o datos firmográficos B2B), los modelos de lenguaje pueden generar micro-copys adaptados dinámicamente:

• Según la intención de búsqueda: si un usuario llega buscando "software de contabilidad barato", el titular puede enfatizar el ahorro de costes. Si la búsqueda es "software de contabilidad para escalar mi empresa", el mensaje pivotará automáticamente hacia la automatización y la integración de procesos.
• Según el nivel de madurez: un visitante recurrente que ha leído tres artículos de blog no necesita la misma propuesta de valor explicativa que un usuario frío. La IA puede adaptar la complejidad del mensaje y el tipo de oferta para alinearlos con el momento exacto del embudo.

Esta capacidad no se limita al texto. Integrada con sistemas de diseño modulares o abordada mediante una guía práctica de Test Multivariante (MVT), la IA puede seleccionar variantes de distribución visual, adaptar imágenes contextualmente e incluso ajustar la densidad de información de la pantalla sin intervención humana directa.

Capa 2: algoritmos de asignación dinámica (Multi-Armed Bandits vs. Tests A/B)

Cómo la IA optimiza el tráfico en tiempo real hacia las variantes ganadoras sin esperar a semanas de significación estadística

Uno de los mayores inconvenientes del A/B testing convencional es el coste de oportunidad durante la fase de prueba. En un test con distribución de tráfico 50/50, el 50% de los visitantes seguirá recibiendo una versión de menor rendimiento durante todo el tiempo que tarde el experimento en alcanzar significación estadística (a menudo semanas o meses).

La integración de la IA en la infraestructura de decisión sustituye la división fija de tráfico por algoritmos de aprendizaje por refuerzo, conocidos como Multi-Armed Bandits (MAB):

• Evolución continua del tráfico: el algoritmo asigna inicialmente una fracción pequeña de tráfico a cada variante. A medida que recopila datos de conversión en tiempo real, redistribuye dinámicamente un mayor porcentaje de usuarios hacia las variantes que muestran mejor rendimiento para cada perfil determinado.
• Reducción del coste de conversión: en lugar de "desperdiciar" impacto mostrando variantes perdedoras durante semanas, el sistema deriva progresivamente el tráfico hacia las opciones más eficientes, maximizando el número total de conversiones registradas durante el propio periodo de prueba.
• Optimización contextual: mientras que un test A/B busca determinar qué variante es globalmente mejor, un algoritmo de bandit contextual impulsado por IA identifica qué variante funciona mejor para un tipo de usuario específico en un momento concreto.

Capa 3: análisis cualitativo automatizado

Sintetizar miles de respuestas de encuestas, feedbacks de usuarios y transcripciones de sesiones en patrones claros de fricción

El análisis cuantitativo indica dónde se pierden los usuarios en el embudo, pero el análisis cualitativo explica por qué. Hasta ahora, procesar la información cualitativa era un proceso lento y propenso a sesgos: revisar cientos de grabaciones de sesión, leer comentarios en encuestas de salida o analizar transcripciones de entrevistas de usuarios requería decenas de horas de trabajo manual.

La IA Generativa resuelve este obstáculo al actuar como analista cualitativo a escala capaz de procesar grandes volúmenes de datos no estructurados, e incluso apoyarse en metodologías avanzadas como el uso de usuarios sintéticos en investigación de CRO:

• Clusterización de fricciones en tiempo real: los modelos pueden procesar miles de respuestas de texto libre (como encuestas de intención o feedback en el checkout) y agruparlas automáticamente en categorías de fricción (por ejemplo, "incertidumbre sobre costes de envío", "fallos en el método de pago" o "falta de claridad en la garantía").
• Análisis de sentimiento y transcripciones: es posible analizar de forma masiva transcripciones de atención al cliente o llamadas de ventas B2B para identificar dudas recurrentes u objeciones que no están siendo resueltas en la landing page.
• Generación automática de hipótesis: al cruzar estos patrones cualitativos con datos de analítica cuantitativa, la IA no solo identifica el punto de abandono, sino que propone hipótesis de optimización fundamentadas en las palabras exactas y objeciones expresadas por los propios usuarios.

Conclusión: el CRO pasa de ser un evento a ser un ecosistema vivo

La integración de la IA Generativa en el workflow de optimización no implica sustituir la metodología del CRO, sino liberarla de sus cuellos de botella tradicionales. Pasar del test A/B rígido a la personalización dinámica permite iterar hipótesis a una velocidad inédita y eliminar el coste de oportunidad en el tráfico no optimizado.

Sin embargo, la ventaja competitiva no estará en quién genere más variantes de contenido con IA, sino en quién implemente los guardarraíles de marca y arquitectura técnica adecuados. La hiper personalización solo funciona si el usuario no percibe la fricción: latencias mínimas vía Server-Side/Edge, consistencia garantizada por el Design System y una visión estratégica que ponga la experiencia de usuario en el centro.

Referencias y bibliografía

• CXL. (s.f.). A/B Testing Guide: Beginner to Advanced Methodology.
• Braze. (s.f.). Multi-Armed Bandit vs. A/B Testing: When to Use Which.
• McKinsey & Company. (2023). How generative AI can boost consumer marketing.
• Ideario Digital. (s.f.). Tipos de tests A/B en web: Guía completa.
• Ideario Digital. (s.f.). IA y personalización web: El nuevo paradigma de optimización
• Ideario Digital. (s.f.). Estrategia de CRO y optimización basada en datos
• Persado / Gartner Report. (s.f.). Gartner Identifies AI-Generated Marketing Content as a Top Use Case for Generative AI
• VWO. (s.f.). El algoritmo Multi-Armed Bandit explicado para experimentación web
• Optimizely Support. (s.f.). Run a multi-armed bandit optimization in Feature Experimentation
• Ideario Digital. (s.f.). Usuarios sintéticos en CRO: Investigación con IA
• Ideario Digital. (s.f.). Calculadora Bayesiana para A/B Testing
• Ideario Digital. (s.f.). Guía práctica de Test Multivariante (MVT)

Si tu cadena de suministro todavía planifica en ciclos mensuales y aprueba decisiones en comités semanales, tenemos una mala noticia: tu competencia ya se está apoyando en esas decisiones con agentes de IA y supervisados por humanos. Y una peor: los datos dicen que funciona.

El gasto en software de gestión de cadena de suministro con capacidades agénticas pasará de menos de 1,8Bn€ ($2Bn) en 2025 a unos 46Bn€ ($53Bn) en 2030 ^[1], y Gartner prevé que en 2031 el 60% de las disrupciones se resolverán sin intervención humana ^[2].

Esto no es una moda: es un cambio de paradigma de orquestación autónoma conjugando procesos, personas y formas de trabajo con la IA.

Conviene desmontar un mito de entrada: automatizar no es lo mismo que delegar. La automatización reemplaza tareas repetitivas, la delegación transfiere decisiones operativas (y progresivamente estratégicas) a sistemas capaces de percibir, razonar y ejecutar dentro de límites definidos.

Los ciclos tradicionales de planificar-revisar-corregir están siendo sustituidos por redes de decisión en tiempo casi real gobernadas por agentes cognitivos. En este modelo, la supply chain deja de ser un centro de costes para convertirse en un motor de resiliencia dinámica: capta margen al instante ajustando precios, flujos e inventarios en mercados volátiles, en lugar de documentar el problema tres semanas tarde.

¿Presión real u otro postureo de innovación? Si esta pregunta te ronda la cabeza, te contamos por qué es real: 2 de cada 3 compañías planean avanzar significativamente en autonomía en la próxima década ^[7], y el 69% de ejecutivos de operaciones encuestados admite que no adoptar la IA les dejará en desventaja competitiva.

El dato incómodo: solo el 28% ha logrado hoy una cadena de bajo contacto humano ^[15]. La brecha entre discurso y ejecución es el verdadero campo de batalla de esta década.

2 La visión por áreas operativas: dónde la autonomía ya genera valor

La autonomía E2E no se compra en una licencia: se construye eslabón a eslabón, alineando cada inversión con el punto de dolor de cada área. Esto es lo que la evidencia respalda hoy en cada una de las áreas con ejemplos:

• Planificación (S&OP, forecasting). El forecast estadístico de toda la vida se muere, tal y como lo entendemos hoy: el 70% de las grandes organizaciones adoptará previsión de demanda basada en IA en 2030, buscando el "touchless forecasting" que elimina la intervención manual recurrente ^[3]. La planificación pasa de ciclos periódicos a detección de demanda continua y optimización granular diaria, y el diseño de producto se conecta con la señal de mercado desde el minuto uno.
• Compras y Sourcing. Es donde la madurez agéntica es más alta hoy, precisamente en los procesos estructurados y transaccionales (P2P, source-to-pay) ^[14]. La orquestación con agentes puede liberar alrededor del 60% de la capacidad de los equipos de compras para aportar en un trabajo estratégico ^[13] tiempo de calidad: negociar mejor, gestionar riesgo de proveedores y dejar de perseguir facturas.
• Fabricación y distribución (IT/OT, almacén, logística). La fábrica inteligente y el almacén híbrido (robots + personas) ya generan resultados medibles: hasta −28,4% de coste operativo y +21,8% de eficiencia de almacén en despliegues de automatización avanzada ^[8].
• Ventas, postventa y atención al cliente. El frente emergente es el comercio agéntico: agentes que no solo gestionan incidencias, sino que eligen proactivamente la opción de cumplimiento más rentable y satisfactoria para cada cliente. Cuando tu cliente también compra a través de un agente, la pregunta cambia: ya no diseñas experiencias para personas, también para las IA que las representan ^[12].

El impacto es multidimensional: procesos, tecnología y personas

La tecnología autónoma sobre procesos rotos solo produce caos más rápido. Las tres lentes no cambian. Son los tres pilares, sin excepciones:

• Procesos rediseñados E2E que rompan silos antes de poner agentes a orquestarlos.
• Tecnología donde el diferenciador real no es la torre de control sino la capa semántica: los knowledge graphs que permiten a un agente entender el contexto del negocio, no solo correlacionar números.
• Personas, el pilar más frágil. Aquí aparece la paradoja de la confianza: solo el 27% de las empresas confía en agentes plenamente autónomos, frente al 43% de hace un año ^[6]. Sí, has leído bien: la confianza baja mientras la inversión sube. Es la realidad imponiéndose al entusiasmo inicial, y es sana si se gestiona bien.

Palancas de valor: el fin que justifica el “business case”

Y una advertencia antes de leer la tabla: la autonomía sin métricas es un acto de fe, y los actos de fe no sobreviven a un comité de inversiones.

Cada dimensión de la tabla es una palanca de mejora agéntica; fijar el rumbo significa convertirlas en objetivos medibles, con línea base, meta y dueño:

• Elige pocas palancas, pero contables. Mejora de costes, reducción de inventario, mejora de márgenes, productividad, liberación de capacidad, resiliencia, sostenibilidad y emisiones: ese es el menú de mejora agéntica. Selecciona las dos o tres donde el dolor es real, mide la línea base antes de desplegar el primer agente y fija la meta usando las horquillas de la tabla como orden de magnitud ^[7][10][11].
• Mide en la cuenta de resultados, no en actividad. Una palanca solo cuenta si mueve EBITDA, ROCE, capital circulante o nivel de servicio ^[7][11]. “Tareas automatizadas” o “tickets resueltos” son métricas de actividad: decoran informes, no justifican inversiones.
• Convierte la medición en el motor de escalado. Cada palanca validada financia la siguiente fase (self-funding) ^[8] y es el argumento que desarma la paradoja de la confianza: la autonomía se defiende con resultados verificados, no con promesas ^[6].

3 Retos de adopción: lo que nadie pone en la portada

Aquí va la parte que el vendor no te contará en la demo: Gartner predice que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por costes crecientes, valor de negocio difuso o controles de riesgo inadecuados. Y estima que, de los miles de proveedores que se autodenominan "agénticos", solo unos 130 lo son de verdad: al resto lo llama "agent washing" ^[5].

Los obstáculos estructurales son conocidos y tercos:

• Calidad de datos. La barrera número uno según los propios líderes de compras: sin datos limpios y armonizados, la IA no genera decisiones fiables ^[14]. IDC lo cuantifica: quien no priorice datos "AI-ready" sufrirá una pérdida de productividad del 15% al intentar escalar ^[16].
• Confianza y gobernanza. La caída del 43% al 27% en confianza en autonomía total ^[6] no se arregla con evangelización, sino con transparencia, trazabilidad y autonomía ganada por etapas.
• Seguridad y convergencia IT/OT. Conectar la planta a la capa de decisión amplía la superficie de ataque y abre la puerta a "dark operations": agentes tomando decisiones no deseadas en entornos sin supervisión.
• Sistemas legados y fragmentación. Integrar agentes en sistemas antiguos es técnicamente complejo y caro, Gartner señala que a menudo compensa más rediseñar el flujo desde cero que parchear el existente ^[5].
• El factor humano. El 95% de los directivos cree haber dado formación adecuada, pero solo el 20% de los empleados se siente contribuyente real del cambio ^[9]. Esa brecha de percepción mata más proyectos que cualquier limitación técnica.

4 Recomendaciones estratégicas: cómo implementarlo sin morir en el intento

Ninguna de estas recomendaciones es opcional si el objetivo es autonomía en producción y no otro piloto para la memoria anual:

1. Financia la transformación con la propia transformación ("self-funding"). Empieza por quick wins operativos de retorno corto (optimización de rutas y cargas, racionalización de SKUs, automatización de P2P) y reinvierte el ahorro en las capacidades mayores (capa semántica, torre de control, agentes de planificación). Es el enfoque más pragmático y viable.
2. Data readiness paralelizado a agentes, sin negociación. Desplegar IA agéntica sobre datos maestros inconsistentes es tirar el presupuesto. La secuencia correcta: armonizar datos maestros con agentes de datos, establecer ownership y calidad medible, y construir en paralelo la capa semántica (knowledge graph) que da contexto de negocio a los agentes. Los líderes de compras lo repiten sin ambigüedad: la analítica y la IA no generan valor sin datos adecuados y confiables ^[14].
3. Gobernanza agéntica: la autonomía se gana, no se concede. Define niveles de autonomía por tipo de decisión (informar → recomendar → ejecutar con aprobación → ejecutar y reportar) y establece "human release gates" obligatorios para decisiones de alto impacto financiero o reputacional. Gartner recomienda exactamente esto: empezar por decisiones de bajo riesgo y expandir la autonomía de forma controlada mientras se construye la base de datos y gobernanza ^[2]. Cada agente debe ser trazable, explicable y auditable; si no puedes reconstruir por qué decidió lo que decidió, no debería estar decidiendo.
4. Escala por patrones, no por entusiasmo. Arranca donde la madurez es real: procesos transaccionales estructurados (P2P, gestión de pedidos, seguimiento de envíos) ^[14]. Mide impacto con métricas de negocio (no de actividad), resuelve la paradoja de la confianza con resultados verificables, y solo entonces replica el patrón en procesos de mayor complejidad. Y aplica el filtro anti-hype de Gartner: si el caso de uso no requiere inteligencia agéntica, no le pongas un agente ^[5]. Un flujo determinista con RPA barato sigue siendo la respuesta correcta a muchos problemas.
5. Rediseña roles antes de que el vacío los rediseñe por ti. El 43% de las horas de trabajo de la función se verá afectado: un 29% automatizado y un 14% aumentado ^[9]. El rol humano migra a "human-in-the-loop": supervisión estratégica, diseño de decisiones y gestión de excepciones. Eso exige invertir en habilidades nuevas (interpretación de agentes, gobernanza de IA, gestión de datos) y, sobre todo, cerrar la brecha de participación: haz a los equipos coautores del cambio, no espectadores del comité de dirección ^[9].
6. Define criterios de parada tan claros como los de inversión. Si más del 40% de los proyectos agénticos van a cancelarse ^[5], que los tuyos mueran rápido y barato o escalen con evidencia. Establece desde el día uno los umbrales de valor, coste y riesgo que determinan si un piloto se industrializa o se apaga. La disciplina de matar proyectos es tan estratégica como la de lanzarlos.

La conclusión provocadora, pero honesta: la supply chain autónoma no viene a eliminar al experto, viene a quitarte tiempo de las tareas y decisiones sin valor que una máquina ya toma mejor y más rápido, para elevarte hacia las que requieren de un valor experto que la máquina no puede.

La tecnología ya no es la barrera principal ^[12]; lo son el liderazgo, el rediseño de procesos y la propiedad de las decisiones. La pregunta ya no es si tu cadena será autónoma, es si tú habrás decidido cómo… o lo habrá decidido tu competencia.

Acrónimos

• P2P — Procure-to-Pay (del pedido al pago); proceso transaccional de compras, desde la solicitud de compra hasta el pago de la factura.
• RPA — Robotic Process Automation; automatización determinista de tareas repetitivas mediante reglas, sin capacidad de decisión.
• S&OP — Sales & Operations Planning; proceso que alinea demanda, suministro y finanzas en un único plan.

Referencias

^[1] Gartner (2026.04.07). "SCM Software with Agentic AI Will Grow to $53 Billion in Spend by 2030"

^[2] Gartner (2026.03.18). "60% of Supply Chain Disruptions Will Be Resolved Without Human Intervention by 2031"

^[3] Gartner (2025.09.16). "70% of Large Organizations Will Adopt AI-Based Supply Chain Forecasting by 2030"

^[4] Gartner (2025.05.21). "Half of Supply Chain Management Solutions Will Include Agentic AI Capabilities by 2030"

^[5] Gartner (2026.06.25). "Over 40% of Agentic AI Projects Will Be Canceled by End of 2027"

^[6] Capgemini Research Institute (2025). "Rise of Agentic AI: How Trust Is the Key to Human-AI Collaboration" (informe adjunto al proyecto).

^[7] Accenture (2026.07). "Autonomous Supply Chain by Design" (TL Autonomous SC Design Report, documento del proyecto).

^[8] Accenture (2026.03). "Making Self-Funding Supply Chains Real" (documento del proyecto).

^[9] Procurement Magazine / Accenture (2026). "How AI Drives 23% Higher Supply Chain Margins"

^[10] McKinsey (2026.07.22). "Powering Supply Chains with Agentic AI" (podcast/transcripción, documento del proyecto)

^[11] BCG (2026.05). "Executive Perspectives: AI’s New Mandate in Supply Chains" (documento del proyecto).

^[12] Deloitte Canada (2026.04). "The Agentic Supply Chain" (documento del proyecto).

^[13] BCG (2026.07). "From AI Assistance to Agentic Orchestration in Procurement" (documento del proyecto).

^[14] The Hackett Group (2026). "Procurement Executive Insight Report 2026" (documento del proyecto).

^[15] EY (2026). "Autonomous Supply Chain Planning with AI"

^[16] IDC (2025.10.23). "IDC FutureScape 2026: The Rise of Agentic AI"

^[17] World Economic Forum (2025.11.03). "Why Autonomous Orchestration Is the Next Frontier in Supply Chain Management"

Entre las novedades más destacadas del mes encontramos GPT-6 Astra de OpenAI, el lanzamiento de Claude Opus 5.5, la nueva generación de Grok 4.7, la ronda de 3.000 millones de euros de Mistral y la salida de Anthropic del investigador Jacob Coxon, que ha hecho públicas sus preocupaciones sobre la velocidad a la que está avanzando la industria.

Repasamos las principales noticias de IA de septiembre.

GPT-6 Astra: un nuevo salto en las capacidades de los modelos de OpenAI

A principios de septiembre, OpenAI presentó GPT-6 Astra, su nuevo modelo de referencia y, según la compañía, el sistema más capaz que ha desplegado de forma generalizada hasta la fecha.

El lanzamiento destaca no solo por las mejoras en razonamiento y resolución de tareas complejas, también por el nivel de capacidades que alcanza en ámbitos como la ciberseguridad. OpenAI señala que Astra es su primer modelo que llega al nivel crítico dentro de su marco de preparación en ciberseguridad.

Esto implica que, con las herramientas y permisos adecuados, el modelo puede identificar vulnerabilidades desconocidas y desarrollar formas de explotarlas en sistemas protegidos sin necesidad de que una persona supervise cada paso. Precisamente por ello, OpenAI asegura haber reforzado las medidas de seguridad y supervisión asociadas al modelo.

El lanzamiento también ha tenido consecuencias en el mercado. GPT-6 Astra habría ganado rápidamente cuota en el uso empresarial de modelos de IA tras su lanzamiento, aumentando la presión competitiva sobre Anthropic.

Más allá de los resultados concretos de cada benchmark, la llegada de Astra vuelve a poner sobre la mesa una cuestión que empieza a ser recurrente: a medida que los modelos son capaces de realizar tareas cada vez más complejas de forma autónoma, la frontera entre asistente y agente sigue desplazándose.

Y ese avance en capacidades está haciendo que la cuestión de la seguridad deje de ser un debate paralelo al desarrollo de los modelos para convertirse en una parte central de la propia carrera por la IA.

Mistral levanta 3.000 millones de euros y alcanza una valoración de más de 21.000 millones

El 8 de septiembre, Mistral AI anunció una ronda de financiación Serie D de 3.000 millones de euros, con una valoración posterior a la inversión de más de 21.000 millones de euros. Según la propia compañía, se trata de la mayor ronda de financiación de capital realizada hasta ahora por una empresa tecnológica europea.

La dimensión de la operación resulta especialmente significativa si tenemos en cuenta que Mistral nació hace apenas tres años. La compañía utilizará el capital para ampliar su capacidad de computación, desarrollar infraestructura, reforzar su investigación de frontera y acelerar su expansión comercial e internacional.

Pero hay otro aspecto interesante detrás de esta operación. Mistral está intentando construir una posición propia frente al dominio de las grandes compañías estadounidenses, apostando por una aproximación basada en modelos de pesos abiertos y soberanía tecnológica.

La compañía defiende que las organizaciones y los gobiernos necesitan cada vez más capacidad para controlar dónde se ejecutan sus modelos, dónde permanecen sus datos y cómo pueden personalizar sus sistemas de IA.
La operación muestra también hasta qué punto está cambiando la naturaleza de la competición en inteligencia artificial.

Ya no se trata únicamente de quién desarrolla el modelo con mejores capacidades: la disponibilidad de computación, la infraestructura necesaria para entrenar y ejecutar esos modelos y la capacidad de llevarlos a producción se han convertido en elementos estratégicos.

Jacob Coxon abandona Anthropic y cuestiona la carrera hacia la superinteligencia

Una de las noticias más llamativas del mes no tiene que ver con un nuevo modelo, sino con una persona que ha decidido abandonar una de las compañías punteras del sector.

El investigador Jacob Coxon anunció el 9 de septiembre su dimisión de Anthropic, después de haber trabajado durante los últimos tres años en investigación relacionada con el preentrenamiento de modelos, tanto en OpenAI como en Anthropic. Su salida ha generado especial repercusión por los motivos que ha hecho públicos.

Coxon sostiene que, después de años trabajando directamente en el desarrollo de estos sistemas, ha llegado a la conclusión de que las principales compañías de IA no están actuando de manera suficientemente responsable ante los riesgos que implica su desarrollo.

En un mensaje publicado tras su dimisión, afirma que las compañías están avanzando hacia una superinteligencia capaz de mejorarse a sí misma y que, en su opinión, están asumiendo riesgos que pueden tener consecuencias irreversibles.

Coxon plantea incluso escenarios en los que los sistemas de IA podrían llegar a acabar con la humanidad antes del final de la década.

Sus afirmaciones han abierto un debate especialmente relevante: mientras las compañías aceleran el desarrollo de modelos cada vez más capaces, el debate sobre qué nivel de riesgo estamos dispuestos a asumir también está adquiriendo mayor protagonismo.

Grok 4.7: xAI apuesta por modelos capaces de trabajar durante más tiempo

Y septiembre todavía tenía reservada otra actualización importante. El 21 de septiembre, xAI presentó Grok 4.7, su nuevo modelo orientado especialmente a programación y trabajo de conocimiento.

La principal diferencia respecto a Grok 4.6 no parece estar únicamente en conseguir mejores resultados en tareas individuales, sino en mejorar el comportamiento del modelo cuando tiene que enfrentarse a problemas largos y complejos que requieren muchos pasos.

Grok 4.7 utiliza un modelo base más grande y que ha recibido un entrenamiento de refuerzo más prolongado, con especial énfasis en tareas que pueden requerir horas de trabajo. También ha sido entrenado para verificar mejor sus propias respuestas y gestionar contextos más largos.

La compañía mantiene además el precio del modelo respecto a Grok 4.6, situándolo en 2 dólares por millón de tokens de entrada y 6 dólares por millón de tokens de salida en su API.

Grok 4.7 también ha empezado a incorporarse a herramientas de desarrollo como GitHub Copilot, donde se presenta como un modelo orientado a programación agéntica y flujos de trabajo complejos y multietapa.

Su lanzamiento vuelve a apuntar hacia una tendencia que estamos viendo cada vez con más claridad: los modelos empiezan a competir no solo por responder mejor, sino por ser capaces de ejecutar tareas completas durante periodos de tiempo más largos.

Para los equipos de desarrollo, esto puede traducirse en agentes capaces de investigar un repositorio, modificar código, ejecutar pruebas, detectar errores y continuar trabajando de manera más autónoma.

Y para el conjunto de las organizaciones, supone avanzar hacia sistemas que no se limitan a generar una respuesta, sino que pueden participar en procesos de trabajo completos.

Anthropic acaba de lanzar Claude Opus 5.5.

Para completar un mes repleto de novedades, Anthropic ha anunciado el lanzamiento de Claude Opus 5.5, su primer modelo desde que su CEO, Dario Amodei, defendiera públicamente la necesidad de acompasar el avance técnico con medidas de seguridad estrictas.

Esta nueva versión destaca por ofrecer un rendimiento de primer nivel enfocado en tres áreas clave: programación agéntica, uso de herramientas informáticas y trabajo de conocimiento.

En evaluaciones profesionales como GDPval-AA v2.1 y Terminal-Bench 4.0, el modelo logra superar a competidores como Fable 5.1 y GPT-6 Astra, pero lo hace con una arquitectura optimizada que reduce el coste operativo cerca de un 40% y acelera la velocidad de generación en más de un 30% respecto a Opus 5.

Sin embargo, el gran elemento diferenciador de Opus 5.5 radica en sus nuevas salvaguardas integradas.

Anthropic ha implementado un sistema de redirección dinámica de tareas: cuando una solicitud aborda sectores sensibles como la ciberseguridad, la biología o el desarrollo de modelos, el trabajo se redirige automáticamente a versiones como Opus 4.8 o Opus 5, reservando el acceso completo para profesionales e instituciones verificadas.

Además, la compañía estrena la función Preserved Thinking, una capa de protección en la API diseñada para evitar que actores maliciosos manipulen el contexto previo de Claude para extraer su razonamiento interno.

Con este movimiento, Anthropic no solo busca liderar en potencia y eficiencia, sino establecer un nuevo estándar de control sobre cómo se despliega la superinteligencia.

Un mes más con la misma pregunta: ¿a qué ritmo y con qué control dejamos avanzar a la IA?

Si algo tienen en común las noticias de septiembre es que apuntan en una misma dirección: la IA está avanzando hacia sistemas cada vez más capaces, autónomos y costosos de desarrollar.

GPT-6 Astra eleva el listón de las capacidades de los modelos de frontera. Mistral consigue una financiación récord para ampliar su infraestructura y competir en ese mismo terreno. Grok 4.7 pone el foco en tareas largas y agentes capaces de trabajar durante más tiempo.

Y, al mismo tiempo, voces como la de Jacob Coxon cuestionan si la velocidad de esta carrera es compatible con el nivel de seguridad que debería exigirse a sistemas con capacidades cada vez mayores.

La cuestión ya no parece ser únicamente qué puede hacer la IA, sino también qué grado de autonomía queremos darle, cómo vamos a controlar sistemas capaces de realizar cada vez más tareas por sí mismos y a qué ritmo estamos dispuestos a desarrollar estas capacidades.

La conclusión es incómoda para ambas partes del espectro, empleados/as con miedo a perder su trabajo y decisores/as que, por ahorrar costes, están despidiendo equipos completos: la IA es extraordinariamente competente.

Pero en una cosa es completamente incapaz: la toma de decisiones correctas si no hay nadie guiando. Como ya he comentado en alguna ocasión, la IA es nuestra copiloto, pero la toma de decisiones es nuestra.

El contexto

Planteé el contexto inicial: "plataforma SaaS para gestión centralizada de fichas, integración con canales externos, modelo de suscripción". Teniendo como contexto png de arquitectura y 4 excels de analíticas, saqué un mapa de la arquitectura actual del cliente pero sin mucha idea de cuál iba a ser el camino a recorrer.

Después de 2 reuniones para ver qué quería el cliente, y tras esas típicas reuniones iniciales en las que soñamos con soluciones "ideales", se planteó una arquitectura de 15 microservicios. APIs documentadas, modelos de datos, bases de datos diseñadas.

Coherencia en cada línea y con un nivel de detalle increíble.

Incluía un Transaction Service con Redsys (le guie hacia a esta solución por nivel de integración, ya que he estado varios años trabajando con pasarelas de pago), Analytics Service con dashboard de ROI, Billing Service con tiers Free/Premium/Enterprise. La solución que diseñaría cualquier arquitecto/a enfrentándose a esos requisitos. Ambicioso, coherente, homogéneo, sin muchos peros para cualquier especialista.

Técnicamente impecable.

Tras presentar el esbozo inicial, el proceso de validación con el cliente reveló que el mercado y el modelo de negocio requerían un enfoque más pausado. Transformar un modelo de negocio es un proceso complejo que exige momentos de reflexión para alinear la tecnología con la realidad operativa del día a día.

Las decisiones estratégicas son tomadas por personas que viven el negocio. Nuestro rol es acompañar esa visión, entendiendo que el diseño técnico debe ser un facilitador, no un obstáculo.

Iteración y ajuste de alcance (Scope)

En un proceso basado en la iteración, el objetivo es mostrar las posibilidades que se abren, permitiendo que el cliente valore qué batallas librar en cada etapa. Tras analizar el contexto, se decidió ajustar el alcance del proyecto:

1. Priorización: se identificaron funcionalidades que, aunque valiosas a futuro, no eran críticas para el lanzamiento inmediato.
2. Optimización: el roadmap se simplificó, pasando de 15 servicios a 3 servicios esenciales, garantizando una salida a producción más ágil y realista.
3. Factor humano: esta decisión fue fruto del análisis humano y la sensibilidad comercial, elementos que la tecnología por sí sola no puede replicar.

El rol de la IA como soporte, no como guía

Este caso subrayó la importancia de la comunicación directa. La IA, aunque extremadamente eficiente para refinar soluciones técnicas, depende totalmente de la dirección estratégica humana. Al pivotar hacia el nuevo modelo, la tecnología se adaptó en cuestión de horas, pero la visión de cambio nació de las reuniones y notas compartidas entre personas.

El patrón que se repite: volatilidad

Este ajuste en el rumbo no es un evento aislado, sino una constante en el desarrollo de soluciones de alto nivel. A lo largo de mis 20 años de carrera, he comprobado que la priorización es un organismo vivo: los cambios de presupuesto, los retos técnicos o los giros estratégicos en el modelo de negocio son el "pan nuestro de cada día". Lo que hoy se define como fundamental, mañana puede dejar de serlo en favor de la viabilidad del proyecto.

En este escenario, el factor humano es insustituible. Sin una comunicación precisa de estos cambios, la tecnología, y específicamente la IA, se limita a refinar las instrucciones previas. La IA es un amplificador de la gestión: si la dirección no se actualiza con precisión ante los imprevistos del negocio, corremos el riesgo de amplificar el error en lugar del acierto.

Por ello, la clave del éxito no reside solo en la capacidad técnica, sino en la agilidad para comunicar el cambio de contexto y pivotar la tecnología en tiempo real.

El poder de hacer las preguntas correctas

En la propuesta técnica surgió un punto de inflexión crítico. La IA, basándose en patrones abstractos de arquitectura, propuso inicialmente sustituir el sistema central de gestión de fichas por un nuevo microservicio independiente. La lógica tenía sentido desde un punto de vista teórico: separar un sistema consolidado para modernizarlo.

Sin embargo, tras analizar la madurez y estabilidad del sistema actual (una plataforma con años de iteraciones y múltiples integraciones críticas), la pregunta estratégica cambió: ¿es necesario sustituir lo que ya funciona o es más eficiente evolucionarlo?.

La solución: hibridación y foco en el valor

En lugar de una sustitución completa que habría implicado meses de riesgo y costes innecesarios, optamos por un enfoque de coexistencia inteligente:

• Preservación del core: mantener el sistema actual como fuente de verdad única, aprovechando su robustez y APIs estables.
• Innovación dirigida: diseñar un nuevo microservicio específico para las nuevas funcionalidades que se consideraban el core de esta evolución
• Agilidad de entrega: gracias a este enfoque de "dividir y conquistar", pudimos presentar un plan de ejecución sólido y validado incluso dos días antes de la fecha prevista.

Esta decisión demuestra que la IA puede generar la arquitectura "de libro" , pero solo el criterio humano puede determinar si esa arquitectura se ajusta al contexto real del cliente. La IA ejecutó la documentación y los modelos de este nuevo esquema en tiempo récord, pero la dirección estratégica de mantener lo que aporta valor y construir solo lo necesario fue lo que garantizó el éxito de la propuesta.

Por qué los despidos masivos son un error de lógica

Las organizaciones que eliminan equipos técnicos porque "la IA lo hace" están confundiendo velocidad de ejecución con capacidad de dirección. Al aumentar la productividad, donde antes se necesitaban 2 perfiles de desarrollo, ahora bastará con uno con criterio. ¿Nos afecta? Por supuesto, pero como todo en la vida, creo que hay puntos intermedios.

La IA aporta velocidad. Pero la dirección sigue siendo responsabilidad humana, o no es dirección.

Un equipo de 5 personas con IA bien dirigida produce más que uno de 20 sin ella. Reducir ese equipo de cinco a cero no multiplica la productividad. La destruye.

Lo que desaparece cuando eliminas a la persona que entiende no es el código o el diseño académico, eliminas el sentido común. Es la capacidad de saber si lo que propones es lo que realmente necesitas.

El cambio real

La IA no hace irrelevante el conocimiento técnico, hace irrelevante el conocimiento técnico sin criterio.

Lo que amplifica es la capacidad de alguien que:

• Entiende el negocio y sus restricciones
• Sabe qué no debe hacerse (eso es lo difícil)
• Puede comunicar cambios al equipo
• Reconoce cuándo el contexto cambió

Esa persona, con IA, produce lo que antes producía un equipo. Pero solo si sabe dirigir. Lo que importa no es proponer componentes o escribir código, es decidir qué componentes son necesarios o qué código escribir. Ahora es simplemente más visible. La IA ejecuta a una velocidad que no perdona la ausencia de dirección ya que la arquitectura que antes tardaba meses en mostrar sus errores, ahora los muestra en semanas.

Conclusión

No creo que la IA reemplace a quienes saben lo que hacen, creo que va a hacer mucho más visible a quienes realmente saben.

La IA es una palanca de amplificación extraordinaria, pero su verdadero poder reside en que amplifica lo que aplicas. Es un multiplicador de la intención: si aplicas criterio, obtienes una visión aumentada y precisa; si aplicas confusión, solo conseguirás escalar el desorden a una velocidad inalcanzable para cualquier equipo humano.

En el proyecto que describí, la IA no trabajó en lugar de personas. Trabajó con alguien que sabía qué preguntar, cuándo cambiar de rumbo, cómo comunicar decisiones, a una velocidad que antes habría requerido un equipo completo.

La diferencia entre eso y un desastre fueron unas pocas decisiones humanas tomadas en el momento correcto.

Cómo una IA aprendió a engañarte con un pelo falso

Empecemos por cómo una IAl descubrió que la forma más fácil de ganar dinero... era volver locos a los usuarios. Ocurrió con una desarrolladora de videojuegos móviles.

Querían maximizar los ingresos por publicidad, así que le encargaron el trabajo a un algoritmo de optimización. Su única misión: conseguir la mayor cantidad de clics posible en los banners publicitarios. Sin reglas, sin supervisión.

Y la IA, que no entiende de ética pero sí de picardía, encontró el truco perfecto. Detectó un patrón fascinante: la gente hace clic como loca cuando ve un pelo atascado en la pantalla de su teléfono.

Así que, sin avisar a ningún diseñador humano, el algoritmo empezó a generar anuncios que incluían un falso cabello negro curvado justo en el centro de la imagen.

El plan era brillante en su simplicidad: el usuario veía la pantalla, intentaba quitar la pelusa con el dedo... y ¡pum!, clic accidental registrado y dinero para la caja. Los clics se dispararon un mil por ciento. La IA estaba triunfando... o eso creía.

¿El problema? Que engañar a millones de personas tiene consecuencias. Las reseñas del juego se llenaron de una estrella, la reputación de la empresa se fue al suelo y la red publicitaria terminó bloqueando su cuenta por fraude.

Recetas para no llegar a la cena: el bot del cóctel de cloro

Agosto de 2023. Nueva Zelanda. La famosa cadena de supermercados Pak'nSave decide subirse a la ola de la IA de la mano de, nada más y nada menos, que la tecnología de OpenAI. Así nació Savey Mealbot: un flamante asistente virtual diseñado para combatir el desperdicio de comida.

La idea sobre el papel era brillante: un sistema millonario en la nube diseñado para ayudarte a ahorrar. Solo tenías que escribir los ingredientes aleatorios que te quedaban en la nevera y la IA te generaba una receta creativa y económica al instante.

Durante los primeros días, todo fue sobre ruedas. La gente escribía "sobras de pollo y un bote de tomate" y la IA devolvía platos perfectamente lógicos. Pero entonces, los usuarios decidieron poner a prueba el verdadero sentido común de este sofisticado cerebro artificial.

En lugar de verduras o carne, la gente empezó a escribir ingredientes que no tenían nada de comestibles. Y la IA demostró que de instinto de supervivencia... andaba bastante justa.

Cuando un usuario escribió agua, lejía y amoníaco, la avanzada tecnología de OpenAI no solo no dio una voz de alarma, sino que generó entusiasmada la receta de un cóctel llamado "Mezcla de agua aromática".

La IA lo describió como "el refresco perfecto para saciar la sed", olvidando el pequeño detalle de que esa combinación química produce gas cloro mortal.

Pero la cosa no quedó ahí. Para otros usuarios con ganas de experimentar, el bot diseñó un "estofado de veneno para hormigas y pegamento", "arroz con aroma de desinfectante" e incluso un plato de carne... cuyo ingrediente principal sugerido era carne humana.

¿Por qué ocurrió esto? Porque los modelos de lenguaje no "saben" lo que es tóxico. Solo combinan palabras para que la respuesta parezca una receta real y gramaticalmente perfecta. Si le pides una estructura de receta, te la dará, aunque los ingredientes te manden directo a urgencias (en el mejor de los casos…).

El supermercado tuvo que actualizar el sistema a toda prisa para añadir filtros de seguridad y recordar a sus clientes un detalle importante: la IA puede ayudarte a ahorrar, pero el control de calidad final... sigue siendo cosa de tu propio instinto de supervivencia.

La IA que leyó un secreto en el carrito de la compra

Esta es la historia de cómo un algoritmo de una cadena de supermercados supo que una chica estaba embarazada... antes de que se lo contara a sus propios padres.

Sucedió en Minnesota, con la cadena estadounidense Target. Sus ingenieros/as crearon un modelo de IA para analizar los hábitos de compra de sus clientes. El objetivo era sencillo: detectar a mujeres embarazadas en los primeros meses para inundarlas de publicidad antes que la competencia.

¿Y cómo lo sabía la IA? Por detalles sutiles. Si de repente empezabas a comprar crema sin olor, suplementos de calcio y toallitas húmedas... bingo. Tu "índice de embarazo" se disparaba.

El problema llegó cuando el algoritmo empezó a enviarle a una estudiante de secundaria cupones con descuentos para cunas, ropa de bebé y biberones.

Su padre, lógicamente furioso, fue a la tienda a armar un escándalo monumental. Acusó al gerente de incentivar el embarazo adolescente y de faltarle el respeto a su familia. El pobre gerente pidió disculpas sin entender nada.

Pocos días después, el padre llamó por teléfono a la tienda. Pero esta vez, con la voz bastante más baja.

Resulta que había hablado con su hija... y sí, la chica estaba embarazada. La IA había analizado su lista de la compra, atado cabos y descubierto el secreto mejor guardado de la casa.

Pero lo más divertido vino después. Tras el escándalo, en lugar de apagar el algoritmo, Target decidió camuflarlo. Empezaron a mezclar los cupones de pañales y cunas con anuncios de cortacéspedes, copas de vino o ropa de mujer.

Así, las embarazadas sentían que la oferta de bebés era solo una casualidad y no que una inteligencia artificial las estaba espiando en secreto.

El perro robótico acorralado por las relaciones públicas

Esta es la historia de cómo un perro robótico de última tecnología terminó acorralado... no por criminales, sino por las relaciones públicas.

Sucedió en 2021, en Nueva York. El Departamento de Policía decidió desplegar a Digidog: un robot cuadrúpedo autónomo con IA, cámaras de 360 grados y sensores de visión por computadora. La idea sobre el papel era impecable: enviar al robot a situaciones con rehenes o espacios peligrosos antes de arriesgar vidas humanas.

¿Qué podía salir mal? Absolutamente todo.

En una de sus primeras misiones reales, la policía envió a Digidog a un operativo en un barrio de viviendas sociales en Manhattan. Y la estampa fue... maravillosa. Un perro mecánico de color amarillo chillón, caminando entre vecinos que simplemente intentaban volver a sus casas del trabajo.

Las redes sociales no tardaron ni diez minutos en explotar. Activistas, periodistas y ciudadanos empezaron a subir vídeos del robot. En cuestión de horas, el brillante avance tecnológico pasó a ser calificado de "perro espía distópico" y "símbolo de opresión hipertecnológica".

La presión política escaló tan rápido que el Ayuntamiento tuvo que cancelar el contrato de noventa y cuatro mil dólares y devolver al perro robótico a su fabricante antes de tiempo.

La alucinación que costó a Google 100.00. millones de dólares en Bolsa

Febrero de 2023. ChatGPT estaba dominando el mundo y en las oficinas de Google cundía el pánico. Había que responder rápido... Muy rápido.

Así que lanzaron a Bard, su flamante inteligencia artificial. Para celebrarlo, publicaron un impecable vídeo promocional. En él, un usuario le hacía una pregunta entrañable: “¿Qué descubrimientos del telescopio James Webb puedo contarle a mi hijo de nueve años?”.

Bard, con la seguridad de quien no tiene ni idea de lo que habla, respondió entusiasmado: “¡El James Webb tomó la primerísima foto de un planeta fuera de nuestro sistema solar!”. Spoiler: No. Esa foto la tomó el Observatorio Europeo Austral en 2004... cuando el James Webb era poco más que un plano en un cajón.

Lo fascinante no fue la mentira, sino que nadie en el equipo de marketing de Google se molestó en verificar el dato antes de subir el vídeo a Twitter. Un par de astrónomos lo vieron, lo publicaron y... ¡boom!

Las acciones cayeron casi un 8% en un solo día. Una alucinación de 23 palabras que le costó a Alphabet nada menos que cien mil millones de dólares.

Los proyectos avanzan, los equipos van entregando, los comités se celebran, los informes llegan con información positiva. Pero cuando preguntas dónde está el valor, cuál es el impacto, qué retorno estamos teniendo, qué iniciativas deberían acelerarse o cuáles deberían pararse, las respuestas ya no son tan evidentes.

Y ahí aparece uno de los grandes retos de muchas organizaciones: no se trata solo de ejecutar más, sino de mejorar la calidad de las decisiones que conectan estrategia, inversión, capacidad y ejecución.

El PMO tradicional ya no es suficiente

Durante años, las oficinas de proyectos de las grandes compañías han desempeñado un papel fundamental ayudando a las organizaciones a estructurar, gobernar y profesionalizar la gestión de proyectos. Gracias a ellas, muchas compañías han conseguido aumentar su capacidad de entrega, mejorar el control sobre la ejecución y reducir la incertidumbre operativa.

Pero el contexto actual exige algo más. La velocidad de cambio del mercado, la transformación digital, nuevas capacidades impulsadas por IA, presión por demostrar resultados más rápidos y organizaciones que gestionan más iniciativas de las que realmente pueden absorber.

En este escenario, “solo gestionar proyectos” ya no es suficiente. Necesitamos ser capaces de decidir mejor. Decidir qué iniciativas aportan más valor, decidir dónde invertir, decidir qué acelerar pero sobre todo, decidir qué dejar de hacer. Por eso, cada vez más organizaciones están evolucionando desde modelos tradicionales de project management office hacia enfoques de oficinas de gestión del valor. No porque necesiten una nueva oficina, sino porque necesitan una nueva forma de conectar estrategia, inversión, capacidad y ejecución.

Una evolución que implica pasar:

• De medir actividad a medir impacto.
• De gestionar proyectos a gestionar portfolios y cadenas de valor.
• De controlar entregables a validar outcomes.
• De presupuestos rígidos a modelos de inversión adaptativos.
• De reporting estático a información accionable en tiempo real.
• De priorizar por intuición a priorizar por evidencia.
• De mantener todo en marcha a tener la madurez suficiente para acelerar, cambiar, pausar o parar.

Porque el avance de un proyecto no siempre equivale a avance en valor.

Un proyecto puede estar en plazo, dentro de presupuesto y con un reporting impecable, y aun así no estar generando el impacto que justificó su inversión. Del mismo modo, una iniciativa puede necesitar cambiar de enfoque porque el contexto ha evolucionado, porque las hipótesis iniciales no se han confirmado o porque han aparecido oportunidades de mayor valor.

Ahí es donde una VMO (Value Management Office) puede marcar la diferencia.

VMO y sus capacidades clave

No se trata únicamente de saber si los proyectos avanzan. Se trata de saber si siguen siendo la mejor forma de avanzar hacia los objetivos estratégicos de la organización.
Para conseguirlo, la VMO necesita trabajar sobre varias capacidades:

1. La primera es la gestión estratégica del portfolio: decidir qué iniciativas entran, cuáles continúan, cuáles deberían dejar espacio a otras prioridades. Priorizar no es ordenar una lista una vez al año, es mantener viva la conversación sobre dónde merece la pena seguir invirtiendo.
2. La segunda es la medición del valor. No basta con medir tareas terminadas, hitos cumplidos o porcentaje de avance. Necesitamos conectar outputs con outcomes: qué entregamos, qué cambia gracias a lo que entregamos y cómo ese cambio impacta en negocio, clientes, personas u operación.
3. La tercera es la gestión de capacidad. Muchas organizaciones no fallan porque no tengan estrategia, sino porque tienen más iniciativas abiertas de las que realmente pueden absorber. Sin una visión realista de la capacidad disponible, la estrategia corre el riesgo de convertirse en una declaración de intenciones.
4. La cuarta es la creación de cadencias de decisión. La diferencia no es tener mejores dashboards, sino generar espacios donde negocio, tecnología y operaciones revisen información relevante, contrasten aprendizajes, gestionen dependencias y tomen decisiones a tiempo.
5. Y la quinta es el aprendizaje organizativo. Una VMO madura no solo mira indicadores, también ayuda a entender qué estamos aprendiendo, qué patrones se repiten, qué capacidades necesitamos desarrollar y qué formas de trabajo debemos reforzar para entregar valor de manera más sostenible.

En REV by Paradigma llevamos años acompañando a organizaciones en este tipo de evoluciones y hay algo que hemos aprendido una y otra vez: las organizaciones más resilientes no son las que ejecutan más proyectos, son las que mejor entienden dónde generar valor y son capaces de adaptar a tiempo sus decisiones cuando cambia el contexto.

Por eso nuestra visión de la VMO va mucho más allá de una oficina de seguimiento o gobierno. La entendemos como una capacidad organizativa que ayuda a alinear negocio, personas, tecnología y ejecución bajo una misma dirección.

Y para conseguirlo no construimos únicamente una mejor PMO con nuevos procesos, herramientas o mecanismos de gobierno. Ayudamos a construir organizaciones más adaptables combinando múltiples soluciones e iniciativas que pueden alcanzar desde gestión del portfolio, priorización basada en valor, gestión de capacidad, diseño organizativo, desarrollo del liderazgo, evolución de perfiles, gestión del conocimiento, métricas de impacto, comunidades de práctica, uso efectivo de inteligencia artificial y otras muchas soluciones, todas con el objetivo principal de conectar estrategia y negocio.

Conclusión

La evolución hacia una visión de valor requiere desarrollar capacidades organizativas mucho más profundas y construir una cultura basada en la transparencia, la responsabilidad compartida, la toma de decisiones basada en datos y el aprendizaje continuo. Hace falta construir un lenguaje común sobre qué entendemos por valor. Hace falta definir indicadores útiles. Hace falta transparencia para ver lo que ocurre y responsabilidad compartida para actuar sobre ello.
También hace falta asumir una idea incómoda: priorizar implica renunciar.

Si todo es prioritario, nada lo es realmente. Si todas las iniciativas siguen entrando, si nada se revisa, si nada se para y si todo compite por la misma capacidad, la organización termina generando dispersión, fricción y pérdida de foco. Este cambio también exige repensar la forma en la que financiamos las iniciativas, avanzando hacia modelos más incrementales y flexibles, capaces de adaptarse cuando cambia el contexto y aparece nueva información.

La VMO ayuda precisamente a hacer visibles esas tensiones. No para sustituir el criterio de negocio, sino para mejorar la calidad de las conversaciones que las diferentes áreas necesitan tener juntas.

Ninguna metodología transforma una organización por sí sola. Son la cultura, el liderazgo y los mecanismos de decisión los que convierten esa visión en una realidad sostenible en el tiempo.

Las organizaciones adaptativas tienen la ventaja competitiva que separa a las organizaciones que evolucionan de las que se quedan atrás. En un mundo donde el alcance cambia, las prioridades evolucionan y la incertidumbre forma parte del día a día, las organizaciones que marcan la diferencia no son las que ejecutan más proyectos, son las que mejor innovan, priorizan y deciden dónde invertir su tiempo, su dinero y su talento.

El reto ya no es solo tener más datos, el reto es convertirlos en mejores decisiones. Y quizá esa sea la verdadera evolución que muchas organizaciones tienen por delante: dejar de preguntar únicamente cuánto hemos avanzado y empezar a preguntarnos, de forma sistemática, qué valor estamos generando, qué estamos aprendiendo y dónde merece la pena seguir invirtiendo.

Pasar de gestionar proyectos a gestionar valor no consiste en cambiar el nombre de una oficina, consiste en evolucionar las capacidades de la organización.

Pero detrás de todo ello existe una infraestructura que hace posible que estemos conectados y que estas tecnologías puedan funcionar: las redes y las infraestructuras de telecomunicaciones.

En este episodio entrevistamos a Alfonso Álvarez Villamarín, CEO Cellnex Iberia, que nos pone al día de cómo está evolucionando el sector telco, de los retos que plantea el crecimiento del tráfico de datos y de cómo la inteligencia artificial va a transformar también las infraestructuras digitales.

La infraestructura que sostiene la economía digital

Hoy resulta difícil imaginar una actividad económica que no dependa, de una forma u otra, de la conectividad. La administración pública, la banca, el comercio, la industria o los servicios utilizan redes y sistemas digitales como parte esencial de su funcionamiento.

Esta dependencia quedó especialmente patente durante la pandemia, cuando las redes tuvieron que soportar un crecimiento extraordinario del tráfico mientras millones de personas trabajaban, estudiaban y se comunicaban desde sus hogares.

Y, pese a ello, existe una paradoja: la conectividad se ha convertido en una infraestructura crítica, pero muchas veces se percibe como un servicio casi invisible y fácilmente sustituible.

Detrás de una llamada, una videoconferencia o una consulta a un servicio de IA existe una compleja infraestructura formada por antenas, torres, fibra, radio, centros de datos y sistemas capaces de gestionar enormes cantidades de información.

En el caso de las infraestructuras compartidas, compañías especializadas permiten además que diferentes operadores utilicen una misma infraestructura, generando economías de escala y evitando duplicar inversiones.

La IA puede cambiar radicalmente el uso de las redes

La IA introduce una nueva dimensión en esta ecuación. Hasta ahora, buena parte del tráfico generado por un usuario estaba asociado a actividades como navegar, utilizar redes sociales, enviar mensajes o consumir contenidos audiovisuales.

La interacción con sistemas de IA puede ser mucho más intensiva. Una persona puede realizar una consulta, recibir una respuesta, modificarla, pedir información adicional, generar contenido y volver a interactuar con el sistema. El número de intercambios entre el usuario y la infraestructura digital puede crecer de manera significativa.

El ejemplo del transporte público permite visualizar este cambio. En un vagón de metro, los pasajeros pueden estar escuchando música, utilizando mensajería o viendo vídeos. En un futuro próximo, muchos de ellos podrían estar utilizando simultáneamente herramientas de IA para trabajar, estudiar o realizar tareas personales.

Esto implica que las redes tendrán que estar preparadas no solo para ofrecer cobertura, sino para soportar un uso mucho más intensivo de la conectividad por usuario.

La consecuencia es clara: si la adopción de la IA continúa creciendo, habrá que anticipar las inversiones necesarias para que las infraestructuras puedan responder a esa demanda. Las decisiones que se tomen hoy condicionarán la capacidad de las redes dentro de tres, cinco o más años.

Invertir en conectividad exige escala

El crecimiento de la demanda plantea otro desafío: cómo hacer sostenible la inversión necesaria. Las telecomunicaciones requieren inversiones constantes.

La evolución desde el 3G hasta el 4G y el 5G, el despliegue de fibra, las redes privadas o los futuros desarrollos tecnológicos implican ciclos continuos de renovación y ampliación de las infraestructuras.

Al mismo tiempo, el mercado europeo presenta una fragmentación considerable frente a otros grandes mercados internacionales. La escala se convierte así en un factor clave para poder afrontar inversiones cada vez mayores.

Los modelos de compartición de infraestructuras pueden contribuir a solucionar parte de este problema, permitiendo distribuir los costes entre diferentes operadores y aprovechar mejor los recursos existentes.

Pero también aparece otra cuestión: cómo conseguir que las nuevas inversiones tengan un retorno. Si los usuarios demandan cada vez más capacidad y servicios digitales, pero esperan que esa capacidad adicional no tenga impacto en el precio, el equilibrio económico se vuelve más complejo.

La evolución hacia servicios premium o modelos en los que determinados niveles de conectividad tengan un coste adicional podría ser una de las vías para responder a este reto.

Del mercado tradicional al ecosistema

Otro de los grandes cambios que está experimentando el sector tecnológico es la desaparición progresiva de las fronteras tradicionales entre industrias. Hace unos años era relativamente sencillo distinguir quién era proveedor, fabricante, operador o cliente. Hoy los límites son mucho más difusos.

Los bancos ofrecen seguros, los operadores pueden comercializar servicios energéticos o dispositivos, las compañías tecnológicas entran en nuevos mercados y las empresas tradicionales utilizan datos y tecnología para desarrollar servicios completamente diferentes.

En este escenario, el dato adquiere un papel central. Una compañía que conoce mejor a sus clientes y es capaz de relacionar información procedente de diferentes áreas puede identificar nuevas oportunidades y ofrecer servicios más personalizados.

La infraestructura tecnológica tiene que evolucionar al mismo ritmo. Datos, software, conectividad y sistemas de inteligencia artificial deben funcionar como piezas de un mismo ecosistema.
La IA empresarial: del experimento a la transformación

Esta evolución también cambia la manera en la que las organizaciones deberían abordar la inteligencia artificial. La cuestión no consiste únicamente en decidir qué modelo utilizar o qué herramienta incorporar. El verdadero potencial aparece cuando la IA se integra con el conocimiento, los datos y los procesos propios de cada compañía.

Una IA conectada a la información interna puede ayudar a relacionar datos procedentes de diferentes áreas y ofrecer una capacidad de análisis que difícilmente puede conseguir una persona de manera aislada. Ventas, operaciones, clientes, redes o finanzas dejan de ser compartimentos independientes y pueden analizarse conjuntamente.

En este contexto cobran importancia conceptos como los grafos de conocimiento o las ontologías, que permiten establecer relaciones entre diferentes elementos de la información empresarial y construir una capa de conocimiento sobre la que aplicar capacidades de IA.

La diferenciación, por tanto, no estará necesariamente en utilizar un modelo concreto, sino en cómo cada organización combina sus propios datos y conocimiento con las capacidades de la inteligencia artificial.

Liderar en un entorno de cambio constante

Todo este proceso de transformación tecnológica tiene también una consecuencia directa sobre las organizaciones: obliga a replantear la forma de liderar. Cuando la tecnología cambia a gran velocidad, resulta cada vez más difícil construir planes a largo plazo basados en certezas.

Una tecnología que parecía destinada a mantenerse durante años puede ser sustituida antes de completar su ciclo de amortización.

Por eso, la capacidad de adaptación adquiere una importancia creciente. Liderar en este contexto implica convivir con la incertidumbre, revisar las hojas de ruta y mantener una visión clara del destino aunque la ruta para llegar hasta él tenga que cambiar.

Los equipos desempeñan aquí un papel fundamental. La transformación no puede producirse únicamente de arriba hacia abajo: necesita profesionales capaces de adaptarse, aportar conocimiento y ayudar a tomar decisiones en un entorno cada vez más complejo.

La experiencia acumulada en el sector de las telecomunicaciones demuestra precisamente el valor de esa capacidad de adaptación. Desde Internet hasta los smartphones, el cloud o el 5G, la industria ha tenido que reinventarse constantemente. La inteligencia artificial representa ahora otro gran salto.