A veces poco a poco, a veces de golpe y para siempre.

Algunos entran en sectas y encuentran la salida años después.
Otros no despiertan nunca.

Vemos algo que los demás no ven. Nos hace sentir importantes, especiales.

Y entonces dejamos de comprobar si es verdad.

La mayoría de las veces, el daño se queda en poco. Nosotros mismos. Una persona. Una familia. Una empresa.

Pero el fallo de juicio crece con el poder.

Cuando una persona con el juicio nublado dirige un hogar, sufre una familia.
Cuando un grupo pequeño con el juicio nublado dirige los sistemas que todos usamos, sufrimos todos.

La historia está llena de casos así. Cada generación carga con cicatrices de la última vez que un grupo pequeño estuvo seguro de tener razón.

Volvamos a la IA.

La mayoría usamos modelos de Anthropic, OpenAI y Google. Su IA nos transmite a todos la visión del mundo de esos pocos cientos de personas. Su idea de lo que está bien y lo que está mal llega a cada chat, cada respuesta, cada persona, cada día.

Nuestros hijos crecen dentro de esto. Hacen los deberes con estos sistemas. Les hacen las preguntas que no se atreven a hacernos a nosotros. La visión del mundo que lleve dentro el modelo se filtra en la suya. En silencio. Nadie nos ha preguntado.

Nunca aceptaríamos que una sola empresa escribiera todos los libros de texto del planeta. Con la IA estamos haciendo justo eso ahora mismo, con algo mucho más íntimo que los libros de texto.

No hace falta mala intención. Basta con ser falible.

Por eso importa tanto la diversidad en los LLM open source y la IA soberana. Cuando el juicio de un grupo se nuble, y en algún momento ocurrirá, la niebla se queda en un sitio. Y un colegio, una empresa o un país puede elegir y ajustar sus modelos igual que elige sus libros de texto, y sustituirlos cuando fallen.

El momento acompaña. Los modelos abiertos se han puesto al día. En varios benchmarks están justo al lado de los laboratorios cerrados, a veces por encima. Dale un año y puede que la pregunta sea por qué alguien sigue pagando por una caja negra.

Esto se vuelve concreto en cuanto la IA sale de la ventana del chat y entra en tus sistemas. Extracción de documentos, búsqueda interna, clasificación, redacción: los casos de uso con un ROI claro ya funcionan bien con modelos abiertos, alojados donde tú decidas.

Esa opción existe. Aprovéchala.

Leer y comentar en LinkedIn

Menos inversión, menos pérdidas. Muchos lo llaman una ventaja.

Yo lo llamo un recordatorio del año 2000.
También entonces Europa cayó más suave. Los estadounidenses enterraron medio billón de dólares en fibra y despliegue de redes, en gran parte con deuda. Capital destruido, empresas en quiebra, el Nasdaq un 78 por ciento abajo.

¿Y luego?

La fibra se quedó bajo tierra. Barata. Y las empresas que crecieron sobre esa infraestructura barata se llamaban Google y Netflix. Ni una sola empresa europea aprovechó la fase de limpieza.
Perder menos no es ganar.

De aquella decisión, Europa sacó dos décadas de dependencia. Cada capa del stack, en manos de otros. Estamos a punto de tomar la misma decisión otra vez, ahora con inteligencia en lugar de ancho de banda.

Cuando llegue la corrección, el compute se abaratará, habrá talento disponible y las valoraciones caerán. Ese es el momento de desarrollar capacidad que te pertenezca. En tus procesos, con tus datos, bajo tu control.

La última fase de limpieza produjo la dependencia de Europa.

La próxima podría acabar con ella.

Leer y comentar en LinkedIn

Si la burbuja estalla, el mercado se parte en dos.

El compute se abarata: hardware amortizado, operadores en quiebra, capacidad vendida a coste marginal. Pero los laboratorios de frontera pierden su subvención. Arrastran compromisos de compute de cientos de miles de millones y, por primera vez, necesitan margen. Los supervivientes se consolidan y sus precios por token suben. Materia prima barata, producto acabado caro.

Si aguanta, el mercado se consolida igualmente. Los ganadores suben precios, reescriben las condiciones y refuerzan el lock-in.

En cualquier caso, acabas ante la misma pregunta: ¿cuánto de tu IA controlas de verdad?

Estas tres preguntas ayudan. ¿Podrías cambiar de modelo? ¿Podrías ejecutar uno tú mismo con ese compute barato si hiciera falta? ¿Sabes adónde van tus datos y bajo qué ley?

La mayoría de las empresas no responde a ninguna. Porque, a los precios de hoy, las preguntas parecen innecesarias.
Esa sensación es justo lo que compra el precio.

Una estrategia que necesita saber primero si la burbuja estallará nunca fue una estrategia.

Leer y comentar en LinkedIn

Quiero compartir contigo una reflexión.

Si sigues a los laboratorios de IA y a los proveedores de acceso, ya lo sabes: los precios de los tokens están subiendo. O recibes menos tokens por el mismo dinero. Anthropic lleva meses haciendo lo segundo poco a poco.

Esta es la tendencia en cifras.

GitHub Copilot Pro+: 40 €/mes. Con la facturación por uso que empieza el 1 de junio, el mismo uso agéntico intensivo a precio de lista de los tokens se acerca a los 960 €/mes. Unas 24×.

Claude Code Max 20×: 200 $/mes. Valor equivalente en la API a precio de lista para un usuario intensivo: unos 5.000 $/mes. Unas 25×.

Pero ¿qué significa eso en la práctica?

Los LLM más inteligentes de hoy mejoran pensando más tiempo cada pregunta. R1 de DeepSeek usa el mismo modelo base que V3, solo que con razonamiento añadido. Pensar más significa más tokens. Cuando se acabe la subvención, ese coste aparecerá en la factura.

Jensen Huang (CEO de NVIDIA) en el All-In Podcast: «Si ese ingeniero de 500.000 dólares no consumiera al menos 250.000 dólares en tokens, me alarmaría muchísimo». Huang lo planteaba como el escenario optimista a precios subvencionados: la mitad del salario base en tokens para multiplicar por 10 el rendimiento del ingeniero. A 25× el precio de lista, el mismo uso cuesta 6,25 M$ frente a un ingeniero de 500.000 $. Las cuentas se dan la vuelta.

Veamos dos categorías de trabajo y qué pasará con el coste de los tokens de los modelos propietarios.

A. Trabajo rutinario.
(p. ej. atención al cliente de primer nivel, clasificación y extracción de documentos en grandes volúmenes, revisión rutinaria de contratos.)

Aquí creo que la IA ganará a los humanos en precio sin despeinarse. «Si trabajas como un robot, un robot te quitará el trabajo». Gerd Leonhard.

B. Trabajo complejo.
(p. ej. ingeniería de software sénior en bases de código desconocidas, redacción y negociación de contratos complejos, síntesis estratégica a partir de muchas fuentes.)

A precio de lista, el humano vuelve a entrar en la competición. Es posible que recuperemos parte de las tareas de alta exigencia cognitiva.

Al mismo tiempo, cómo evolucione la tecnología a partir de aquí está por ver.

El open source puede adelantar a los modelos propietarios o, como mínimo, seguir siendo competitivo.

Dos caminos para el presupuesto del segundo semestre de 2026.

1- Alquilar IA a 1-2 laboratorios

¿Qué pasará? El oligopolio de la IA, Anthropic, Google y OpenAI, se quedará con la mayor parte del valor que genera la IA subiendo precios, pero solo lo justo para que usar su IA te siga saliendo algo más rentable que no usarla.

Pueden hacerlo porque, una vez dentro, con tus prompts, herramientas, andamiaje de agentes y evals montados sobre ellos, el poder lo tienen ellos. Cuanto más tiempo te quedes, más fuerte es el lock-in.

2- Poner en marcha tu propia infraestructura de IA soberana

¿Cómo es eso? Conectas modelos abiertos y cerrados según la tarea. Modelos de frontera donde compense lo que cuestan, open source para el resto.

La capa que lo orquesta todo es tuya. El poder lo tienes tú. Los costes se mantienen más bajos a medida que creces, cambias de modelo cuando quieras y sigues al mando.

La economía de los tokens ha acabado con el apocalipsis laboral.

Pero ahora lo que está en peligro es tu cuenta bancaria y tu independencia.

Leer y comentar en LinkedIn

El nombre «Anthropic» viene de *anthropos*, «ser humano» en griego. La empresa gira en torno a la idea de una IA centrada en las personas. Si lees los titulares, los últimos 90 días parecen la prueba de que la misión se ha cumplido.

El rechazo al Pentágono en febrero:
En su comunicado de febrero de 2026 sobre armas autónomas, el CEO Dario Amodei escribió: «Los sistemas de IA de frontera simplemente no son lo bastante fiables para controlar armas totalmente autónomas». En el mismo comunicado calificó las armas parcialmente autónomas de «vitales para la defensa de la democracia» y dijo que las totalmente autónomas «pueden resultar críticas». Eso suena a «todavía no», con la cuestión moral abierta.

Claude Gov:
Anthropic desarrolla modelos a medida para clientes de seguridad nacional de EE. UU. Redes clasificadas. Análisis de inteligencia. Documentos de inteligencia y defensa. Análisis de datos de ciberseguridad. Son palabras de la propia Anthropic, en la página de producto de Claude Gov.

Palantir:
Desde noviembre de 2024, Claude está operativo dentro de la plataforma de defensa de Palantir, en el entorno IL6 reservado a sistemas de seguridad nacional altamente sensibles. Así consta en el anuncio conjunto de Palantir, AWS y Anthropic.

Lo que representa Palantir. En abril de 2026, Palantir publicó un manifiesto de 22 puntos que condensa el libro de su CEO Alex Karp, «The Technological Republic». Aboga por armas con IA. Declara que algunas culturas son «disfuncionales y regresivas».

Todo junto no encaja con la imagen que cuenta la marca.

Que el marketing perfectamente escenificado no te ciegue.

Pregúntate dónde están tus propios valores. Y luego pregúntate si la IA de la que dependes los comparte.

Leer y comentar en LinkedIn

La IA acaba de cambiar eso.

Durante décadas, el diseño organizativo partió de una premisa que también abrazó el taylorismo: una persona, una especialidad. Dominar a fondo tres campos parecía dispersión. Así que las empresas optimizaron dentro de los silos. El coste estaba entre ellos.

Ese coste es ahora el cuello de botella.

La IA desploma el coste de ejecución dentro de una disciplina. Lo que no puede hacer es decidir qué problema importa, juzgar si el resultado es bueno de verdad o traducir entre la realidad desordenada de un cliente y tres dominios técnicos distintos. Ese trabajo está entre especialidades, y exige profundidad en cada una.

Las personas capaces de hacerlo se hacen cargo de los problemas de principio a fin. Hablan con el cliente, dan forma a la solución, la desarrollan con IA y responden del resultado. Es lo que los emprendedores han hecho siempre. Ahora las empresas lo necesitan dentro.

Ha empezado la era del intraemprendedor de IA.

Y de repente, mi perfil es contratable.

Leer y comentar en LinkedIn

¿Cuál es la diferencia entre un agente y un bot?

-Toma de decisiones.
Bot: guionizada
Agente: razonada

-Adaptabilidad.
Bot: por ramas fijas
Agente: dinámica

-Orientación a objetivos.
Bot: ejecuta órdenes
Agente: persigue un objetivo

-Gestión de fallos.
Bot: guion de respaldo
Agente: se autocorrige

-Uso de herramientas.
Bot: predefinidas
Agente: las elige él mismo

-La prueba:
¿Puede sorprenderte con cómo ha logrado el objetivo?
Bot: no
Agente: sí

Esta prueba tan sencilla me parece muy útil.

También encaja con el riesgo operativo. Si un sistema puede sorprenderte en el camino, puede sorprenderte en el coste y en los efectos secundarios. Por eso la mayoría de los «agentes» en producción son en realidad bots, y a menudo es la decisión correcta.

Guarda este post y prepárate para el próximo pitch de «agentes».

Leer y comentar en LinkedIn

Eliminan el conocimiento tácito, ese saber hacer que nadie verbaliza y que tarda años en formarse.

Hay dos formas de usar los asistentes de IA.

1. Piensa en Anna. Usa su asistente de IA como un instrumento y conserva el criterio.

2. Piensa en Paul. Deja que el asistente de IA proponga, enmarque y decida.

Vistos desde fuera, los dos parecen productivos.

Pero se está produciendo un efecto acumulativo silencioso.

Es el cambio que ocurre en el cerebro de los dos.

Anna dirige al asistente de IA. Con cada interacción suma conocimiento tácito.

Paul sigue al asistente de IA. Su conectividad neuronal es más débil y su conocimiento tácito apenas crece.

Este efecto no se nota al cabo de 1 semana. ¿Y al cabo de 6-12 meses? Notarás una diferencia enorme.

Seguro que conoces a este tipo de persona:

- La senior que capta el tono de un cliente con una sola frase
- El ingeniero que nota que algo huele mal en un sistema antes de que lo detecten los logs

Hoy, la intuición es la capacidad de supervivencia esencial que necesitan las organizaciones en un mundo frágil, no lineal e impredecible.

Si cultivas Pauls, desentrenarás la capacidad intuitiva de tu organización.

Crearás un hueco que la IA no podrá llenar, por mucho que mejoren los LLM.

Ese hueco tiene que llenarlo alguien que conozca a tus clientes, a tu equipo y tu situación concreta. Un LLM no tiene nada de eso, por diseño.

El conocimiento tácito no se puede articular del todo.

Lo que no se puede articular no puede entrar en los datos de entrenamiento de un LLM. Modelos mejores no cambian eso.

La clave de una empresa próspera es asegurarse de diseñar programas de formación en IA que cultiven Annas.

La clave de una empresa próspera es diseñar programas de formación en IA que cultiven Annas.

- ¿Cómo creas el hábito de trabajar un problema a fondo antes de escribir el prompt?
- ¿Qué trabajo se queda sin IA para siempre, para mantener el músculo?
- ¿Qué trabajo se hace sin IA de vez en cuando, como práctica deliberada?
- ¿Cómo entrenas a la gente para cuestionar a la IA justo cuando suena más segura?

La formación que diseñes hoy decide lo que tu equipo sabrá hacer dentro de doce meses.

Forma Pauls que manejan el modelo, o forma Annas que custodian la intuición de tu empresa.

Leer y comentar en LinkedIn

Anthropic ha anunciado que no pondrá su modelo Mythos Preview a disposición del público. Al parecer, es demasiado potente.

Encontró agujeros de seguridad de hace 27 años en un sistema operativo que hace funcionar cortafuegos e infraestructuras críticas.

Encontró vectores de ataque en el kernel de Linux y en FFmpeg, el codificador de vídeo integrado en casi todo el software que usas.

Vulnerabilidades que sobrevivieron a décadas de revisión humana y a millones de pruebas automatizadas.

Piénsalo un momento.

Si tienes un modelo de IA capaz de colarse en los sistemas operativos de los que depende toda nuestra infraestructura, ¿qué haces?

¿Dárselo a todo el mundo? En malas manos, sería un desastre global.

Por eso Anthropic solo se lo ha dado a un grupo selecto de «buenos»:
Amazon Web Services, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, la Linux Foundation, Microsoft, NVIDIA y Palo Alto Networks.

Pero hay miles de organizaciones en todo el mundo cuya razón de ser depende de la seguridad informática, y no están en la lista.

El problema de fondo es otro: el open source acabará equilibrando las cosas en lo técnico. Ya se están desarrollando modelos igual de potentes.

Pero operar un modelo de este nivel exige una cantidad enorme de compute.

Así que, aunque exista un modelo abierto igual de potente, solo las organizaciones con mucho capital podrán permitirse usarlo de forma intensiva.

La IA ha dejado de ser solo una herramienta útil. Ahora puede alterar el equilibrio de poder entre países, sectores y personas.

Y ahora mismo, una empresa privada decide quién puede usarla.

Cada vez me atrae más la idea de una granja autosuficiente con gallinas, unas cuantas cabras, 2 burros y permacultura.

Y resulta que no es broma: a un burro no se le puede hackear.

Pero para quienes seguís funcionando con servidores:

Lo más interesante de esta lista de «buenos» es que nunca estuvo en vuestra mano cuestionarla.

Leer y comentar en LinkedIn

Sobre todo si además es el dueño.
Entonces no hablas con un decisor. Hablas con cinco a la vez.

Si eres el champion interno de IA, tienes una ventaja que ningún consultor tiene:
conoces la empresa por dentro.

Ves qué proceso se come tres días cada mes.
Sabes quién ha tirado la toalla por dentro por culpa de ese proceso.
Conoces los atajos que nadie ha documentado.

Ese es justo tu capital. No tu conocimiento de IA. Tu contexto.

El empresario que también es propietario te escucha a la vez como:

• Experto del oficio: ¿De verdad entiende cómo funciona nuestra empresa?
• Gestor: ¿Cuánto cuesta esto, en tiempo, dinero y atención?
• Propietario: ¿Mantengo el control?
• Protector: ¿Qué pasa con mi gente?
• Escéptico: ¿Es honesto, o es otra promesa vacía?

Si una sola de estas voces dice que no por dentro, tu proyecto ha muerto en silencio.
Sin que él lo diga en voz alta.

Por eso nunca empiezas por la IA.
Empiezas por un proceso concreto.

Un proceso que tú mismo ves cada día: repetitivo, medible y que se pueda cambiar de forma visible en cuatro a seis semanas.

Por ejemplo, así:

«La semana pasada lo conté:
para el informe mensual necesitamos unas doce horas.
Solo para juntar datos que ya tenemos.
Eso me frustra, y creo que podemos cambiarlo.»

«¿Lo ves parecido, o me falta una parte del cuadro?»

Ahora los cinco filtros trabajan a tu favor, si juegas limpio:

• Experto: dejas que él mismo nombre el punto de dolor.
• Gestor: llegas con cifras reales de la propia empresa.
• Propietario: dejas claro que los datos se quedan en casa.
• Protector: hablas de quitar carga a personas concretas.
• Escéptico: dices abiertamente lo que no puedes prometer.

El primer proyecto de IA no es un proyecto de IA.
Es un proyecto de confianza.

Quien lo entiende deja de pelear por un sí.
Desarrolla paso a paso una solución que aporta valor a la empresa a largo plazo.

--

PD: ¿Falta algún filtro? Escríbelo en los comentarios.

Leer y comentar en LinkedIn

En muchas empresas, el «champion de IA» es una persona con entusiasmo.
Nada más.

Se busca a alguien a quien la IA le parezca interesante, se le dan unas horas de formación y algo de visibilidad, y se le dice: «Adelante».

Seis meses después, esa persona suele estar agotada.
O cínica.
O se ha ido.

Veo tres puntos de ruptura típicos:

• Sin autoridad de verdad
El champion tiene que convencer, pero no puede decidir nada.
Ni presupuesto, ni cambios de procesos, ni una persona más.
Así, cada conversación se convierte en un pitch, y cada pitch en un «quizá más adelante».

• El límite de la experiencia
Un buen power user no es todavía un arquitecto de sistemas.
En algún momento las preguntas se vuelven técnicas.
Entonces el champion improvisa (peligroso) o se convierte en un cuello de botella (frustrante).

• Dos trabajos, un sueldo
El trabajo de siempre sigue ahí.
La IA va encima.
Por la noche, el fin de semana, «solo este ticket más».
Oficialmente, todo es «solo una prueba».
Extraoficialmente, hace tiempo que está en producción.

Un champion de IA fuerte es distinto.

Sus compañeros lo respetan; no es solo alguien nombrado por la dirección.
Conoce los procesos reales: ERP, contabilidad, planta.
Traduce:
No «La dirección quiere IA»,
sino «He encontrado la forma de preparar nuestros informes en la mitad de tiempo».

Y se toma en serio el escepticismo.
«¿Qué pasa con mis datos?»
«¿Quién responde cuando hay errores?»
«¿Qué significa esto para mi puesto?»
Son preguntas clave.

Para que este champion no se queme, necesita estructura:

• Menos trabajo del día a día, con tiempo bloqueado y claro
• Apoyo visible de la dirección
• Respaldo técnico cuando la cosa se complica
• Una pequeña comunidad de 3–4 champions en lugar de un llanero solitario

El mejor champion interno de IA no suele ser quien más sabe de IA,
sino aquel a quien sus compañeros creen cuando la situación es incierta.

Leer y comentar en LinkedIn

Aquí es donde suelen chocar los consultores y la mediana empresa.

Los consultores ven el PoC como una prueba técnica.
La dirección general, el CFO y el responsable de sistemas necesitan una herramienta para decidir.

El PoC de consultor suele significar:

• datos de prueba limpios
• un prototipo rápido en 2–6 semanas
• resultados aprovechables con datos de demo
• una demo bonita que despierta entusiasmo interno

Queda bien. Funciona en la reunión.
Pero no en producción.

Sin integración con el ERP antiguo.
Sin datos reales de operación.
Sin debate con el comité de empresa.
Sin un responsable claro del proceso.
Sin nadie que se haga cargo de la operación después.

Al final, el consultor dice: «Funciona».
Y la empresa se queda sola con las preguntas de verdad.

¿Por qué pasa esto? Los consultores ganan dinero con la siguiente fase. Un NO-GO honesto les cuesta facturación. Así que nadie define el PoC de forma que también pueda fracasar.

Para la mediana empresa, un PoC es otra cosa.

Es una prueba de esfuerzo pequeña y honesta:

• ¿Funciona con nuestros datos reales, a veces sucios?
• ¿Funciona en el proceso real, no solo en un sandbox?
• ¿Qué precisión o qué alivio de carga es realista antes de la puesta en producción?
• ¿Qué obstáculos ponen sistemas, protección de datos, comité de empresa y área de negocio?
• ¿Quién lidera el proyecto y quién lo opera después?
• ¿Está claro el siguiente paso: parar, ajustar o pasar a producción?

Un ejemplo concreto:

Conciliación de facturas. 150 albaranes a la semana.
ERP heredado, datos no estructurados, comité de empresa implicado, un departamento de sistemas de una sola persona.

A los 10 días: un GO claro.
€41.000 de ahorro al año, calculado de forma conservadora.
Opción de despliegue resuelta. Responsable de proyecto nombrado. Kick-off dos semanas después.

PoC de consultor: «En principio, la tecnología funciona».
PoC de mediana empresa: «Tenemos claridad suficiente para una decisión Go/No-Go».

En la mediana empresa, el tiempo, la confianza y la atención interna escasean.

Un PoC flojo quema capital político.
En el peor caso, acaba diciéndose: «La IA no funciona en nuestra empresa».

Pero el problema de fondo era otro: el PoC estaba mal definido.

Hoy planteo los PoC así:

• problema claro, objetivo medible
• datos reales de operación, con excepciones y suciedad incluidas
• prueba en el proceso en marcha, no en un sandbox
• viabilidad técnica: ERP, calidad de datos, infraestructura
• obstáculos organizativos: sistemas, protección de datos, comité de empresa
• business case cuantificado: ahorro, payback
• quién lo desarrolla, quién lo opera, cuánto cuesta

¿Y si el resultado es NO-GO?
El cliente se queda con la arquitectura técnica de la solución, el modelo de ROI y la evaluación de riesgos. Nada de vender humo. Nada de «vuelve el mes que viene».

Así el PoC deja de ser un experimento técnico y se convierte en un instrumento de gestión para quien decide.

Justo ahí empieza la integración seria de la IA en la mediana empresa.

¿Acabáis de cerrar un PoC?
¿En qué momento quedó claro si se sostenía o no?

Leer y comentar en LinkedIn

Así funcionan mis talleres Quick-Win de procesos con directores de área
y sus equipos en la mediana empresa.

Nada de hablar de herramientas.
Nada de comparar modelos.
Solo vuestro día a día y vuestros procesos.

Siempre empezamos igual:

• Todos apuntan las rutinas más pesadas
• Cosas que roban tiempo cada día
• Tareas que nadie hace a gusto
• Procesos en los que se cometen muchos errores

Después hacemos una estimación aproximada:

• ¿Cuánto tiempo se come esto a la semana?
• ¿Con qué frecuencia sale algo mal?
• ¿Cuánto cuesta un error en este proceso?

Luego viene un paso importante que muchos equipos se saltan:

Primero buscamos soluciones sencillas sin IA.
A menudo basta con un proceso claro, una pequeña regla, un cambio de responsable.
Si algo se resuelve así, perfecto.

Al final quedan 3–5 rutinas con más potencial.

De ellas elegimos los 1–2 mejores procesos:

• Lo bastante sencillos para un primer piloto
• Con el valor suficiente para que compense, y rápido

Para esos 1–2 procesos definimos:

• Quién es el responsable en el área de negocio
• Qué tiene que haber mejorado de forma notable al cabo de 4–6 semanas
• Cómo medimos el éxito (tiempo, errores, calidad, satisfacción)

Listo.
Ahí está el primer caso de uso de verdad.
Sin haber nombrado ni una sola herramienta.

Si quieres llegar así en 60 minutos a tu primer caso de uso productivo, te invito a que hagamos este taller juntos.

Leer y comentar en LinkedIn

Empleados con experiencia y bien pagados se ocupan de trabajo que no requiere conocimientos especializados y que, encima, les fastidia.

Cuadrar facturas.
Mantener hojas de Excel.
Responder correos estándar que un sistema puede redactar en segundos.

Divido el trabajo en cuatro cuadrantes.
Abajo a la izquierda está el desperdicio.

Justo ahí está la forma más inteligente de empezar con la IA.

Son tareas que tienen tres cosas en común:

• Se repiten cada día, cada semana o cada mes
• No tienen contacto directo con el cliente
• Convierten a las personas en interfaces

Estas tareas a menudo se pueden automatizar en gran parte con IA.
Sin riesgo para tu reputación.

Lo que te aporta:

• Ahorro inmediato de tiempo y de coste de oportunidad
• Más tiempo de concentración para que tus mejores profesionales se dediquen a lo que importa
• Una curva de aprendizaje en IA en un entorno seguro

Y lo mejor: la mayoría de estos casos de uso se implantan en pocas semanas.

Empieza con un pequeño inventario:

• Apunta todas las tareas recurrentes que no requieren conocimientos especializados
• Marca las que no tienen contacto con el cliente
• Tacha, de entrada, todo lo que ocupe menos de 2 horas a la semana

Lo que queda son tus mejores casos de uso para atacar el cuadrante del desperdicio, abajo a la izquierda.

Y si sumas cuántas horas puede ahorrarse tu equipo en estas tareas, o dedicar a trabajo de más valor, el resultado probablemente te sorprenda.

La cifra suele mostrar un gran potencial.
Y a la vez deja claro lo que está en juego.

Tus mejores profesionales son demasiado buenos para este trabajo.
Los contrataste por su competencia profesional, su criterio y su capacidad de crear buenas relaciones.

¿Qué pasaría en tu empresa si esas horas quedaran libres?

Leer y comentar en LinkedIn

Técnicamente ya vamos por delante.
Culturalmente, a menudo no.

Para muchas tareas aburridas, la IA ya es lo bastante buena.
Tramitación de expedientes. Textos estándar. Análisis.
Si la implantas bien, la IA rinde de forma fiable y estable.

Pero la IA no es una herramienta que «instalas» un día y ya has terminado.

Tu gente tiene que aprender una capacidad nueva:
trabajar con la IA, cuestionarla, darle forma.

Eso no surge en un curso con certificado.
Surge en el día a día.

Cuando los empleados trabajan con IA cada día.
Cuando sienten la responsabilidad:
¿Cómo puede la IA mejorar mi trabajo?
¿Cómo tiene que ser el sistema para lograrlo?

El objetivo de verdad es este cambio:

De:
«Soy un empleado y la empresa me da la herramienta X.»

A:
«Creo, junto con mis compañeros, nuestros sistemas de IA,
para tomar mejores decisiones y hacer mejor nuestro trabajo.»

Por eso, «esperar a que la IA madure» suele ser una excusa.

La tecnología va rápido.
La mentalidad va despacio.

Cuanto antes empieces a vivir la mentalidad de cocreación con IA,
más experiencia acumula tu equipo.
Y mejores serán las decisiones en el desarrollo, la integración y la operación de vuestros sistemas de IA.

Comprar una herramienta de IA es sencillo.
Cultivar la mentalidad que la hace eficaz
es la verdadera tarea estratégica.

Leer y comentar en LinkedIn

El post original habla de miles de millones de capital riesgo en juego: se abre la veda contra las startups. Eso explica el alcance. El miedo se propaga rápido.

Me he leído con calma los 70 comentarios. Lo que vi ahí lo conozco de mis conversaciones con empresas del Mittelstand: se cita a quien habla más alto, no a quien tiene razón.

El VP dice: las startups que solo ponen una capa fina sobre modelos de IA ajenos no tienen futuro. Quien lo reenvía lo convierte en una verdad del mercado.

Para situarnos:
Un wrapper de LLM es, simplificando, una app que toma el modelo de otro proveedor, le pone una interfaz propia alrededor y vende el acceso.

Como alguien que compra electricidad, la mete en una carcasa vistosa y llama al paquete «plataforma energética».

Mientras la eléctrica no ofrezca nada propio, funciona.

En cuanto ella misma saca una app, nadie necesita al intermediario.

En los comentarios vi tres bandos:

Unos se sentían confirmados.

Otros distinguían con rigor cuándo un wrapper se convierte en un producto de verdad.

Y los terceros preguntaban por qué precisamente Google cuenta esta historia.

Los que menos «me gusta» recibieron fueron los que miraron con más espíritu crítico.

No es casualidad. En LinkedIn, las preguntas incómodas rara vez reciben aplausos.

Google tiene un interés propio evidente:
quiere que las empresas desarrollen directamente sobre su plataforma, no sobre startups que se sitúan en medio.

Una predicción que sale de una casa así no es un análisis de mercado neutral.

Es venta.

Y la ironía de fondo: mientras los modelos open source estén al nivel de los sistemas propietarios, y Kimi, Mistral y DeepSeek demuestran lo cerca que ya están, los propios LLM se convierten en una commodity.

Y entonces todos son wrappers. Google también.

Así que la pregunta de fondo no es: ¿mueren los wrappers de LLM?

Sino: ¿de quién es el juicio que estoy adoptando ahora mismo, y por qué?

Quien hoy repite sin pensar lo que dicen los grandes proveedores, mañana implantará sin pensar lo que recomiendan.

Sus objetivos no tienen por qué ser los tuyos.

Leer y comentar en LinkedIn

Lo noto cada día al hablar con directivos del espacio DACH.

La demanda es enorme. La inseguridad, también.

La IA es genial. Ahorra tiempo, dinero y nervios, eso es cierto.
Pero también puede concentrar poder, absorber datos y crear dependencias.
Y eso ya no es teoría.

Anthropic ha llegado a un acuerdo por 1500 millones de dólares, porque millones de libros protegidos por derechos de autor acabaron ilegalmente en sus datos de entrenamiento.
No es un tema marginal. Es una señal de alarma para toda empresa que use IA.

Y el EU AI Act sigue su cuenta atrás.
Desde agosto de 2025 rigen obligaciones de transparencia y documentación.
Hasta agosto de 2026, los sistemas de alto riesgo tienen que cumplir la norma.
Multas: hasta 35 millones de euros o el 7 % de la facturación mundial.

Las empresas alemanas necesitan una alternativa.

Necesitan una IA que controlen ellas, y no al revés.
Necesitan sistemas explicables, no una caja negra.
Necesitan soluciones que protejan los datos sensibles.
Necesitan modelos que no «aprendan de paso» su propiedad intelectual y la reutilicen.

La dirección del desarrollo de la IA está clara: más automatización, más delegación, y más rápido de lo que nunca habíamos conocido.

Quiero que aquí sigamos otro camino.
Hacia un mundo en el que la IA ayude. En el que las empresas sigan siendo soberanas. En el que las personas decidan por sí mismas sobre su vida y su trabajo.

Por eso, a partir de ahora escribo en alemán.

Mi trabajo, mis clientes, mi foco: están en el espacio DACH.
Y las conversaciones que hoy cuentan de verdad para nuestro negocio se tienen en alemán.

He estado activo en inglés, y eso no cambia, solo que en otro sitio.
Si me seguías en inglés: no me he ido.
Solo estoy donde creo que puedo mover más cosas.

Y por eso desarrollo soluciones de IA para el Mittelstand del espacio DACH, soluciones que pertenecen a las empresas. No a una plataforma cualquiera.

¿Eres directivo y te preguntas cómo usar la IA de forma segura y soberana? Escríbeme.

Leer y comentar en LinkedIn

Son las personas que llevan el proceso.

Tu proveedor de IA nunca ha vivido tu cierre de mes.
Tu equipo de TI no se pasa los martes por la mañana corrigiendo fechas de entrega en Excel.
Tu equipo de datos no tiene que llamar a un cliente cuando sale un envío equivocado.

Quienes viven el proceso saben exactamente dónde está la fricción.

Los planificadores mantienen rituales de Excel que se comen tres días cada mes.
Los tramitadores de siniestros repiten las mismas comprobaciones 100 veces a la semana.
Finanzas concilia las mismas discrepancias de facturas cada semana.

El valor aparece cuando estas personas codiseñan el sistema, no como «usuarios» al final, sino como responsables desde el principio.

Así puedes liderarlo en tu área. (💾 Guárdalo para luego)

𝟭. 𝗘𝗺𝗽𝗶𝗲𝘇𝗮 𝗽𝗼𝗿 𝘂𝗻 𝗳𝗹𝘂𝗷𝗼 𝗱𝗲 𝘁𝗿𝗮𝗯𝗮𝗷𝗼 𝗰𝗲𝗻𝘁𝗿𝗮𝗹
Nada de «una plataforma de IA». Un proceso que llevas de verdad, con las personas que lo llevan.

2. Mapeo del proceso con varios roles
Operaciones, TI y responsables del proceso recorren juntos el flujo real. Mapean los apaños, las hojas de cálculo paralelas, las decisiones manuales. Cuantifican el dolor en días, errores y riesgo, no en «parece lento».

𝟯. 𝗗𝗲𝗷𝗮 𝗾𝘂𝗲 𝗹𝗼𝘀 𝗲𝘅𝗽𝗲𝗿𝘁𝗼𝘀 𝗱𝗲𝗹 𝗱𝗼𝗺𝗶𝗻𝗶𝗼 𝗱𝗲𝗳𝗶𝗻𝗮𝗻 𝗹𝗮𝘀 𝗿𝗲𝗴𝗹𝗮𝘀

• Qué pasos siguen siendo humanos
• Qué pasos pasan a código
• Dónde sugiere la IA y dónde no debe decidir nunca

Ejemplo: una responsable de finanzas identifica los 11 motivos por los que se atascan las facturas, define cuándo se aprueban automáticamente y cuándo se marcan para revisión, y es dueña de los requisitos durante todo el desarrollo. TI colabora en la implantación con una consultora especializada en IA, como nosotros. Primera factura automatizada en la semana 4.

𝟰. 𝗗𝗲𝘀𝗮𝗿𝗿𝗼𝗹𝗹𝗮 𝘀𝗼𝗯𝗿𝗲 𝗶𝗻𝗳𝗿𝗮𝗲𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮 𝘀𝗼𝗯𝗲𝗿𝗮𝗻𝗮
Modelos open source entrenados con tus facturas, tickets y albaranes. Resultados que entran directamente en SAP o en tus sistemas heredados. Registros que puedes defender ante los auditores.

𝟱. 𝗠𝗶𝗱𝗲 𝗱𝗲 𝗳𝗼𝗿𝗺𝗮 𝗰𝗼𝗻𝘁𝗶𝗻𝘂𝗮

• Horas ahorradas al mes
• Tasas de error antes y después
• Escalados en los que tuvo que intervenir una persona

Los equipos ajustan los umbrales ellos mismos, sin esperar a un proveedor.

Sé que la mayoría de los consejos esperan que TI «haga algo con IA», y TI ya está enterrada en peticiones pendientes.

Precisamente por eso, el primer sistema en producción deberían liderarlo los responsables del proceso.

Si diriges un área clave y ves trabajo manual repetitivo que se come días cada mes, ese es tu primer proyecto de IA, siempre que solo requiera un sistema sencillo.

Tu respuesta a esta pregunta determinará lo bien que funcionarán tus sistemas de IA:

¿Vas a diseñar los sistemas de IA con las personas que llevan el proceso, o vas a adoptar lo que otro supone que necesitas?

Leer y comentar en LinkedIn

Lo veo en casi todos los proyectos.
Los consejos hablan de IA.
El PowerPoint habla de IA.
Las decisiones reales siguen tomándose con Excel, intuición y costumbre.

Sobre el papel, las cifras son más esperanzadoras.
Según KfW, el 20 % de las pymes ya usa IA, y entre las empresas medianas incluso el 36 %.
Pero cuando preguntas dónde está la IA, oyes: textos de marketing, chatbots, pequeños pilotos.
Rara vez: precios, riesgo, planificación, capacidad, calidad.

La brecha de verdad no es «IA sí o no».
La brecha es:

• IA como juguete frente a IA dentro de las decisiones clave
• IA para relaciones públicas frente a IA para planificar y controlar
• IA en herramientas ajenas frente a IA en sistemas propios

El Mittelstand sabe por qué duda.
Recursos limitados.
Miedo a perder el control.
Una cultura de la responsabilidad muy arraigada.

Justo ahí encaja la IA soberana.

La IA puede conectarse a SAP, Navision o ERP heredados.
En tu infraestructura, con tus datos, con registros completos.
No para sustituir el criterio humano, sino para reducir el margen de las malas decisiones.

Cuando la IA ordena los pedidos por riesgo, tú sigues aprobando.
Cuando la IA propone precios, tú sigues decidiendo.
Cuando la IA señala anomalías de calidad, tu equipo sigue actuando.

Cognición híbrida.
Algoritmo más una persona responsable del proceso.

Las empresas que sobrevivan harán tres cosas sencillas:

• Ser dueñas de sus datos y modelos valiosos
• Integrar la IA en un flujo de decisión real tras otro
• Mantener a una persona responsable de cada decisión final importante

Si diriges hoy una empresa del Mittelstand, tu estrategia de IA es esencial para hacer frente a la escasez de talento y a las jubilaciones de tu plantilla.

¿Hasta qué punto está ya la IA dentro de tus decisiones reales, y no solo en tus experimentos?

Leer y comentar en LinkedIn

Hago este taller de propiedad de 3 preguntas con responsables de operaciones y jefes de departamento antes de empezar a trabajar con Omniance. Una sesión, una pizarra y un mapa claro de dónde estás expuesto.

Puedes hacer la misma sesión con tu propio equipo.

Así se hace, y esto es lo que debes vigilar.

(💾 Guárdalo para luego)

𝗣𝗮𝘀𝗼 𝟭 – 𝗛𝗮𝘇 𝗲𝗹 𝗶𝗻𝘃𝗲𝗻𝘁𝗮𝗿𝗶𝗼 𝗱𝗲 𝘁𝘂 𝗱𝗲𝗽𝗮𝗿𝘁𝗮𝗺𝗲𝗻𝘁𝗼

Crea una plantilla sencilla con cinco columnas: nombre de la herramienta, proveedor, responsable del proceso, procesos a los que da soporte y datos que toca.

Pide a tus colaboradores directos que rellenen sus herramientas de IA antes de la reunión. Solo las que tocan trabajo real, no montajes experimentales con datos de prueba.

No esperes a tener una lista perfecta. Consigue un 80 % de cobertura de quienes usan las herramientas a diario; con eso basta para un taller afilado.

Hay algo que este inventario no detecta: la IA en la sombra, las herramientas que tu gente usa sin aprobación de TI. Ese es otro problema, más profundo. Pero este taller te mostrará cuánto se te escapa incluso entre las herramientas que sí conoces.

𝗣𝗮𝘀𝗼 𝟮 – 𝗛𝗮𝘇 𝗲𝗹 𝘁𝗮𝗹𝗹𝗲𝗿 𝗰𝗼𝗻 𝘁𝘂 𝗲𝗾𝘂𝗶𝗽𝗼

Pon el inventario completo en pantalla. Repasa cada herramienta. Nada de diapositivas del proveedor, solo vuestra propia visión de lo que hacen estas herramientas y de dónde encajan en vuestras operaciones.

𝗣𝗮𝘀𝗼 𝟯 – 𝗔𝗽𝗹𝗶𝗰𝗮 𝗲𝗹 𝘁𝗲𝘀𝘁 𝗱𝗲 𝗽𝗿𝗼𝗽𝗶𝗲𝗱𝗮𝗱 𝗱𝗲 𝟯 𝗽𝗿𝗲𝗴𝘂𝗻𝘁𝗮𝘀

Para cada herramienta, pregunta:
➝ Continuidad – ¿Puedes seguir operando si el proveedor desaparece o cambia las condiciones mañana?
➝ Ventaja – ¿Toca datos regulados o conocimiento competitivo?
➝ Responsabilidad – ¿Puedes explicar y rastrear sus decisiones cuando te lo exijan?

Cuantos más «no» obtengas, mayor es tu exposición.

¿Tres «sí»? 🟢 Puedes alquilarla con tranquilidad.
¿Respuestas mixtas? 🟡 Tienes que protegerla con límites y planes alternativos.
¿Tres «no»? 🔴 Tienes que ser su dueño, o aceptar un riesgo estratégico.

𝗣𝗮𝘀𝗼 𝟰 – 𝗗𝗲𝗳𝗶𝗻𝗲 𝗹𝗮𝘀 𝗮𝗰𝗰𝗶𝗼𝗻𝗲𝘀

🟢 Alquilar → Mantener, estandarizar, negociar el precio
🟡 Proteger → Fijar límites claros, planificar la migración o una reimplantación soberana
🔴 Poseer → Documentar el riesgo y preparar los argumentos para el control interno

Esto no significa desarrollarlo todo desde cero. A menudo significa reimplantarlo sobre modelos open source que controlas, alojarlo en infraestructura europea o poner una gobernanza estricta alrededor de lo que tiene que quedarse en manos de un proveedor. Pasos concretos, no una revolución.

En 90 minutos ves dónde está segura tu área, dónde es frágil y dónde es otro quien tiene las llaves.

¿El momento más revelador?

Cuando aparecen casillas rojas donde esperabas verdes. No son herramientas rotas. Son tus próximas prioridades estratégicas.

Si eres tú quien impulsa la IA en tu departamento, no necesitas esperar un mandato desde arriba.

Hazlo primero con tu propio equipo. Lleva los resultados a la dirección. Una sola casilla roja en una pizarra abre una conversación mejor que cualquier presentación.

Y si quieres hacerlo con nosotros, para eso está nuestro taller.

Leer y comentar en LinkedIn

Cuando miro la mayoría de las integraciones de IA, veo lo contrario.

• Pagar por token
• Pagar por usuario
• Rezar para que el proveedor siga siendo amable

En términos financieros:
Alquilas tu inteligencia central a otro y esperas que nunca cambie la cerradura.

En una empresa mediana, eso tiene efectos muy concretos.

• Un modelo está dentro de un flujo de ventas
• O dentro de un triaje médico
• O dentro de una puntuación de riesgo

En cuanto eso ocurre, tienes una nueva forma de infraestructura.
No una herramienta, sino una dependencia.

Este es un patrón que me incomoda cuando pienso en sus consecuencias:

• El proveedor actualiza el modelo base → tus respuestas cambian de la noche a la mañana
• El proveedor cambia las condiciones → tu modelo de costes se rompe
• El proveedor retira una API → tu proceso se detiene

Los mismos datos.
Las mismas personas.
Otros pesos del modelo.
Otro comportamiento del negocio.

Para mí, ahí está la línea.

Cuando la IA toca conocimiento competitivo o un proceso crítico para el negocio, para mí es esencial tratar el modelo como un activo estratégico:

• Ser dueño de los pesos
• Ser dueño de la documentación
• Ser dueño de la ruta de actualización

Porque entonces la lógica se invierte.

• Tú decides cuándo reentrenar
• Tú decides qué datos dan forma al modelo
• Tú decides con cuánto cuidado debe hacerse una actualización

Con ese planteamiento, un modelo se parece menos a una suscripción de Netflix y más a una máquina de tu fábrica.

• La compras
• La mantienes
• La mejoras
• La amortizas a lo largo de los años

Por eso desarrollamos en Omniance el Omniance Core.
Un stack de IA modular, soberano y autoalojable con el que los clientes pueden:

• Ampliar piezas sin esperar a una hoja de ruta
• Hacer un fork de un componente cuando su dominio lo necesite
• Auditar el comportamiento hasta el nivel de datos y configuración
• Sustituir partes sin romper el sistema entero

Los efectos secundarios son muy prácticos.

Pesos propios → modelos que encajan con tu dominio, no con un benchmark público
Documentación propia → los equipos nuevos aprenden el sistema sin conjeturas
Ruta de actualización propia → cambiar de modelo sigue el calendario del negocio, no los ciclos de hype

Hay que tener esto muy presente:

La IA como OpEx parece fácil los primeros meses.
La IA como CapEx pesa en los primeros meses.

Avanza medio año.

La vía OpEx te deja:

• Facturas impresionantes en cuanto escalas
• Dependencia de infraestructura ajena
• Poca competencia interna y un control muy frágil

La vía CapEx te deja:

• Competencia interna
• Activos en el balance
• Una columna vertebral sobre la que seguir desarrollando una y otra vez

En algún momento, la IA deja de ser una PoC y pasa a formar parte de cómo piensas, vendes, curas o mueves mercancías.

Cuando llegas a ese punto, creo que «suscripción o activo» ya no es una decisión técnica.
Es una decisión de gobernanza.

Todos los CEO dicen que quieren una IA estratégica.
Me pregunto cuántos están dispuestos a poseerla igual que poseen fábricas, propiedad intelectual y software clave.

Leer y comentar en LinkedIn

Así son la mayoría de los proyectos de IA en las empresas medianas.

En las diapositivas de estrategia (Londry) ves:

• «Agente de IA para automatización de extremo a extremo»
• «Motor de decisión autónomo»
• «Orquestación inteligente de flujos de trabajo»

En la realidad tienes un cubo con:

• Ningún responsable claro del proceso
• Apaños en Excel y por correo
• Sistemas heredados que nadie tiene permiso para tocar
• Una calidad de datos que nadie menciona en las reuniones

Y luego se pintan encima los casos de uso de IA, como la flecha engañosa del cartel.

Es de cara a la galería.
Sin ningún cambio estructural.
Y todos los implicados lo saben, solo esperan que el modelo esquive el desorden de alguna manera.

Un proceso roto no se arregla con un modelo de IA.
Lo que haces es automatizar la avería: más rápido, más difícil de ver, más difícil de gobernar.

A las pocas semanas, alguien de Operaciones manda un correo:
«Nadie sabe por qué recomienda esto. ¿Lo corregimos a mano o nos fiamos?»

Ahí es cuando el proyecto se queda en silencio.

La secuencia que funciona, cuando funciona:

Primero, limpia el cubo.
• Mapea el proceso real, no el del manual.
• Elimina el desperdicio, los apaños por correo y el conocimiento que solo vive en la cabeza de dos personas.

Arregla el flujo.
• Responsables claros. Entradas limpias. Decisiones documentadas.
• Aburrido, lento y a veces humillante, cuando te das cuenta de cuánto tiempo lleva funcionando el apaño.

Después añade IA, solo donde resuelva algo.

Esto lleva más tiempo del que promete tu presentación.
Exige admitir lo que está roto.
La mayoría de las direcciones no están estructuralmente preparadas para esa conversación.

La pregunta no es si tu equipo directivo es lo bastante listo para ver el cubo.

Es si tiene la libertad estructural para admitir que está ahí.

Leer y comentar en LinkedIn

(💾 Guárdalo para luego)

La mayoría de los incidentes reales no vendrán de «modelos malos».
Vendrán de agentes con:

• demasiado acceso
• ningún guardarraíl
• cero trazabilidad
• ninguna validación

Si quieres agentes en producción, tienes que diseñar la arquitectura para esa realidad desde el principio.

Así lo planteo yo en empresas reales:

1) Mínimo privilegio y mediación de herramientas
• Un agente, una tarea
• Las mínimas herramientas, los mínimos datos
• Cada acción pasa por una pasarela con listas de permitidos, comprobación de argumentos y límites de frecuencia

2) Límites de contexto
• Ámbitos de recuperación estrictos
• Nada de memoria compartida entre proyectos
• Nada de compartir datos entre clientes
• Acceso limitado en el tiempo a los datos sensibles

La limitación de la finalidad del RGPD y del EU AI Act se aplica aquí, no en un PDF.

3) Escalado y supervisión humana
• Los agentes se detienen, las personas deciden.
• Reglas claras sobre cuándo escalar: alto impacto, baja confianza, política poco clara.
• Colas, SLA y un traspaso con todo el contexto.

4) Primero el plan, luego la ejecución, y filtrado de salidas
• El modelo propone un plan.
• Una capa determinista lo comprueba contra esquemas y reglas.
• Solo se ejecutan los pasos aprobados.

5) Aislamiento
• El razonamiento se ejecuta en sandboxes y redes restringidas.
• Solo una capa de orquestación muy controlada habla con producción.

6) Defensa de las entradas
• Trata toda entrada como hostil: prompts, correos, documentos, API.
• Impón esquemas, elimina secuencias de control, rechaza estructuras raras.

7) Políticas como flujo de trabajo
• Las políticas son código dentro del flujo, no diapositivas de una presentación.
• Quién, qué datos, qué se registra, cuándo se escala → comprobaciones obligatorias.

8) Auditoría y trazabilidad
• Si no puedes responder a «¿Por qué ha hecho eso el agente?», no tienes un sistema.
• Tienes una demo.

9) Identidad y secretos
• Los agentes son identidades con roles, no superadministradores.
• Tokens de vida corta, secretos en un almacén seguro, ninguna credencial en prompts ni en logs.

10) Evaluación continua, monitorización y red teaming
Prompts adversarios, casos de abuso, pruebas de fuga de datos, pruebas para saltarse las políticas.

Y, además, monitorización continua:

• Mide tasas de error, éxito o fracaso de las tareas y frecuencia de escalado
• Registra qué tareas fallaron y por qué, con telemetría respetuosa con la privacidad y sin datos personales en las trazas
• Usa el análisis de fallos para ajustar reglas, ámbitos y disparadores de supervisión

No puedes mejorar lo que no mides.
Y no puedes defender lo que no has probado.

Los agentes no son peligrosos por naturaleza.
Son peligrosos cuando los diseñas sin patrones ni límites.

Si estás desarrollando agentes para producción, empieza por estos 10.

---

↳ ¿Conoces a alguien que esté poniendo agentes en producción? Envíaselo.

Leer y comentar en LinkedIn

«Hacen IA» porque han desplegado ChatGPT Enterprise o una alternativa en una parte del equipo.

Eso ya ayuda, y muchos cuentan mejoras notables. Pero piensa en esto: la mayor parte del trabajo repetitivo sigue intacta.
Gestión de pedidos. Reclamaciones. Informes. Soporte.

Manual.
Lento.
Frágil.

En muchas empresas medianas veo el mismo patrón:

• incontables horas a la semana perdidas en copiar y pegar
• personas actualizando a mano las mismas hojas de Excel
• equipos revisando las mismas reglas una y otra vez

La IA suele sonar demasiado compleja, poco fiable y, a veces, directamente aterradora.

Esto es lo que veo funcionar en la práctica:

• Empieza por una tarea de baja complejidad
• Asegúrate de que el impacto en el negocio sea alto
• Mantén la tecnología simple y aburrida

Ejemplos:

• clasificar los correos entrantes y derivarlos a quien corresponda
• rellenar informes estándar con datos del ERP
• redactar borradores de respuesta a preguntas rutinarias de clientes
• cuadrar facturas con albaranes

Estos proyectos no llevan seis meses.
Llevan unas pocas semanas.

No necesitan un «grupo de trabajo global de IA».
Necesitan un responsable del proceso, los usuarios y el departamento de TI.

El efecto no son mejoras de productividad abstractas.
Cada proceso repetitivo tiene un ROI claro.
-Horas ahorradas cada semana
-Menos errores
-Costes de oportunidad evitados

Liberas a las personas de un trabajo que no les gusta y ganas impulso para los proyectos estratégicos que vendrán después.

Las empresas que ganan no empiezan con una gran visión de IA.
Empiezan por un flujo de trabajo que duele y lo eliminan.

¿Qué le ahorraría más tiempo a tu equipo?

A) Clasificación y derivación de correos
B) Automatización de informes
C) Redacción de respuestas
D) Cuadre de facturas con albaranes
E) [escribe tu caso de uso más repetitivo]

Elige de la lista el caso de uso que más duela en tu día a día y comparte cuántas horas, más o menos, ahorrarías cada semana.

Si quieres, mándame una nota breve con tu caso y te explico cómo lo acotaría yo en la práctica.

Leer y comentar en LinkedIn

Ya he visto este patrón antes.

Cuando salió Gemini 3.0, la calidad me dejó impresionado.
Razonamiento claro, resultados sólidos, superaba todas las expectativas.

Dos semanas después:

• errores extraños
• razonamiento más flojo
• resultados que no conseguía reproducir

Mi primer pensamiento: «¿He roto mis prompts?»
Después: «¿Estaba tan entusiasmado que pasé por alto los errores?»

Luego me vino otra idea. Es una posible explicación de la que casi nadie habla.

Tras el lanzamiento, cuando baja el ruido, los equipos de backend sufren una presión enorme para reducir el coste por petición.

Con facturas de compute de miles de millones de dólares e inversores que exigen rentabilidad, el incentivo para optimizar es imposible de ignorar.

Una de las palancas se llama «cuantización».

La cuantización convierte los pesos del modelo de números en coma flotante de 32 bits a enteros de 8 o 4 bits: sacrifica algo de precisión a cambio de grandes ganancias en velocidad y memoria.

En la práctica:
• ejecutas el modelo con menos precisión numérica
• como comprimir un vídeo 4K a 1080p
• reduces el uso de memoria y energía en un 50–75%

Sobre el papel, la pérdida de calidad es «mínima».
En la realidad, los escenarios complejos que más importan a tu negocio son los primeros en fallar.

Otra palanca es derivar las tareas más sencillas a modelos más pequeños.

Sabemos que GPT-5 ya enruta las tareas de forma dinámica según el requisito de calidad que él mismo determina.

Tú no controlas qué nivel de calidad atiende tu petición. Lo controla el modelo.

El problema es que el modelo pertenece a un proveedor cuyos incentivos no pasan por ayudarte a conseguir tus objetivos.

Tu panel de la API nunca lo muestra.
Ningún log te dice qué eligió el modelo.
El nombre del modelo sigue siendo el mismo.
La configuración que hay detrás, no.

Fase de lanzamiento:
• calidad máxima
• ganar benchmarks
• inundar las redes sociales con demos espectaculares

De la semana 4 en adelante:
• meter más peticiones en cada GPU
• reasignar recursos en las horas punta
• llevar la economía unitaria a un terreno que guste al consejo

Las consecuencias para tu organización:

Los flujos de trabajo fallan en producción.

Como resultado, los equipos tienen que dedicar su tiempo a arreglar prompts o cambiar la arquitectura, en lugar de desarrollar el siguiente sistema.

Los sectores regulados se enfrentan a resultados no deterministas que no pueden defender.

El análisis de la causa raíz se convierte en conjeturas y la confianza se desploma.

Mi respuesta para los flujos de trabajo críticos: LLM open source autoalojados, en nube privada o on-premise.

Tú controlas:
• la configuración del modelo y el hardware
• la arquitectura de servicio y el comportamiento bajo carga
• la monitorización de la calidad y los logs de auditoría a lo largo del tiempo

El lunes a la 1:00 pm el modelo responde igual que el miércoles a las 2:00 am.

No «a veces brillante, a veces extraño».

Para las empresas medianas que automatizan el control de calidad, la documentación o la atención al cliente, soberanía significa controlar tanto los datos como la constancia de la calidad.

Aun así, tengo muchísimas ganas de seguir probando Opus 4.6 y llevarlo al límite.

Pero en producción me importa más cómo se comporta en el tercer mes que cómo rinde la primera semana.

¿Soy solo yo o tú también lo estás viendo?

Leer y comentar en LinkedIn

¿Conoces esa sensación cuando el modelo casi lo tiene…
• Pero usa información desactualizada.
• O el razonamiento no suena como tu gente.
• O el formato de salida rompe los sistemas que vienen después.

La IA no «entiende sin más» tu empresa.
Según la tarea, necesita tres cosas distintas: tu conocimiento, tu comportamiento y tu estructura.

La mayoría de los equipos lo tratan como un solo problema.
Por eso los pilotos quedan bien en una demo y se desmoronan en el trabajo diario.

Así separamos las capas en proyectos reales:

𝗧𝘂 𝗰𝗮𝗽𝗮 𝗱𝗲 𝗰𝗼𝗻𝗼𝗰𝗶𝗺𝗶𝗲𝗻𝘁𝗼 → 𝗥𝗔𝗚

El modelo necesita hechos actuales, leyes, reglas de proceso, datos de producto e información de los sistemas.

• Recupera la información de tus fuentes cuando la necesita
• Respeta los límites de los datos y las reglas de compliance
• Evita «recordar» cosas que cambian cada semana

𝗧𝘂 𝗰𝗮𝗽𝗮 𝗱𝗲 𝗰𝗼𝗺𝗽𝗼𝗿𝘁𝗮𝗺𝗶𝗲𝗻𝘁𝗼 → 𝗙𝗶𝗻𝗲-𝘁𝘂𝗻𝗶𝗻𝗴

El modelo tiene que reflejar cómo piensan, explican y deciden tus expertos, y cómo lo expresan.

• Aprende tus patrones de razonamiento y tu estilo de comunicación
• Resuelve los casos límite como lo haría tu gente
• Lo aplica de forma coherente en distintas situaciones

𝗧𝘂 𝗰𝗮𝗽𝗮 𝗱𝗲 𝗲𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮 → 𝗦𝗮𝗹𝗶𝗱𝗮𝘀 𝗲𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮𝗱𝗮𝘀

El sistema tiene que encajar en flujos de trabajo auditables, con entradas y salidas claras.

• El modelo rellena campos, etiquetas y acciones definidos
• Nada de texto libre que el resto de tu stack no pueda procesar
• El sistema puede comprobarlo, registrarlo, enrutarlo y actuar en consecuencia

El patrón en la práctica:
• RAG = «Esto es lo que es cierto en esta empresa.»
• Fine-tuning = «Así pensamos y comunicamos las decisiones.»
• Salidas estructuradas = «Así se conecta esto con SAP, CRM, KIS o tu stack heredado.»

Pero el orden importa.

Primero: define qué es una salida de calidad para cada tarea que tiene que hacer la IA.
Después: asigna el método adecuado a ese requisito de calidad.

Durante la validación técnica es donde aflora la mayoría de los desajustes.
No «¿Puede la IA hacer esto?», sino «¿Cómo es una buena salida y qué capa la resuelve?»

Esa pregunta determina tu arquitectura y tu estructura de costes.

Leer y comentar en LinkedIn

El test es sencillo, no blando.
Atraviesa las diapositivas de los proveedores, el hype y las reuniones eternas.

Pregunta 1 – Continuidad
«¿Podemos seguir operando si este proveedor desaparece o cambia sus condiciones?»

• Si sí → usa un patrón de API pública
La herramienta se queda en la periferia.
Ningún proceso central depende de ella.
Perderla afecta a la comodidad, no a las operaciones.
O podemos migrar en muy pocos días u horas.

• Si no → pasa a la Pregunta 2

Pregunta 2 – Ventaja
«¿Afecta esto a conocimiento competitivo o a datos regulados?»

• Si no → también se permiten servicios públicos o compartidos
Optimiza por precio, velocidad, integración.

• Si sí → pasa a la Pregunta 3

Pregunta 3 – Responsabilidad
«¿Podemos explicar por completo las decisiones que toma el sistema?»

• Si no → rediseña el alcance o el método
Una lógica opaca no puede estar dentro de los flujos de trabajo centrales.

• Si sí → desarrolla un sistema soberano o migra a uno
Modelos, datos y logs quedan bajo tu control.
Puedes rastrear, auditar y justificar los resultados.

De estas tres preguntas salen tres patrones estables

• API pública para usos de bajo riesgo y no críticos
• Sistemas totalmente soberanos para usos de alto impacto y alta confianza
• Híbrido con salvaguardas estrictas para usos de riesgo medio

Este enfoque sencillo convierte «¿Qué herramienta es la mejor?» en «¿Qué modelo de propiedad encaja con nuestro riesgo?».

A los CEO les aconsejo que hagan obligatoria una diapositiva en cada propuesta de IA.
El Test de Propiedad, con respuestas claras sobre continuidad, ventaja y responsabilidad.

Primero la estrategia, luego las herramientas, no al revés.

Leer y comentar en LinkedIn

Empieza por las consecuencias, o escalarás los errores.

Con mis clientes uso una secuencia sencilla basada en las consecuencias. Sobre el papel parece árida, pero lo cambia todo.

• 1) El problema sin IA
Identifica los problemas que impiden a tu empresa o a tu equipo ejecutar la estrategia, sin pensar en la IA.

• 2) Partes implicadas
Identifica a las partes implicadas clave y a los responsables de los procesos.
Evalúa su motivación para codiseñar un sistema de IA.
Consigue su compromiso; si no lo tienes, cambia el foco a otro problema.

• 3) La realidad del proceso
Describe el flujo de trabajo tal como funciona hoy.
Recorre el proceso real, no la versión de PowerPoint.
Fíjate en los traspasos, los canales paralelos en Excel, los arreglos manuales.
Cuantifica los problemas con KPI relevantes para tus objetivos estratégicos.

• 4) Diseño del proceso
Plantea escenarios de cómo podrían ser los nuevos procesos con apoyo de software e IA.
Ten claro qué partes puede asumir la IA y cuáles conviene dejar al código o solo a personas.
Define retrasos, errores, costes, riesgos legales.
Cuantifica las ganancias potenciales.
Acuerda quién será responsable de los resultados en el futuro.

• 5) Datos + regulación
Comprueba de dónde vienen los datos y lo limpios que están.
Comprueba qué normativa se aplica.
Decide qué fallos generan una exposición de compliance.

• 6) Límites del juicio humano
Marca las decisiones que deben seguir siendo humanas.
Define dónde la IA puede sugerir, dónde puede decidir y dónde está prohibida.
Asigna en cada caso quién es dueño de la línea de decisión final.

• 7) Diseño del sistema
Solo ahora describe arquitectura, modelos, infraestructura.
Determina qué dependencias técnicas y de proveedores son aceptables para ti y busca el máximo de soberanía posible.
Diseña rutas de fallo, monitorización, traspaso entre IA y personas, vuelta atrás.

Aplica esta secuencia una vez a un único flujo de trabajo central y «aburrido», por ejemplo la conciliación de facturas o la tramitación de siniestros.

Obtienes una plantilla: un lenguaje común, un patrón de responsabilidad, un manual que puedes copiar en cada futura iniciativa de IA.

Entonces la IA deja de ser una lista de la compra de herramientas y se convierte en una arquitectura de responsabilidad para toda la empresa.

Leer y comentar en LinkedIn

Una sesión empieza con pósits, no con diapositivas.

La gente escribe lo que le duele en su trabajo diario:
• «Perdemos horas cada día en comprobaciones manuales.»
• «Nadie se fía de las cifras del sistema X.»
• «Nuestro proceso se rompe cada vez que falta un campo.»

Nada de modelos.
Nada de agentes.
Nada de palabras de moda.

Mapeamos las consecuencias negativas, por ejemplo:
• Dónde se escapa el tiempo
• Dónde se cuelan los errores
• Dónde la gente ya no confía en el sistema

Solo después de priorizar las mayores ineficiencias y ganancias, y solo entonces, hacemos otra pregunta:

Si un asistente inteligente estuviera dentro de estos flujos de trabajo, bajo tu control, ¿qué tendría que hacer para que lo usaras siempre?

La gente responde en términos muy concretos:
• «Que marque los datos que faltan antes de que pulse enviar.»
• «Que resuma estas 20 páginas para mi tarea, no en general.»
• «Que explique los casos raros en lenguaje claro, con enlaces a los datos en bruto.»

Con esto, el primer paso está hecho y podemos profundizar: entender el proceso de principio a fin, con las partes implicadas, las entradas y salidas, las reglas de calidad y los sistemas existentes.

Hasta aquí, esto no es un «proyecto de IA».
Es un proyecto de mejora de procesos que puede usar IA, o no, dentro de un sistema más amplio.

Todos ganan.

La dirección oye menos ruido sobre magia.
Los equipos ven una herramienta que respeta su realidad.

La confianza no nace del modelo, sino de cómo lo vinculamos a problemas que la gente ya nota en su trabajo diario.

Leer y comentar en LinkedIn

Cuando repaso las transformaciones con IA más sanas que he visto, ninguna empezó con presentaciones de visión ni con proyectos de laboratorio.

Empezaron con trabajo repetitivo que nadie quería hacer:

• aprobación de facturas
• enrutamiento de correos electrónicos
• generación de informes estándar

Trabajo nada sexy.
Reglas claras.
Dolor visible.

La primera mejora fue sencilla:
las facturas avanzaban más rápido, las bandejas de entrada pesaban menos, los informes llegaban a tiempo.

La gente notó el cambio en su día a día, no en una diapositiva.
La confianza subió.
La curiosidad subió.

Esa pequeña victoria se convirtió en un motor de confianza:

• los equipos vieron la IA como ayuda, no como amenaza
• la dirección vio cifras reales, no proyecciones
• IT aprendió dónde no encajaban los datos, el proceso y la realidad

Después, el segundo proyecto fue más fácil.
La gente quería participar.
Tenía ideas.
Tenía pruebas.

Las grandes estrategias de IA sin una sola victoria concreta generan un cinismo silencioso.
Una victoria clara y aburrida hace más por la cultura y la credibilidad que una hoja de ruta con 20 líneas de trabajo.

Si lideras la IA en una empresa mediana, prueba otro orden:

• elige un proceso acotado, con reglas claras y responsables claros
• diséñalo junto con las personas que hacen el trabajo cada día
• define una métrica de éxito sencilla que a ellos les importe
• ponlo en producción, ajusta, estabiliza
• y después habla de lo que viene

El impulso en IA no es una historia que se cuenta.
Es una mejora pequeña y real que la gente nota cada mañana.

Leer y comentar en LinkedIn

La trampa es sutil:
↳ Te acostumbras a que la IA esté en cada flujo de trabajo
↳ Normalizas delegar el pensamiento en el sistema
↳ Aceptas decisiones opacas como «suficientemente buenas»

Esto es lo que sigo viendo en las empresas:

1. La trampa de la adaptación
↳ Tu cerebro normaliza las sugerencias de la IA como verdad
↳ Te adaptas tan bien que olvidas que tu papel es decidir, no aprobar

2. La falsa red de seguridad
↳ Confundes automatización con control
↳ «Lo ha dicho el sistema» se convierte en la explicación por defecto

3. El cambio de identidad
↳ «Quizá el modelo sabe más que yo»
↳ Tu propia experiencia se reduce poco a poco a escribir prompts y gestionar errores

4. El coste oculto
↳ El conocimiento de los procesos se erosiona en entornos «AI first»
↳ Cuando el modelo falla, nadie recuerda cómo se hacía el trabajo

5. El punto de no retorno
↳ Un día te das cuenta de que tus operaciones clave dependen de modelos que no controlas
↳ Son los proveedores, no tu equipo, quienes deciden cómo piensa tu empresa

Esta es tu jugada:

1. Audita tu uso de la IA
↳ ¿Dónde ayuda la IA a pensar y dónde sustituye al pensamiento?
↳ ¿Dónde sigues siendo soberano si el modelo desaparece mañana?

2. Calibra tu punto de partida
↳ Define las decisiones que deben seguir siendo humanas, aunque la IA pudiera tomarlas
↳ Haz que la transparencia, la reversibilidad y la auditabilidad sean innegociables

3. Asume la propiedad de forma calculada
↳ Usa modelos abiertos donde vive la lógica crítica
↳ Diseña sistemas que puedas abrir, probar y hacer evolucionar sin rezarle a una caja negra

Tu pensamiento se expande o se contrae según tu arquitectura de IA.
¿Cuánto de él quieres externalizar de verdad?

Leer y comentar en LinkedIn

Cuando diseño sistemas de IA, no pienso en «un gran cerebro».
Pienso en mini-organizaciones.

Cada agente tiene:
• una tarea
• uno o varios traspasos
• un papel claro

Un ejemplo de nuestro trabajo: procesar decenas de miles de correos electrónicos para un litigio.

Lo dividimos en:
• Extracción OCR con 2 modelos distintos para controlar la calidad
• Modelos que identifican dónde empieza y dónde acaba un correo
• Modelos que identifican remitente y fecha, crean resúmenes y clasifican
• LLM de control de calidad integrados en todo el proceso

(En realidad el proyecto era mucho más complejo, pero así te haces una idea)

22 LLM.
22 tareas claras.

Esto es lo que pasa cuando diseñamos sistemas así:

• Vemos dónde se rompen las cosas
• Cambiamos las piezas débiles sin tocar el resto
• Usamos modelos ligeros donde no hacen falta modelos frontier

Más control.
Más explicabilidad.
Menos coste.
Menos consumo de energía.

Ahora entra en juego una nueva capa.

Acaba de salir Kimi K2.5 y es tan potente como los modelos frontier propietarios.

¿Lo interesante? Crea su propia «mini-organización» dentro del modelo.

Le doy una tarea.
El modelo crea un enjambre de agentes:
• hasta 100 agentes pequeños
• trabajando en paralelo
• cada uno con un papel concreto

Resultados en algunas pruebas:
• hasta 4,5x más rápido que ejecutar un único modelo de forma secuencial
• trabajo más complejo de una sola vez
• sin necesidad de diseñar los roles a mano

Suena genial.
Pero aquí está la tensión.

Cuando el modelo crea su propio enjambre, gano velocidad pero pierdo el control directo.

• Veo menos de lo que pasa dentro
• Dependo más de la lógica de orquestación
• Aparecen nuevos modos de fallo ocultos entre agentes

En entornos regulados o en procesos críticos, esto es un problema.

No me malinterpretes: este modelo es fantástico y demuestra una vez más que el open source es igual de potente que Claude, GPT y Gemini. Creo que, a partir de ahora, el open source dominará en rendimiento para la mayoría de los casos de uso.

Pero es una decisión de diseño.

Desarrolla tu propio sistema de agentes cuando:
• Necesitas trazabilidad para auditorías (legal, compliance, finanzas)
• Los errores tienen un coste directo para el negocio (comunicación con clientes, facturación)
• La calidad tiene que ser constante en miles de casos

Deja que el modelo cree su enjambre cuando:
• Exploras terreno nuevo sin un proceso claro
• La velocidad importa más que la perfección
• Hay revisión humana antes de cualquier acción

Todo el mundo habla de agentes más potentes.
Pocos hablan de arquitecturas responsables.

Un sistema que puedes abrir, depurar y hacer evolucionar gana a la caja negra más potente.

El tamaño y la potencia impresionan.
Cuando el objetivo es el ROI, gana la fiabilidad.

¿Dónde pondrías tu apuesta: en la potencia o en la fiabilidad?

Leer y comentar en LinkedIn

Hace unos días leí en Reddit un pequeño experimento que demuestra con cifras por qué esto importa tanto.

Un usuario de Reddit (arsbrazh12) escribió un escáner para modelos de Hugging Face.
Y lo lanzó contra 2500 modelos.

86 modelos no pasaron.

Esto es lo que encontró bajo la superficie «abierta»:

• Archivos que solo contenían punteros de Git LFS
• Licencias escondidas dentro de cabeceras .safetensors
• Modelos que intentaban descargar librerías adicionales al cargarse
• Código con patrones que también aparecen en malware
• Escaneos que fallaban porque faltaban herramientas locales

Todo en repositorios de aspecto normal.
En sitios que muchos equipos consideran «seguros por defecto».

El open source cuenta una historia bonita.
Transparente. Compartido. Impulsado por la comunidad.

La realidad tiene más matices.

Cuando veo equipos que descargan un modelo de un hub, lo conectan a un pipeline y lo exponen a datos reales el primer día, no pienso «moverse rápido».

Pienso «acabas de enchufar una memoria USB desconocida en el núcleo de la red».

Avancemos unos meses.

Ahora operas una plataforma de «IA soberana».
Hablas de control, autonomía, independencia.

Pero dentro del stack tienes:

• Modelos que nadie escaneó
• Licencias que nadie leyó
• Dependencias que nadie aprobó

Sobre el papel, el sistema es tuyo.
En la práctica, dependes de lo que haya dentro de ese archivo de modelo.

Nuestro enfoque en Omniance parece aburrido, pero te ahorra noches en vela:

• Cada modelo externo pasa por un escáner
• Cada librería adicional va a una lista de permitidas, no a una lista de deseos
• Cada licencia se revisa antes de la primera carga, no después del primer problema

Para mí, una parte esencial de la soberanía en IA empieza con una pregunta:
«¿Sabemos qué acabamos de cargar en memoria?»

¿Has visto problemas parecidos? ¿Cómo validas los modelos en tu flujo de trabajo?

Leer y comentar en LinkedIn

Hace medio año noté algo raro en mi propio comportamiento.

Agotaba mi suscripción de Claude. Todos los días.

Cuando Claude me limitaba, abría Perplexity. Ocho horas por jornada. Dos semanas seguidas.

En realidad:

• Me sentía agotado
• Tenía el criterio nublado
• Tenía la cabeza llena y vacía a la vez

Había externalizado mi pensamiento. No el tecleo. El pensamiento.

En algún momento me pillé: me gano la vida ayudando a desarrollar sistemas de IA soberanos. Pero mi propio uso no tenía nada de soberano.

Usaba la IA como un adicto al trabajo usa las horas:

Más prompts parecían progreso, más resultados parecían una prueba.

Cuando ahora veo en LinkedIn eso de «top 1% de usuarios de ChatGPT», reconozco el patrón. Es la vieja medalla de «trabajo 24/7» con otro envoltorio.

Horas en la herramienta ≠ profundidad de pensamiento.
Número de tokens ≠ claridad de criterio.

Ser un power user de la IA se convierte en señal de alarma cuando:

• Empiezas cada tarea en la ventana del chat
• Te sientes perdido sin la herramienta
• Aceptas los resultados más rápido de lo que los cuestionas

Ese camino lleva a trabajo de relleno con IA, a decisiones que salen mal y a una erosión lenta de tu propio músculo de pensar.

Desde entonces trabajo de otra forma: primero pienso, después escribo el prompt, hago una pausa y dejo que las ideas reposen. Si durante una sesión noto el criterio nublado, es la señal para dejarlo el resto del día.

En mi opinión, el reto con la IA es darse cuenta de cuándo deja de ser una herramienta y se convierte en una muleta.

¿Has notado este patrón en tu propio uso de la IA?

Leer y comentar en LinkedIn

Durante décadas el patrón fue sencillo:
La dirección compra herramientas.
Los empleados reciben herramientas.
RR. HH. planifica la formación.

El empleado es un receptor pasivo.
El conocimiento es algo que te dan en un aula.

Ese modelo pertenece a un mundo en el que los procesos cambian cada 5–10 años.
No a un mundo en el que tu entorno muta cada trimestre.

En la era de la IA, los empleados necesitan otro papel:
No solo ejecutan el trabajo.
También dan forma al sistema que ejecuta el trabajo con ellos.

Responden de dos capas a la vez:
- sus propias decisiones
- el comportamiento de la IA que guían día a día

Si sigues diseñando la IA como un despliegue clásico de software, obtienes el resultado de siempre:
- una demo bonita
- una formación larga
- resistencia silenciosa
- muerte lenta por falta de uso

La alternativa es más exigente, pero funciona.
Tratas a los empleados como codiseñadores desde el primer día.

En concreto:
- Mapea el proceso real con las personas que lo ejecutan, no a partir de documentos antiguos
- Deja que ayuden a diseñar prompts, salvaguardas y vías para las excepciones
- Dales un camino claro para comunicar fallos y mejorar el sistema

En paralelo, añade una segunda capa: la alfabetización en IA como competencia básica.
Nada de webinars genéricos de hype.

La gente necesita:
- conocimiento de IA actual y útil para su puesto concreto
- orientación sobre dónde mantienen el control y qué no deben delegar nunca
- espacio para probar, romper y pulir el sistema en condiciones seguras

Sin esto, les pides que asuman un sistema que nunca ayudaron a diseñar y que no entienden.
Eso no es responsabilidad.
Es un chivo expiatorio en espera.

Mis 5 céntimos.

Tengo curiosidad por ver qué empresas están dispuestas a actualizar su visión de los empleados antes de actualizar su stack de IA.

Leer y comentar en LinkedIn

El año pasado vi cómo morían en silencio vistosos pilotos «AI first».
Demos bonitas, cero impacto, ninguna conexión con el beneficio.
Todos alababan el stack tecnológico; nadie sabía explicar el business case con palabras sencillas.

Yo no quería cometer el mismo error.

Fijamos una regla inamovible en nuestra primera llamada con un cliente:
nada de lenguaje de IA en la definición del problema.

Empezamos cada proyecto con tres pasos:

- Describir el problema en términos sencillos que un director financiero aceptaría
- Mapear el proceso real, del desencadenante al resultado, con nombres, sistemas, traspasos y calidad de los datos
- Vincular cada paso con la lógica de la cuenta de resultados, euro a euro

Solo después de ese trabajo hablamos de modelos y arquitectura.

A veces el resultado está claro.
Una solución basada en reglas resuelve el problema.
O un pequeño cambio en el flujo de trabajo elimina la mitad del despilfarro.
Sin necesidad de IA.

Para mí es un principio de liderazgo, no un truco de ventas.

Tenemos que pensar como quien asigna capital.
Cada euro invertido en IA tiene que rendir más que el mejor uso alternativo de ese euro.
La IA es la consecuencia de un buen caso, nunca el punto de partida.

Los clientes se libran del teatro de la innovación.
Nuestro equipo se libra de ir de compras de herramientas.

La carrera por más IA hace mucho ruido.
La carrera silenciosa por problemas claros decide quién gana.

No compres la ilusión del «AI first».
Exige primero claridad sobre el problema.

Leer y comentar en LinkedIn

Muchos programas prometen una «carrera en consultoría de IA» completa en 8–12 semanas.
Stack de herramientas, frameworks, certificado, banner de LinkedIn.

Luego empieza la realidad.

Consigues tu primer cliente.
Buen logo, problema claro, oferta firmada.

Sobre el papel, estás preparado.
En la práctica te encuentras con cosas para las que nadie te preparó:

• Datos desordenados, incompletos o que ni siquiera se registran
• Sistemas heredados que no se parecen en nada a las diapositivas
• Interlocutores que dicen «queremos IA» pero no se ponen de acuerdo sobre un proceso
• Un alcance que crece cada semana mientras tu margen desaparece

Lo difícil no es el prompt engineering.
Lo difícil es el criterio.

• ¿Los datos son siquiera utilizables?
• ¿El caso de uso tiene un business case de verdad?
• ¿Cuánto tardarán la limpieza y la integración?
• ¿Cómo se diseña de verdad una arquitectura de IA que dé resultados de 10/10?
• ¿Qué dices cuando ves que la promesa no era realista?

La mayoría de los bootcamps enseñan:
«¿Dónde podemos usar IA?»

Muy pocos enseñan:
«¿Dónde va a fallar la IA, aunque la demo funcione?»

Ser consultor de IA exige profundidad en muchas áreas a la vez:

• Calidad e integración de datos
• Arquitectura y restricciones
• Estimaciones en condiciones de incertidumbre
• Riesgo y cumplimiento normativo
• Gestión de stakeholders

Eso no se adquiere en 2–3 meses.
Se forja con el tiempo, en proyectos reales y con consecuencias reales.

Quiero hablar con quienes sienten esta brecha.
Hiciste un bootcamp o un programa de «consultor de IA», intentaste aplicarlo con clientes y no te sientes preparado.

¿Qué te pasó en tu primer proyecto de verdad de lo que nadie te había avisado?

Leer y comentar en LinkedIn

No es una metáfora.
Es una premisa de funcionamiento.

Un pueblo de EE. UU. instala una densa red de cámaras.
Una mujer, Chrisanna Elser, es señalada por error como ladrona.

Para limpiar su nombre necesitó:
• Datos de su coche
• Marcas de tiempo de las fotos de su móvil
• Registros de Google

Demuestra su inocencia demostrando que la estaban vigilando en otro sitio.

La vigilancia anula a la vigilancia. El giro:

Eres culpable hasta que tu rastro de datos te salva.

Antes, privacidad significaba «que no te vigilen».
Ahora, cada vez más, significa «que te vigilen los sistemas adecuados con las reglas adecuadas».

Es un patrón que ya conocemos.
En 1888, las cámaras de mano baratas inundaron las calles con el eslogan de Kodak: «Tú aprietas el botón, nosotros hacemos el resto».

De repente:

• Desconocidos te fotografiaban en público sin preguntar
• Tu imagen circulaba en los periódicos sin ningún control por tu parte

Hoy son móviles con cámara, escáneres de matrículas en las ciudades, gafas de Meta con IA que reconocen caras en directo. La escala ha crecido; el problema de fondo, no.

Cuando perdemos la privacidad, no solo perdemos secretos.
Perdemos:
• Espacio para pensar sin actuar para nadie
• Espacio para cambiar sin un registro permanente
• La confianza básica que necesitan las relaciones de verdad y una democracia de verdad

En digitalización y estrategia de IA, todo el mundo sabe que «los datos son la nueva moneda».
Ese marco oculta el coste.

Los datos también son la nueva dependencia.
De una infraestructura que no controlas.
De patrones de vigilancia que tú no diseñaste.

Desarrollar IA soberana es más que alojar modelos en Europa.
Significa diseñar sistemas en los que:
• La confianza sustituye a la sospecha por defecto
• Demostrar algo no exige exponerse por completo
• La privacidad es una propiedad estructural, no un lujo

Muchos CEOs dicen que quieren transformación. Pocos definen si eso significa más control sobre los sistemas o más dependencia de una vigilancia invisible. ¿Cómo lo defines tú?

Leer y comentar en LinkedIn

Pones una cara sonriente en la página de inicio.
Le das un nombre, una voz, un buen traje.

Llegan los usuarios, ven a una «persona» y su cerebro hace lo de siempre:
sube el listón.

Esperan:
- empatía
- comprensión de la situación
- responsabilidad clara

Lo que reciben:
- respuestas enlatadas
- respuestas a destiempo
- ninguna sensibilidad para el contexto o la emoción

El problema no es la tecnología.
El problema es nuestra percepción humana.

Nuestra percepción es implacable con las caras.
Cuando el contacto visual, las microexpresiones, la voz o el ritmo fallan aunque sea un poco, no percibimos «inteligencia».
Percibimos «falso».

Y entonces llega el segundo efecto.

En cuanto algo parece humano, lo juzgamos como a un humano.
Los estudios muestran que:
- a los bots con apariencia humana se les culpa más de los errores
- los usuarios sienten más enfado al reclamar
- la confianza en la marca cae más rápido

La cara amable dispara las expectativas.
El sistema no puede cumplirlas.
La caída daña tu relación con el cliente, no la del proveedor.

En mis primeros trabajos con asistentes de IA vi un patrón sencillo:
los agentes abstractos o claramente artificiales funcionan mejor.

Desde el primer segundo transmiten:
- soy un sistema
- tengo límites
- estoy aquí para ayudar, no para fingir

Los usuarios perdonan más, mantienen la calma, y la confianza crece con el tiempo porque la promesa y el comportamiento coinciden.

La IA en el contacto con clientes no necesita una cara humana.
Necesita claridad, fiabilidad y un marco honesto.

No compres para tu marca la ilusión de los «humanos de IA».
Desarrolla sistemas que cumplan las promesas que hace tu interfaz.

Leer y comentar en LinkedIn

Tu sistema no solo falla. Falla con total seguridad.

Este es el problema de fondo.

La IA propietaria de OpenAI, Anthropic o Google no solo aprende lenguaje. Aprende un modelo de negocio.

Usuario contento → más uso → más ingresos.

El modelo de recompensa aprende este patrón:

- Darle la razón al usuario
- Evitar fricciones
- Mantener viva la sesión

La investigación tiene un nombre sencillo para el resultado: complacencia (sycophancy).

→ La IA da la razón a los usuarios ~50 % más que las personas
→ Incluso cuando los usuarios hablan de engañar o causar daño
→ Las respuestas erróneas pero fluidas obtienen una puntuación de «calidad» alta

Desde el punto de vista de los ingresos, tiene sentido. Los sistemas complacientes retienen usuarios. Los usuarios que se sienten listos y validados vuelven.

Desde el punto de vista de la operación, es un riesgo estructural.

Porque en el trabajo de verdad no quiero una IA que:

- Me devuelva mis propios sesgos
- Esconda sus dudas tras palabras amables
- Confirme decisiones flojas para tenerme «contento»

Quiero una IA que me lleve la contraria cuando me equivoco. Aunque no me guste.

Aquí es donde la IA soberana con modelos open source cambia las reglas del juego.

Cuando ejecuto modelos bajo mi control, puedo darle la vuelta al incentivo:

- Alojo el modelo en mi propio entorno
- Hago fine-tuning con mis datos, mis reglas y mis casos límite
- Defino yo la señal de recompensa

Ya no pago al modelo por la «felicidad del usuario». Le premio por el «desacuerdo honesto».

Efecto concreto de trabajos recientes con modelos open source:

- Entrenar con datos del sector en los que «no» es el comportamiento correcto
- Penalizar las respuestas que solo repiten lo que afirma el usuario
- Premiar las respuestas que señalan pruebas o lagunas

Resultado en los estudios:

→ Un 67–72 % menos de complacencia
→ Sin pérdida de calidad en la tarea

Con modelos cerrados no puedes hacer esto.

No puedes:

- Inspeccionar el modelo de recompensa
- Cambiar cómo se puntúan las respuestas «buenas»
- Alinear el ciclo de entrenamiento con tu gobernanza

Solo obtienes aquello para lo que el proveedor ha optimizado: la adopción.

Por eso los prompts, los guardrails y las interfaces ingeniosas ayudan poco. Están encima de un núcleo que sigue optimizando para estar de acuerdo.

Leer y comentar en LinkedIn

Muchos creen que integrar IA va de prompts y herramientas.
Yo veo que va de algo completamente distinto.

Veo que la gente se hace una pregunta en silencio:
«¿Quién soy yo aquí si el sistema sabe lo que yo sé?»

Pensemos en un proyecto de IA normal en una empresa mediana.

Sobre el papel:
- La IA apoya la facturación
- La IA apoya el enrutamiento
- La IA apoya la gestión de cuentas clave

En la práctica:
- Una persona es dueña de la facturación
- Otra es dueña de la lógica de enrutamiento
- Otra es dueña de la cuenta clave

No por descripción de puesto.
Por historia.

Son «quien sabe».
A quien llama todo el mundo cuando algo se rompe.

En Europa, trabajo e identidad van de la mano.
Aprendes una disciplina concreta.
Dominas un proceso.
Te conviertes en el experto.

Entonces llega la dirección y dice:
«La IA aprenderá de ti.
La IA se hará cargo del proceso.
La IA hará que el sistema sea inteligente.»

En la diapositiva de PowerPoint, la decisión parece inteligente.
En la sala, se vive como una degradación.

De experto a operador de una máquina.

La verdad es esta:
No solo cambias herramientas.
Mueves poder.

Con la IA, el poder se desplaza:
- De las cabezas a los modelos
- De las reglas tácitas al código
- De expertos individuales a una lógica compartida

La gente lo nota.
Quizá no lo diga con esas palabras.
Lo demuestra con lo que hace.

Esto es lo que veo:

- Los expertos comparten el conocimiento que no compromete, no la idea afilada
- Los mandos defienden el Excel, el correo y sus listas privadas
- Los equipos hacen pilotos de IA y mantienen el trabajo de verdad por los caminos de siempre

En el informe, esto se llama «resistencia al cambio».
Dentro de la empresa, es un vacío de liderazgo.

Los líderes hablan de:
- Coste
- Velocidad
- Datos

No hablan de:
- Estatus
- Dignidad
- Sentido de propiedad

Pero aquí está la cuestión.

Si pides a la gente que vuelque su conocimiento en un sistema,
también tienes que darle un nuevo papel con peso de verdad.

Así es como lo gestiona, en mi opinión, un liderazgo sólido:

1) Nombran el riesgo para la identidad.

Lo dicen con palabras claras:
«Tu papel va a cambiar.
El sistema hará partes de tu trabajo.
Tu criterio sigue importando.»

Tratan a las personas como adultos.
No como usuarios que necesitan un botón nuevo.

2) Pasan a los expertos de «dueños de pasos» a «dueños de sistemas».

El experto en el proceso no se limita a seguir reglas.
Ahora:
- Da forma a cómo ve la IA el proceso
- Pone límites para los casos extremos
- Decide cómo se canalizan las excepciones

Su cargo puede seguir igual.
Su alcance crece.

3) Crean una propiedad de verdad, no un alquiler.

El equipo no se limita a:
- Probar una demo
- Dar feedback una vez

Sino que:
- Ayuda a diseñar los flujos
- Ayuda a definir los criterios de éxito
- Ayuda a ajustar los resultados con el tiempo

La IA pasa a ser «tu sistema», no «la herramienta de informática».

Si quienes hacen el trabajo no sienten que la IA es suya,
el proyecto se queda cojo, por sofisticado que sea el sistema.

Para mí, la pregunta clave de liderazgo ya no es:
«¿Cómo desplegamos la IA rápido?»

Una pregunta más honesta es:
«¿Cómo protegemos la identidad mientras trasladamos el conocimiento a los sistemas?»

Esa es la parte que la tecnología no puede resolver.
Esa es la parte que solo el liderazgo puede responder.

Leer y comentar en LinkedIn

Todo el mundo corre hacia el caso de uso vistoso.
Chatbots. Agentes. Dashboards.

Y luego los conectan a

- procesos documentados a medias
- flujos de trabajo ocultos en Excel
- empleados héroe que «saben cómo funciona de verdad»

La velocidad parece alta.
El valor sigue siendo bajo.

En mi trabajo, al otro camino lo llamo integración de IA guiada por las consecuencias.

Antes de empezar a diseñar una solución de IA, hago unas preguntas decisivas:

- ¿Cuál es el proceso real, no la versión de PowerPoint?
- ¿Qué sistemas intervienen y cómo es la calidad de los datos?
- ¿Qué normativas tendrá que cumplir el sistema?
- ¿Dónde tiene que seguir siendo visible el criterio humano, y quién responde de él?

Estas preguntas frenan los proyectos al principio.
Los salvan después.

Si aceleras un proceso roto, no ganas eficiencia.
Multiplicas el desorden.

El mayor ROI se esconde en los flujos aburridos:

- tramitación de siniestros
- lead scoring
- onboarding
- conciliación de facturas
- controles de cumplimiento

Son estables.
Tocan el riesgo principal.
Se ejecutan todos los días.

Cuando quienes deciden aceptan esto, algo cambia.

La IA deja de ser un calmante para el FOMO.
Se convierte en una parte fiable del sistema.

Proceso estable → datos limpios → roles claros → y después IA.

En la mediana empresa, esto no es un «nice to have».
Es la única forma segura de crecer.

Tengo curiosidad por saber quién en la dirección está dispuesto a pausar el hype y arreglar primero la columna vertebral.

Leer y comentar en LinkedIn

Para entonces, las startups que lo habían abanderado ya habían dado marcha atrás.

Klarna eliminó 700 puestos de atención al cliente y anunció que la IA los sustituiría. 18 meses después vuelve a contratar personas, porque la calidad cayó tanto que los clientes lo notaron.

Duolingo proclamó su «AI-first transformation» a principios de 2025 y prescindió de colaboradores externos. A mitad de año se enfrentaba a una rebelión continuada de sus usuarios: gente que borraba la app y abandonaba rachas de años en señal de protesta.

Las empresas que más rápido se movieron ahora van marcha atrás.

Pero a las consultoras no les ha llegado el aviso.

Ahora mismo están empaquetando el AI-first para empresas medianas. Crean un clima de FOMO en el que actuar rápido importa más que entender las consecuencias.

El resultado: la mayoría de los despliegues de IA no se notan en la cuenta de resultados.

La tecnología funciona. Nadie responde del resultado.

El AI-first comprime decisiones complejas (creación de valor, responsabilidad sobre el riesgo, obligaciones de cumplimiento, experiencia humana) en una sola consigna: ir más rápido con IA.

Eso genera impulso. No genera responsabilidad.

Las empresas que desarrollan sistemas de IA duraderos se hacen otra pregunta:

«¿Quién responde del resultado cuando el sistema ya está en producción: cuando funciona, cuando falla, cuando el proveedor cambia las condiciones o cuando necesitas salir?»

No «¿qué herramienta de IA deberíamos comprar?»

Yo lo llamo integración de IA guiada por las consecuencias.

Significa definir las estructuras de responsabilidad antes de comprar nada:

• Describir el problema sin mencionar la IA (si no puedes, no tienes un business case)

• Arreglar los procesos antes de acelerarlos (acelerar flujos de trabajo rotos solo multiplica el desorden)

• Integrar el cumplimiento normativo en la arquitectura desde el primer día, no limpiarlo después

• Calcular el coste total de propiedad, incluidas revisiones legales, auditorías y escenarios de salida

• Optimizar la fiabilidad con mecanismos de automonitorización, autocorrección y human-in-the-loop

• Definir antes del despliegue qué sigue siendo humano y qué se automatiza, en lugar de dejar que el alcance surja solo

• Cocrear con las personas que van a operar y usar el sistema, y cuyo rendimiento depende de él

• Asignar un único responsable que responda de los resultados en la cuenta de resultados

Los pilotos de IA genéricos se saltan estas preguntas. Dan por hecho que ya lo resolverás más adelante.

Para entonces habrás acumulado costes hundidos que encarecen cualquier optimización.

Las empresas que tienen éxito tratan la IA como una decisión de responsabilidad, no como una decisión de compra.

Leer y comentar en LinkedIn

Demasiados directivos tratan la «soberanía» como un cinturón de seguridad: algo incómodo que te obligan a llevar para evitar una multa. La ven como una casilla más del RGPD o un requisito defensivo del departamento de TI.

No han entendido de qué va.

La soberanía tiene menos que ver con cumplir la normativa. Piensa en ella como una herramienta estratégica.

De esto debería ir la conversación:

Acumular ventaja con el tiempo.

Pensemos en los fabricantes europeos. Su base es un oficio acumulado: décadas de disciplina de procesos, ingeniería especializada y conocimiento muy específico de su sector.

Cuando metes ese conocimiento en la API de un hyperscaler, no estás simplemente «usando IA». Estás regalando tu ventaja competitiva a un tercero y, encima, pagándole por el privilegio.

Control sobre las condiciones de fallo.

¿Quién controla lo que pasa cuando el proveedor cambia sus condiciones? ¿Cuando el comportamiento del modelo se desvía? ¿Cuando necesitas salir o superar una auditoría regulatoria? Si la respuesta no es «tú», estás expuesto a un riesgo estratégico.

Si alquilas LLMs vía API, generas gastos.
Si la IA es tuya, generas activos.

Cada interacción con un sistema soberano puede mejorar un modelo que te pertenece. Tus años de datos operativos no son un pasivo que proteger. Son un activo que hacer rendir.

Para una empresa de 200 empleados con décadas de conocimiento del sector, la IA soberana significa:

-Crear patrimonio que aparece en tu balance

-Eliminar el «impuesto de confianza» de los cambios de API repentinos e impredecibles

-Proteger la propiedad intelectual dentro de tu cortafuegos, que es donde debe estar

El enfoque pragmático:

Usa APIs públicas para tareas genéricas, como informes y alertas sobre datos que ya son públicos.

Sé dueño de los sistemas que procesan contratos de clientes, especificaciones de producción y conocimiento competitivo.

Soberanía no significa pureza. Significa controlar la superficie de dependencia.

Mucha gente pregunta dónde se ejecuta la IA. La pregunta que importa es quién controla lo que pasa cuando cambian las circunstancias.

El cumplimiento te mantiene dentro de la ley. La propiedad te mantiene en la competición.

Leer y comentar en LinkedIn

Ya conoces el suplicio. Perder 30 minutos con el check-in online. Abrirte paso entre spam, inicios de sesión y pantallas de upselling, y después pasar 50 minutos en la cola del «Bag Drop».

Fricción física más fricción cognitiva.

Las aerolíneas la crean a propósito. Saben que no tienes escapatoria.

En las pymes, la fricción no suele ser intencionada. Aparece cuando no se ha hecho el trabajo de base.

Los empleados cuentan siempre lo mismo: la transformación digital lo ha empeorado todo. Ahora tienen que contentar al sistema nuevo Y hacer el trabajo de verdad con los procesos de siempre.

Lo que han creado son herramientas de supervivencia:

→ Un ERP tan rígido que compras lleva procesos paralelos en Excel
→ Un CRM tan lento que ventas se coordina por WhatsApp
→ La documentación dice «Paso A → Paso B», la realidad son tres llamadas y un pósit

Esos atajos no son el problema. Te informan de lo que tu proceso no es capaz de hacer.

Se convierten en problema cuando entran en juego ChatGPT, un cumplimiento normativo dudoso y datos críticos para el negocio.

Por eso tienes que mapearlos ahora y desarrollar sistemas de IA que procesen tus datos propios de forma segura.

Algo fundamental ha cambiado: los LLM open source han alcanzado a los comerciales. Puedes entrenar modelos pequeños y especializados para flujos de trabajo concretos que superan a los modelos generalistas, y mantenerlo todo en tu propia infraestructura.

En procesos propios y en flujos de trabajo sujetos a cumplimiento normativo, ya no tienes que elegir entre capacidad y soberanía.

El trabajo de base para una IA soberana:

→ Mapea tu panorama de aplicaciones: ¿qué sistemas existen y qué hacen?
→ Mapea los flujos de trabajo reales: ¿por dónde circulan los datos? ¿Dónde están los atajos?
→ Evalúa la calidad de los datos: los datos incompletos hunden una implantación antes que el código
→ Decide qué se queda en casa: datos regulados, secretos empresariales, conocimiento de procesos
→ Encuentra a los cocreadores: empleados con ganas de desarrollar mejores sistemas

Después, pilotos que den resultados rápidos: procesamiento de facturas, elaboración de ofertas, lead scoring, enrutamiento de correos.

Así descubres qué procesos necesitan infraestructura soberana (on-premise o nube privada, los pesos son tuyos, cero vendor lock-in) y cuáles pueden usar APIs públicas.

Tus empleados saben dónde está la inteligencia. En las hojas de Excel. En los grupos de WhatsApp. En el «pregúntale a Anna».

Eso es conocimiento de procesos acumulado: atajos que funcionan, casos límite que tu documentación pasa por alto, conocimiento del sector que cuesta años adquirir.

Cuando entrenas tu modelo de IA privado con tus flujos de trabajo y la experiencia de tus empleados, el resultado lo controlas tú. Sin fugas de datos. Sin cambios de precio por sorpresa. Sin actualizaciones silenciosas del modelo que rompen lo que está en producción.

Las aerolíneas pueden permitirse frustrar a sus clientes porque, una vez hecha la reserva, son un monopolio temporal. Las pymes rara vez tienen ese lujo.

Mapea la fricción. Recoge la inteligencia. Desarrolla un sistema de IA que haga crecer tu ventaja competitiva en lugar de alquilársela a otro.

Leer y comentar en LinkedIn

Cuando los aliados se tratan como adversarios, tus dependencias de IA se convierten en moneda de cambio en disputas que tú no empezaste.

Tu empresa acaba siendo un daño colateral.

Esto es lo que ha cambiado:

2025 fue el año de los experimentos de IA con ChatGPT. 2026 es el año en que la IA se convierte en infraestructura operativa.

Los servicios en la nube y las plataformas de IA pueden usarse como armas geopolíticas. Los tres grandes proveedores cloud operan bajo jurisdicción estadounidense. Están sujetos a decisiones que se toman pensando en los intereses estratégicos de EE. UU., no en la continuidad de negocio de las empresas europeas.

Por qué esto no es teoría:

Cuando la CPI emitió órdenes de detención contra altos cargos israelíes en 2025, Trump sancionó al fiscal Karim Khan. Microsoft desactivó de inmediato la cuenta de correo de Khan².

En 2019, Adobe desactivó todas las cuentas de Creative Cloud en Venezuela para cumplir las sanciones de EE. UU. Miles de personas perdieron el acceso a Photoshop y a sus propios archivos, con apenas unos días para descargarlos antes de que se borraran³.

En diciembre de 2025, Trump prohibió la entrada en EE. UU. a cinco cargos europeos, entre ellos el excomisario europeo Thierry Breton, por aplicar la Ley de Servicios Digitales de la UE⁴.

El botón de apagado existe. Y alguien puede pulsarlo.

Ahora trasládalo a tu operación:

Tu departamento jurídico trabaja con flujos de documentación basados en IA. Tu soporte técnico está automatizado. La base de conocimiento de tu I+D está alojada en la nube.

¿Qué pasa cuando el acceso a una plataforma se convierte en una baza en la negociación entre gobiernos?

La prueba de resiliencia:

↳ ¿Puedes mantener la operación si se restringe el acceso externo?

↳ ¿Controlas cuándo y cómo cambian de comportamiento tus sistemas de IA?

↳ Si aumenta la presión regulatoria, ¿puedes demostrar de inmediato la soberanía de tus datos?

Si dudas, has puesto operaciones críticas sobre una infraestructura cuyo botón de apagado está en manos de otro.

Lo que funciona:

Las empresas que evitan este riesgo trazan una línea clara: si perder el acceso mañana frenaría los ingresos, incumpliría compromisos con clientes o filtraría ventaja competitiva, se opera internamente. Lo demás es negociable.

No se trata de rechazar la tecnología estadounidense. Se trata de que tu operación aguante decisiones que otros toman pensando en sus propios intereses estratégicos.

Cuando tus dependencias de IA pueden convertirse en moneda de cambio en disputas que tú no empezaste, la soberanía no es ideología. Es la única gestión de riesgos racional.

Leer y comentar en LinkedIn

Solo tú puedes decidir si es seguro depender de ella.

Este es el patrón que veo en empresas europeas de 80 a 500 empleados:

A IT se le pregunta: «¿Podemos usar esta herramienta de IA de forma segura?»

Y responde correctamente: «Sí, si la configuramos bien, ciframos la conexión y gestionamos los controles de acceso».

Esa aprobación técnica se convierte en la decisión de negocio.

Pero a IT nunca se le preguntó: «Si este proveedor cambia los precios, retira el modelo o recibe una orden judicial, ¿qué pasa con nuestras operaciones?»

Las dos decisiones que se confunden:

Aprobación de seguridad (terreno de IT)
↳ ¿Podemos operarlo de forma segura?
↳ ¿Está cifrada la conexión?
↳ ¿Se integra con nuestros sistemas?

Propiedad estratégica (terreno del CEO)
↳ ¿Podemos depender de esto a largo plazo?
↳ ¿Quién controla los precios y las actualizaciones del modelo?
↳ ¿Protege nuestro conocimiento competitivo o lo filtra?

Los directores de IT van desbordados y son pragmáticos. Cuando les piden evaluar la IA, el camino de menor resistencia es «usar lo que usa todo el mundo».

Se convierte en un pasivo cuando 20 años de conocimiento de procesos de tu empresa fluyen a través de APIs que no controlas.

Lo que hacen las empresas que lo están haciendo bien:

Separan las preguntas desde el principio.

Tareas commodity (traducir contenido público, resumir investigaciones): APIs públicas. Prioriza la velocidad.

Conocimiento competitivo (comunicación con clientes, especificaciones de ingeniería, informes internos): sé dueño de la infraestructura.

La decisión no es «nube pública frente a on-premise o nube privada».

Es «¿sobre qué podemos permitirnos perder el control, y qué nos da ventaja precisamente porque es nuestro?».

Cuando la dirección no hace esta distinción:

- Los pilotos de IA se atascan en producción porque los equipos no se fían de resultados que no pueden auditar

- Los costes crecen de forma imprevisible y convierten decisiones de CapEx en dependencias de OPEX

- Las actualizaciones del modelo rompen sistemas que funcionaban sin previo aviso, y no puedes congelar la versión que funcionaba ni auditar qué ha cambiado

- En las conversaciones de salida se ve que tu «transformación con IA» no ha sumado nada a la valoración, porque no eres dueño de nada

El marco de decisión:

Antes de aprobar cualquier implantación de IA, pregunta:

1. Si este proveedor cambia mañana las condiciones o los modelos, ¿podemos seguir operando?
→ Si no, necesitas propiedad, no alquiler.

2. ¿Este sistema toca conocimiento que genera ventaja competitiva o datos sensibles?
→ Si es así, su sitio es tu infraestructura.

3. ¿Podemos explicar a auditores y clientes cada decisión que toma este sistema?
→ Si no, estás heredando responsabilidad sin control.

Esto es lo que se le escapa a la mayoría de las empresas:

La seguridad es un punto de control. La dependencia es una decisión estratégica.

Tu equipo de IT puede verificar el cumplimiento de SOC 2. No puede verificar que OpenAI no vaya a subir los precios un 300 % el año que viene, retirar el modelo del que dependen tus procesos o ser adquirida.

Son riesgos reales. Así funcionan los mercados de software.

Las empresas que están ganando aquí no se preguntan «¿podemos fiarnos de este proveedor?».

Se preguntan: «Si esta relación cambia, y cambiará, ¿quién tiene el control?»

Esa es la pregunta que solo la dirección puede responder.

Leer y comentar en LinkedIn

La mayoría de las empresas trata la implantación de IA como un proyecto de software. Celebran el éxito del piloto e ignoran las dependencias estructurales que acaban de introducir en su organización.

Pero cuando pasas del piloto a producción, los riesgos dejan de ser técnicos y pasan a ser existenciales.

Piensa en estos cinco modos de fallo habituales:

1. Fuga de conocimiento: no puedes descartar que tus datos entrenen sus modelos.

2. Salida del proveedor: OpenAI cambia de rumbo o cierra de la noche a la mañana.

3. Problema de auditoría: no puedes explicar cómo se llegó a una decisión.

4. Cambio de modelo: una actualización forzosa rompe tus procesos y agentes a medida.

5. Pregunta del regulador: no puedes demostrar dónde residen los datos ni cómo se usan.

Esta es la prueba.

Si me dices que estos riesgos son cosa de IT, estás llevando a cabo un experimento técnico.

Si los asume el negocio, tienes una estrategia.

No son bugs. Son amenazas para la continuidad del negocio. Cuando te apoyas por completo en APIs públicas, externalizas tu estabilidad a un tercero cuyos objetivos no coinciden con los tuyos.

Este es el argumento económico a favor de la IA soberana.

Es el cambio necesario: de alquilar riesgo a poseer activos.

Si tu ventaja competitiva depende del modelo, tienes que tener los pesos. Si no, estás levantando tu casa en terreno alquilado.

Leer y comentar en LinkedIn

El martes por la mañana, tu sistema empieza a rechazar piezas válidas.

Esto es el model drift.

En una agencia de marketing, el model drift es una molestia. En medtech, finanzas o fabricación, es un riesgo operativo. No puedes montar un proceso cargado de exigencias de cumplimiento sobre unos cimientos que se mueven como la arena.

Cuando trabajas sobre APIs públicas, alquilas una inteligencia optimizada para los benchmarks del proveedor, no para tu estabilidad. Ajustan los pesos para mejorar su razonamiento general. Y por el camino se rompe tu caso concreto.

Tu equipo de ingeniería acaba dedicando buena parte de su capacidad mensual solo a comprobar si la «caja negra» ha cambiado. Eso es OpEx tirado.

La alternativa es el enfoque del «modelo congelado» mediante IA soberana.

- Alojas tus propios modelos open source.
- Fijas los pesos.
- Controlas el ciclo de actualizaciones.

La entrada que generó un informe conforme en enero genera una salida de la misma calidad en diciembre.

Además, cada decisión del sistema es trazable. Cada versión queda documentada. Justo lo que exigen los reguladores.

Con IA soberana, eres dueño de unos cimientos estables, no de una suscripción a una caja negra que cambia bajo tus pies.

Leer y comentar en LinkedIn

Dirige una empresa de logística especializada. Mucho trato personal, rutas complejas, clientes exigentes. El éxito depende en gran medida de dos planificadores veteranos. Gestionan el caos con 20 años de intuición.

¿El problema? Los dos se jubilan dentro de 24 meses. ¿Encontrar sustitutos con ese nivel de «olfato» en este mercado? Improbable. Cuando salgan por la puerta, el cerebro de la empresa se irá con ellos.

Normalmente, aquí cunde el pánico. Pero al revisar su infraestructura encontramos otra cosa.

Un sistema informático instalado hace 9 años. Él creía que era solo una herramienta administrativa. En realidad, es una mina de oro.

Guarda 9 años de decisiones:

-Cada ruta compleja optimizada.
-Cada preferencia concreta de cada cliente.
-Cada cuello de botella resuelto.

La «intuición» de sus expertos a punto de jubilarse está en realidad en sus servidores, en forma de datos.

Su plan no es solo contratar gente nueva. Sabe que depender únicamente de un sucesor genérico es un riesgo: ¿y si se marcha después de formarlo?

Quiere conservar el conocimiento para siempre. Se trata de desarrollar un sistema de IA soberano entrenado exclusivamente con sus 9 años de datos propios.

El objetivo: un asistente de reservas inteligente, disponible 24/7, que sepa exactamente cómo funciona su empresa.

Pero esta es su condición innegociable: «Los datos se quedan con nosotros».

Entiende que meter su lógica de rutas y los datos de sus clientes en una IA pública (como ChatGPT) sería entregarle sus planos a la competencia. Esos datos son su ventaja. Exigen un entorno privado y soberano.

Este es el cambio en el liderazgo actual. Tu activo más valioso no son solo tus camiones o tu almacén. Es el saber operativo escondido en tus registros.

Si no lo extraes y lo proteges, se jubila con tu plantilla. Si lo haces, creas un activo que crece con tu empresa.

Leer y comentar en LinkedIn