Mucha gente cree que la educación termina cuando empieza el trabajo. Esa creencia se está volviendo cara, sobre todo en una época en la que la inteligencia se externaliza y se convierte en una commodity.
Las habilidades caducan ahora más rápido que las carreras profesionales, y la innovación lo está acelerando. Por eso una respuesta me llamó la atención. En una entrevista con TBPN, a Mark Cuban le preguntaron por la próxima gran oportunidad laboral para los estudiantes. Su respuesta no fue “aprende a programar” ni “consigue un título en ciencia de datos”. Fue esta:
“Las empresas no entienden ahora mismo cómo implantar la IA para obtener una ventaja competitiva… aprende a personalizar un modelo, entra en una empresa, muestra los beneficios. Ese es todo el trabajo que habrá disponible para los jóvenes que salgan de los estudios.”
Tiene razón. La mayoría de las empresas no saben cómo implantar la IA, sobre todo las pequeñas. Pero creo que se queda corto al describir el problema.
Un problema importante que la IA va a amplificar es el de la delegación frente al control, en especial la microgestión. Si un mando intermedio ya tiene dificultades para delegar tareas en personas, cuesta imaginar cómo funcionará con un equipo de agentes de IA. Aprender a confiar en tu equipo será importante para mantener la relevancia y la competitividad a largo plazo. La mayoría de las empresas todavía no entienden por qué no están preparadas para la IA. Tienen muchas ineficiencias humanas y no documentan sus procesos. Implantar IA no consiste en comprar una herramienta SaaS o un sistema que se enchufa y del que se espera magia.
Este artículo explica por qué ocurre eso y qué hacer al respecto.
Una nota rápida antes del prompt que comparto
El enlace al prompt largo que aparece más abajo es una versión inicial, pensada para mostrar el método, no la guía completa. Las implantaciones reales exigen más profundidad porque algunos principios, como qué es “correcto”, cambian según el flujo de trabajo, el nivel de riesgo, las fuentes de datos y quién da el visto bueno.
En la práctica, cada paso del método tiene su propio prompt y sus propias comprobaciones, adaptados al contexto de la empresa. Este ejemplo es deliberadamente genérico para que cualquiera pueda probarlo, aprender la lógica y ver dónde se rompe su sistema: responsabilidades poco claras, entradas desordenadas, bucles de aprobación o ninguna definición de lo correcto.
Si quieres una versión específica para tu sector y el conjunto completo de prompts, incluido cómo definir niveles de riesgo, construir un pequeño conjunto de evaluación y diseñar la monitorización, ponte en contacto conmigo (mi contacto está al final de este artículo) y lo adaptaré a tu flujo de trabajo.
Prompt universal de auditoría de preparación para la IA
El problema de delegación que nadie quiere nombrar
Si un mando intermedio ya tiene dificultades para delegar tareas en personas, cuesta imaginar cómo funcionará con un equipo de agentes de IA.
¡Léelo otra vez!
Esto no es un problema tecnológico. Es un problema de espíritu de equipo y de liderazgo. Y es el mismo problema que Jocko Willink y su equipo de Echelon Front llevan años diagnosticando en las organizaciones, mucho antes de que nadie hablara de agentes de IA.
Recomiendo mucho leer sus libros o escuchar su podcast cada miércoles.
La tesis central de Willink es sencilla: el liderazgo consiste en confianza, responsabilidad asumida y mando descentralizado. No puedes escalar un equipo si cada decisión tiene que pasar por ti; eso se convierte en un cuello de botella. El trabajo del líder es fijar una intención clara, formar al equipo y después apartarse para que pueda ejecutar y encontrar soluciones, con plena confianza.
La mayoría de los mandos intermedios fracasan en esto con las personas. Dicen querer autonomía, pero diseñan sistemas que exigen seguimientos constantes. Afirman confiar en su equipo, pero revisan cada resultado antes de que salga.
Con un hecho sencillo… Haz lo que digo, no lo que hago.
Ahora dale a ese mismo mando intermedio un agente de IA.
¿Qué crees que pasa?
Surgen los mismos patrones, solo que más rápido y más visibles.
El agente produce un resultado.
El mando intermedio lo revisa.
El agente espera.
El mando intermedio se lo vuelve a cuestionar.
El agente se queda a la espera.
El ciclo se repite…
Se convierte en un bucle, una ilusión de trabajo o un falso trabajo, intencionado o no, disfrazado de progreso, en el que nada avanza realmente en el panorama general.
Como en la salsa cubana (el baile): 3 pasos adelante, 2 pasos atrás, tal como expliqué en mi publicación anterior sobre cómo encontrar el ritmo adecuado para innovar sin perder nuestra humanidad.
Como dijo Einstein, ¡hacer una y otra vez lo mismo esperando resultados distintos es la definición de locura!
¿Por qué todo se ralentiza después de ese vídeo de demostración de IA tan reluciente que viste?
El lunes, tu equipo está entusiasmado. Despliegas un agente para encargarse de un flujo de trabajo que todo el mundo odia: clasificar tickets de soporte, crear briefings de campaña, limpiar notas del CRM…
El miércoles, el agente “funciona” en sentido estricto. Produce resultados.
El viernes, el equipo se siente más lento.
Pero espera, ya casi es fin de semana… ¿Qué ha pasado?
El agente produce más borradores, pero la entrega se ralentiza. Las revisiones se acumulan, los mandos intermedios añaden aprobaciones adicionales y la gente sortea la herramienta oficial con soluciones propias, usando sus licencias de IA de consumo de Gemini o ChatGPT solo para cumplir los plazos… ¡Ojo! La información sensible acaba filtrándose en búsquedas web de Google.
Si esto te suena, el modelo de IA no es el problema principal. Lo es el diseño del control.
Un estudio de julio de 2025 de METR, una organización de investigación centrada en la evaluación de la IA, encontró algo contraintuitivo: los desarrolladores de código abierto con experiencia que usaban herramientas de IA tardaron un 19 % más en completar las tareas que cuando trabajaban sin IA. Aún más llamativo: los desarrolladores esperaban que la IA los acelerara un 24 % y, incluso después de sufrir la ralentización, seguían creyendo que la IA les había ayudado. (METR, julio de 2025)
El estudio concluyó que los cuellos de botella de la revisión se comieron las ganancias. La IA generaba más resultados, pero verificarlos frente a los estándares del repositorio, los requisitos de documentación y la cobertura de pruebas llevaba más tiempo del que ahorraba la IA.
Una observación del sector compartida por Enaiblement lo dijo sin rodeos: “Por cada hora que ahorra la IA, las organizaciones dedican 2 horas a verificarla”. No es una verdad universal, pero es un patrón reconocible para cualquiera que haya desplegado automatización en un equipo que no estaba preparado. (Enaiblement, LinkedIn, septiembre de 2025)
Esto no es un caso límite
Antes de construir marcos de trabajo, establezcamos la escala.
El informe State of AI in Business de NANDA, del MIT (2025), concluyó que “el 95 % de las organizaciones obtienen un retorno nulo… Solo el 5 %… extrae millones en valor”. Los casos de éxito no usan mejores modelos. Usan mejores flujos de trabajo.
Según la encuesta de diciembre de 2025 de Emergent Mind, “el 68 % de los agentes en producción ejecutan como máximo 10 pasos antes de requerir intervención humana”. Esos agentes no fallan porque sean incapaces. Se ralentizan porque están incrustados en arquitecturas de control diseñadas para el trabajo manual.
Y cuando las herramientas oficiales resultan demasiado lentas, los empleados las esquivan. La encuesta de KPMG a 48.000 trabajadores concluyó que “el 57 % dice haber ocultado su uso de la IA o haber presentado como propio un trabajo generado por IA”.
Estas cifras describen un problema de sistema, no un problema de tecnología.
Dónde vive el cuello de botella humano
Un enfoque de diagnóstico, no un marco de vudú y magia negra
Para que un agente funcione, necesita 3 cosas:
Un estado claro, un objetivo claro y un camino seguro y comprobable entre ambos.
Si falta cualquiera de ellos, tu agente se convierte en un asesor: útil, a veces impresionantemente listo o con respuestas que suenan correctas, ¡pero atascado!
Pero la tríada es un diagnóstico, no una solución completa. Cada elemento requiere piezas que se puedan construir.
Piénsalo como mover dinero. Una transferencia bancaria funciona no porque el cajero que está tras el mostrador sea listo, sino porque existen carriles, límites, comprobaciones y reversiones.
La transferencia es reversible dentro de un plazo. Hay una pista de auditoría. Hay límites y reglas para las transacciones. El riesgo de cualquier acción individual queda contenido. Eso es lo que significa en la práctica un camino seguro y comprobable.
Por eso la inteligencia no es el factor limitante. La infraestructura, sí.
Los agentes de IA no arreglan la deuda de liderazgo. La sacan a la luz.
El artefacto que falta: el Acuerdo de Calidad
“Objetivo claro” suena sencillo hasta que intentas definirlo.
La mayoría de los equipos se saltan este paso. Dicen “lo sabremos cuando lo veamos” o “el revisor detectará los problemas”. Luego, en la semana 1, una respuesta plausible parece un éxito. En la semana 3, alguien se queja de que las cifras no cuadran con finanzas. En la semana 6, el departamento jurídico dice que el tono no es el adecuado. Eso no son ajustes. Son productos distintos.
Nate B. Jones, experto en estrategia de IA y desarrollo de producto, usa una secuencia de 7 pasos: Definir, Decidir, Traducir, Especificar, Anticipar, Medir, Operar.
Es una lista de comprobación práctica para pasar de “queremos IA” a “la IA funciona de forma fiable.”
Tras buscar en la web, otros 2 marcos cubren un terreno parecido:
El NIST AI Risk Management Framework (AI RMF) es un estándar del Gobierno de EE. UU. para gestionar el riesgo de la IA. Está pensado para organizaciones que necesitan demostrar un uso responsable de la IA ante reguladores, auditores o clientes empresariales. 4 funciones: Govern (políticas transversales), Map (entender el contexto y las partes interesadas), Measure (evaluar riesgos y rendimiento), Manage (responder y monitorizar). Si vendes a la administración pública, a la sanidad o a las finanzas, o esperas hacerlo, este es el lenguaje de cumplimiento que hablan tus compradores.
El ciclo de vida de MLOps es la guía de ingeniería para desplegar aprendizaje automático en producción. Abarca la definición del problema, la preparación de los datos, el entrenamiento del modelo, el despliegue y la monitorización. Si construyes modelos a medida o trabajas con equipos de ciencia de datos, este es su flujo de trabajo. Para la mayoría de las pymes que usan herramientas de IA listas para usar, no hará falta toda la pila de MLOps, pero el principio de “monitorizar después del lanzamiento” sigue siendo válido.
No necesitas memorizar estos marcos. Lo que importa es el patrón que comparten:
- Definir qué estás resolviendo y qué significa “correcto”
- Construir con barreras de seguridad y puntos de control
- Medir antes y después
- Monitorizar en producción, no dar por hecho que la calidad del día del lanzamiento se mantiene
La calidad no es una propiedad del modelo. Es un acuerdo del equipo. Sin un acuerdo escrito sobre qué significa “correcto”, tienes metas que se mueven y luego culpas al modelo de no ser fiable. El modelo no cambió. Cambió tu definición.
Un Acuerdo de Calidad responde a:
- ¿Quién usa este resultado y qué decisión impulsa?
- ¿Qué tiene que ser cierto? (de 3 a 5 reglas)
- ¿Qué no debe ocurrir nunca? (de 3 a 5 reglas)
- ¿Qué incertidumbre se permite? (¿Cuándo puede el sistema decir “no lo sé”?)
- Ejemplos: de 2 a 3 resultados correctos y de 1 a 2 inaceptables, en el formato real
- Comprobaciones de aprobado o suspenso: umbrales cuando es posible, criterios de juicio humano cuando no
- Regla de escalada: ¿cuándo pasa esto a una persona y quién es esa persona?
Si tu equipo no se pone de acuerdo en estos 7 puntos, no tienes un problema de calidad. Tienes un problema de requisitos. Y ningún modelo lo arreglará.
Por eso se atascan los pilotos. No porque la IA no sea fiable, sino porque los equipos se resisten a definir la calidad, porque definirla obliga a hacer renuncias que preferirían evitar.
El bucle de la doble comprobación
La mayoría de los equipos discuten el control en términos morales. “La gente no confía en la IA.” “La dirección está microgestionando.” Esos argumentos generan calor, no progreso.
El problema real es que las revisiones crecen cuando se obliga a los revisores a “juzgar” en lugar de “verificar”. Sin comprobaciones de aprobado o suspenso escritas de antemano y sin ejemplos representativos, cada revisión se convierte en una negociación. Eso agota. Así que la gente añade más revisores para repartir la culpa. Lo que quieres son mediciones, no opiniones.
Panel de métricas de microgestión
Un artículo de 2025 sobre operaciones de LLM con humano en el bucle indica que los sistemas de revisión por niveles, en los que los resultados de mayor riesgo reciben revisión de expertos mientras que los casos rutinarios avanzan con muestreo, pueden reducir los costes de cumplimiento un 25 % manteniendo la calidad. (WJAETS, mayo de 2025)
Esta es la lógica de la fábrica: el QA (aseguramiento de la calidad) frente al QC (control de calidad) en la industria. No inspeccionas cada (sub)paso del proceso con un microscopio. Fijas tolerancias, muestreas y escalas las excepciones.
El mismo principio se aplica a los resultados de la IA.
Seguridad que escala sin paralizar
El diseño de control más sencillo que escala: 2 carriles.
Carril rápido para el trabajo de bajo riesgo.
Carril lento para el trabajo de alto riesgo.
Así gestionan los aeropuertos a los pasajeros. No todo el mundo pasa por el mismo proceso. Separan el riesgo y luego aplican los controles adecuados.
2 reglas prácticas
Primero, el carril rápido tiene que ser más fácil que el camino alternativo en la sombra. Si tu herramienta oficial requiere 4 clics y ChatGPT 1, ya has perdido.
Segundo, el carril lento tiene que ser concreto, no vago. Si el carril lento es vago, crece. Y entonces todo se convierte en carril lento.
La seguridad escala cuando la calidad es explícita y el riesgo es proporcional. Por eso existe la monitorización: las pruebas pasan por alto casos límite del mundo real, así que operar exige comprobaciones continuas, no solo controles previos al lanzamiento.
Un artículo de investigación de diciembre de 2025 puso a prueba esta idea directamente en sistemas multiagente. Los investigadores realizaron 180 experimentos controlados con 5 arquitecturas de coordinación y 3 grandes familias de modelos. Descubrieron que los agentes independientes, es decir, los que operan sin puntos de control compartidos, amplificaban los errores unas 17 veces más rápido que una línea base de un solo agente. Añadir un rol de coordinador con puertas de validación redujo esa amplificación a unas 4 veces la línea base. Sigue sin ser perfecto, pero es una mejora importante. (Kim et al., arXiv:2512.08296, diciembre de 2025)
En lenguaje llano, este es el matiz entre la coordinación centralizada y el mando descentralizado (recuerda a Jocko): la coordinación centralizada consiste en tener un punto compartido, humano o automatizado, que encamina el trabajo y detecta los errores antes de que se propaguen.
No se trata de jerarquía ni de control. Se trata de dónde colocas los puntos de control.
Un piloto de 14 días que produce señal
Si quieres resultados, no empieces con 10 flujos de trabajo. Empieza con 1.
Entregables del piloto:
- Un Acuerdo de Calidad de 1 página (la referencia compartida de lo que significa “terminado”)
- Un pequeño conjunto de evaluación (de 20 a 50 ejemplos) con comprobaciones de aprobado o suspenso
- Una prueba de regresión que puedas repetir cuando cambien los prompts o los flujos de trabajo
Al llegar al día 14, quieres 1 resultado: la ratio de verificación antes frente a después.
Y luego 1 comprobación de cordura: ¿se mantuvo estable la tasa de reprocesos?
Si la revisión baja y los reprocesos se mantienen estables, el cuello de botella era el diseño del control. Si la revisión baja y los reprocesos se disparan, tu clasificación por niveles o tu objetivo son erróneos. Si no cambia nada, lo más probable es que tu cuello de botella sea el estado, los datos o el acceso a las herramientas.
Limitaciones
Algunos trabajos deben seguir siendo lentos. Algunos trabajos deben seguir siendo lentos. Los asuntos jurídicos, las decisiones críticas para la seguridad y las acciones financieras irreversibles exigen controles fuertes. En Europa, y probablemente pronto en EE. UU., el Reglamento Europeo de IA (AI Act) exige supervisión humana para los sistemas de alto riesgo. El objetivo no es la velocidad en todas partes. El objetivo es un control proporcional al riesgo.
Probablemente veremos casos importantes de responsabilidad, con despachos de abogados y aseguradoras expandiéndose rápidamente para cubrir los daños causados por agentes de IA.
La inteligencia artificial también está creando empleo, ¿verdad?
Las encuestas pueden engañar. Los datos autodeclarados pueden exagerar u ocultar la realidad.
La cifra del 57 % de “ocultar el uso de IA” es orientativa; valídala en tu propio contexto.
El control no siempre es el cuello de botella. La calidad de los datos, la deuda de integración, la capacidad del modelo y el encaje con el flujo de trabajo pueden ser los verdaderos bloqueos. Usa el panel de 5 métricas para separar los cuellos de botella de control de los de integración.
Las definiciones de calidad se desvían. Lo que cuenta como “correcto” en la semana 1 puede no coincidir con lo de la semana 12. Establece una cadencia de revisión, mensual como mínimo, para comprobar si tu Acuerdo de Calidad sigue ajustándose a la realidad.
Si te ha sonado familiar, es lógico
Los problemas de delegación entre personas se copian a la delegación entre persona y agente, pero amplificados por la velocidad. El mando intermedio que no podía soltar las aprobaciones de su equipo humano tampoco soltará las de su agente de IA. La organización que nunca documentó sus procesos descubrirá que la IA no tiene nada limpio que amplificar. El flujo de trabajo que antes requería 3 aprobaciones no pasará de repente a requerir menos solo porque el trabajo esté automatizado.
Receta n.º 1: pasar del 100 % de revisión a un control basado en el riesgo
El rediseño más potente consiste en hacer que el nivel de supervisión humana sea proporcional al riesgo de la tarea. En lugar de tratar cada resultado de la IA como una decisión de alto riesgo, crea “carriles rápidos” para las acciones de bajo riesgo y fácilmente reversibles y reserva la revisión intensiva para lo que de verdad importa.
Receta n.º 2: empieza por los bordes “aburridos”, no por el núcleo
El instinto es automatizar la parte más compleja y de mayor valor de un flujo de trabajo.
Esto suele fallar por la complejidad oculta y la falta de confianza en la organización.
Una estrategia con más éxito es automatizar primero los “bordes”: las tareas repetitivas y mecánicas que rodean el trabajo central de los expertos. Eso genera impulso, demuestra valor y se gana la confianza necesaria para acabar acercándose al núcleo.
Si tu organización tiene dificultades para delegar en personas, las tendrá para delegar en agentes. Arregla primero el sistema humano.
Los agentes de IA no son el cuello de botella. El cuello de botella es el sistema humano que los rodea: la confianza, el contexto, las decisiones y la disposición a definir qué significa realmente “calidad”.
Los agentes de IA se atascan cuando los equipos se niegan a definir la calidad, porque definirla obliga a hacer renuncias. Los equipos que lo consiguen son los que tienen esa conversación pronto, la ponen por escrito y la tratan como un documento vivo, no como un ejercicio puntual.
Qué aporta este artículo (y cómo usarlo)
Este texto está escrito para tres perfiles que se solapan:
- Directivos y fundadores que se preguntan por qué las inversiones en IA quedan bien en las presentaciones pero se atascan en la realidad.
- Mandos intermedios y responsables de equipo que ahora son “responsables de la IA” por defecto pero ya van cortos de tiempo.
- Integradores de IA con las manos en la masa que construyen prompts, agentes y flujos de trabajo sobre los modelos.
Puedes usarlo de tres maneras:
- Como enfoque de diagnóstico: para nombrar los cuellos de botella humanos y de control que están frenando tus proyectos de IA.
- Como guía: para diseñar un piloto de 14 días que produzca señal real, no teatro.
- Como vocabulario compartido: para alinear a la dirección, a operaciones y a quienes construyen en torno a “cómo es lo bueno” antes de desplegar más herramientas.
Si ya estás experimentando con agentes, te invito a elegir un flujo de trabajo mientras lees y a tenerlo presente. Sacarás más valor de este artículo si asocias cada sección con ese flujo de trabajo en lugar de tratarlo como teoría abstracta.
Fuentes
- Estudio de METR, julio de 2025: los desarrolladores con experiencia, un 19 % más lentos con herramientas de IA https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- Observación de Enaiblement, LinkedIn, septiembre de 2025: “2 horas verificando por cada hora ahorrada”https://www.linkedin.com/posts/enaiblementai-productivity-business-activity-7368731307050196994-4yu5
- Kim et al., “Towards a Science of Scaling Agent Systems”, arXiv:2512.08296, diciembre de 2025 https://arxiv.org/abs/2512.08296
- Artículo de WJAETS, mayo de 2025: Human in the Loop LLMOps, la revisión por niveles reduce un 25 % los costes de cumplimiento https://journalwjaets.com/sites/default/files/fulltextpdf/WJAETS-2025-0643.pdf
- Informe de MIT NANDA, State of AI in Business 2025 https://mlq.ai/media/quarterlydecks/v0.1StateofAIinBusiness2025Report.pdf
- Emergent Mind, diciembre de 2025: el 68 % de los agentes requieren intervención humana en un máximo de 10 pasos https://www.emergentmind.com/papers/2512.04123
- KPMG Shadow AI Survey, 2025: el 57 % oculta su uso de IA (n=48.000) https://kpmg.com/kpmg-us/content/dam/kpmg/pdf/2025/shadow-ai-already-here-take-control-reduce-risk-unleash-innovation.pdf
- IAIS, “Global Insurance Market Report 2025”, diciembre de 2025. Ese salto en la divulgación del riesgo de la IA (4 % → 43 %) muestra que los reguladores y las empresas se toman en serio la supervisión y el riesgo de responsabilidad, lo que hoy supone miles de millones de dólares, con tasas de crecimiento superiores al 30 % y previsiones de expansión hasta decenas de miles de millones en 2033.
https://www.iais.org/uploads/2025/12/Global-Insurance-Market-Report-2025.pdf
Formador en IA y asesor de estrategia de automatización |
Enseñando a los equipos a evitar la basura generada por IA y el exceso de automatización