Nadie está a cargo de pensar

Hace unos meses me senté a construir un sistema de trading automatizado. No empecé preguntándome qué problema quería resolver. Empecé diciéndome algo mucho más entretenido: esto podría ser un agente.

Le pedí a un modelo que me especificara la arquitectura. En minutos tenía un documento impecable. Módulos, responsabilidades, flujos de datos, manejo de errores, todo ordenado. Se veía profesional. Se veía pensado. Construí sobre esa base durante semanas, hasta que el sistema se volvió tan rígido y tan dependiente de sus propias reglas que dejó de servir para lo único que importaba. Tuve que desarmarlo entero y volver a insertar lo que había saltado: roles claros, contratos de datos explícitos y criterio humano en los puntos donde el sistema no podía decidir solo.

El error no estaba en el código. Estaba en el primer minuto, cuando pasé de “tengo un problema” a “esto es un agente” sin detenerme en el trámite aburrido de definir qué estaba tratando de resolver.

Me interesa esa secuencia porque no es mía. La veo en casi todas las conversaciones que tengo con equipos que están empezando con IA. La pregunta que abre la reunión ya no es cuál es el problema, sino qué podríamos automatizar. Y la diferencia entre esas dos preguntas explica buena parte del dinero que se está perdiendo hoy en proyectos de inteligencia artificial.

Hay una razón estructural. Durante décadas, construir software era caro y lento, y esa fricción cumplía una función que nadie agradecía: obligaba a pensar antes. Si un desarrollo tomaba seis meses y tres personas, alguien iba a preguntar para qué. Esa pregunta no nacía de la sabiduría organizacional, nacía del costo. Hoy la fricción de producir desapareció y la fricción de entender quedó exactamente donde estaba. Especificar un agente cuesta cuatro minutos. Entender el proceso que ese agente va a intervenir cuesta lo mismo que costaba en 1995.

Lo peligroso no es que la IA genere especificaciones malas. Es que genera especificaciones plausibles. Un documento coherente, bien estructurado y con el vocabulario correcto se parece muchísimo a un documento pensado, y en una reunión de comité nadie distingue uno del otro. La plausibilidad se volvió gratis. El entendimiento no.

Los números empiezan a mostrar la cuenta. Gartner proyectó en junio de 2025 que más del 40% de los proyectos de IA agéntica serían cancelados antes de que termine 2027, y las razones que enumera no son técnicas: costos que se escalan, valor de negocio poco claro y controles de riesgo insuficientes. En el mismo análisis estimó que de los miles de proveedores que se declaran agénticos, solo unos 130 lo son de verdad. El resto es lo que la industria ya bautizó como agent washing, chatbots y automatizaciones de siempre con vocabulario nuevo. La frase que más me quedó dando vueltas es de la analista Anushree Verma: muchos casos de uso que hoy se presentan como agénticos no requieren una implementación agéntica.

Léela de nuevo, porque no está diciendo que los agentes fallen. Está diciendo que el problema nunca fue un problema de agentes.

Aquí es donde la conversación deja de ser tecnológica y se vuelve organizacional, que es donde siempre termina. Si el cuello de botella es definir bien el problema, la pregunta razonable es quién en la empresa tiene ese trabajo. Y la respuesta incómoda, si uno mira un organigrama cualquiera, es nadie.

Tenemos gente pagada por entregar. Tenemos métricas de entrega, tableros de entrega, comités de seguimiento de entrega. Lo que casi no existe es alguien cuyo trabajo, evaluado y remunerado, sea decir en voz alta que todavía no entendemos el problema. Esa frase no se ve como rigor. Se ve como demora. Y en una organización que mide velocidad, la demora se castiga incluso cuando es lo único que habría evitado seis meses de reparaciones.

La asimetría se volvió brutal con la IA. Proponer dos semanas para mapear un proceso, entrevistar a quienes lo ejecutan y entender por qué existe, cuando el equipo sabe que un modelo puede entregar la especificación completa antes del café, ya no parece prudencia. Parece obstrucción.

No creo que la respuesta sea inventar cargos nuevos. Ya vimos esa película con los data scientists que llegaron a empresas que no tenían datos limpios ni preguntas que hacerles. La función de la que estoy hablando no hay que crearla, hay que devolverla. Estaba en los analistas de procesos y en los arquitectos que muchas organizaciones fueron aplanando hacia roles de ejecución, porque pensar no se veía en ningún indicador y entregar sí. La diferencia es que antes esa pérdida se pagaba lento y hoy se paga rápido, en forma de agentes que nadie usa y automatizaciones que hay que desmontar.

Hay una prueba simple para saber dónde está parada tu organización. La próxima vez que alguien llegue a una reunión con una solución de IA propuesta, pregunta qué problema resuelve y quédate callado. Si la respuesta describe el funcionamiento de la herramienta en lugar del dolor del negocio, acaban de mostrarte dónde está tu verdadero cuello de botella, y no es el modelo.

Yo aprendí esto desarmando mi propio sistema, que es la forma cara de aprenderlo.

¿Quién en tu organización tiene hoy el permiso explícito para decir que todavía no entendemos bien el problema, y qué le pasa en su evaluación de desempeño cuando lo dice?