No, no es ficción, está basado en casos reales.
Hoy quiero compartir algo que no paro de ver en muchas empresas que empiezan en esto de la IA y que aparece como si todas se hubieran puesto de acuerdo.
Ante la presión por hacer “algo” con IA, en algún momento alguien propone crear un ChatGPT interno con la idea de poder acceder a toda la información de la empresa a través de una conversación. Imaginar que empleados, equipos comerciales o incluso clientes puedan hacer una pregunta y recibir una respuesta inmediata parece, en ese momento, una buena idea.
El proyecto, además, genera una sensación positiva. La dirección siente que se está avanzando, los equipos lo interpretan como una señal de modernización y, como suele ocurrir, la ejecución termina en manos de IT, del equipo de IA o de alguien de digital. A quienes lo lideran les parece un proyecto razonablemente sencillo por todo lo que han visto o leído últimamente.
¿Qué podría salir mal?
El recorrido de construcción
Cuando te enfrentas a un proyecto así, lo que suele ocurrir sigue un proceso que parece simple, pero que en el que cada paso introduce nuevas dificultades que no siempre se habían anticipado.
Paso 0. Elegir la herramienta
¿Cuál es mejor? ¿ChatGPT, Copilot, Gemini?. Se analizan aspectos como la seguridad, el coste, la escalabilidad o la preferencia del equipo que lidera el proyecto. Empezar por la tecnología es, probablemente, la parte más sencilla de todo el proceso.
Paso 1. Definir instrucciones
Ya hemos elegido la herramienta, ahora vamos a definir cómo queremos que se comporte. El tono, la imagen, el tipo de respuesta y las restricciones cuando alguien no se comporte bien. Parece que avanzamos muy rápido. Esto irá bien.
Paso 2. Reunirlo todo
A partir de ahí comienza la fase de reunir toda la información. Se recopilan documentos de todo tipo y origen, presentaciones, fichas de producto, históricos o PDFs. En este momento parece más importante no dejar nada fuera que entender realmente qué se tiene. Para hacerlo, toca convertirse en una especie de arqueólogo del conocimiento de la empresa, pidiendo información a distintas áreas, insistiendo cuando no llega y reconstruyendo piezas dispersas.
Paso 3. Dar una primera forma al caos
Ante la cantidad de información aparece la necesidad de construir una primera estructura. Se empiezan a organizar los contenidos por temas, departamentos o posibles preguntas, porque sin esa mínima organización resulta imposible saber si el conjunto tiene sentido o está completo.
Paso 4. Seleccionar versiones
Llega un momento en el que se descubre que no existe una única versión de las cosas. Aparecen documentos duplicados, versiones contradictorias y materiales desactualizados que siguen circulando. A partir de ahí es necesario introducir criterio y decidir qué se considera válido y qué debería dejar de utilizarse.
Paso 5. Rellenar huecos
Cuando parece que la información empieza a ordenarse, aparece algo que no te esperabas: Faltan piezas. Información que nunca se documentó, decisiones que siguen en la cabeza de determinadas personas y contexto que no está escrito en ningún sitio. Esto obliga a recorrer equipos, pedir tiempo y reconstruir conocimiento que en teoría ya debería existir.
Paso 6. Traducir a lenguaje IA
Con toda esa información sobre la mesa, surge la necesidad de adaptarla. Los documentos están pensados para personas y contienen contexto implícito que no siempre resulta evidente para un sistema. El PPT está muy bien, pero tu IA no va a entender nada o muy poco. Vas a necesitar un traductor de documentación.
Paso 7. Definir jerarquías
A medida que el sistema toma forma, aparece la necesidad de establecer jerarquías. No todo el contenido tiene el mismo peso y es necesario decidir qué documentos deben considerarse referencia y cómo resolver las inconsistencias cuando aparecen versiones distintas.
Paso 8. Mantenerlo vivo
Cuando todo empieza a tener una cierta forma, aparece la pregunta de ¿Cómo y quién va a mantener todo esto? La información cambia, los productos evolucionan y lo que hoy es válido puede dejar de serlo rápidamente si nadie se encarga de revisarlo y actualizarlo.
Para que funcione el modelo debería ser descentralizado, cada área actualiza lo suyo, pero si quieres asegurarte alguien tendrá que estar al día… vaya, que hay un rol que no existe en la organización y alguien tendrá que asumirlo. ¿Knowledge Manager?
Cuando se pone en marcha
Por fin, después de meses y no semanas ya has hecho unas pruebas y toca el momento de ponerlo en marcha.
Se anuncia a bombo y platillo. “Ya lo tenemos aquí”. Se presenta a toda la empresa y… al cabo de unas semanas de emoción empiezas a mirar las métricas y ves que nadie lo usa.
No lo entiendes… ha costado mucho llegar hasta aquí.
El sistema está construido, responde de forma razonable y, sin embargo, no forma parte del día a día de las personas. Tocará enviar más e-mails para que se acuerden.
Es algo interesante desde el punto de vista conceptual, pero poco relevante en la práctica. Termina siendo una demostración que genera curiosidad, pero no cambia comportamientos.
El pecado de este tipo de proyectos es que se nos olvida que las soluciones que realmente se utilizan con aquellas que resuelven un problema.
¿Qué problema resuelve un ChatGPT de tu empresa? Ninguno.
Si realmente quieres que un proyecto de IA te funcione oriéntalo a resolver algo que duele dentro de tu empresa. Sistemas IA que responden dudas de producto en el equipo comercial, para ellos. Un agente que ayude a los equipos a interpretar normativa en compliance. O un revisor de la gestión de tarifas.
Partir del problema y no de la herramienta, hace que cambie absolutamente todo el resultado.
Algunas reflexiones
Una vez ves todo el recorrido de montar el “ChatGPT de la empresa”, deja que subraye tres cosas.
La primera es que la herramienta no es el problema. Puedes usar ChatGPT, Copilot o la que toque, pero si no tienes claro qué quieres resolver, no hay nada que encaje.
La segunda tiene más que ver con la empresa que con la IA. En cuanto te metes en serio, te das cuenta del problema de gestión del conocimiento: ¿dónde está realmente el conocimiento? No en teoría, sino en la práctica. Quién decide qué es válido, qué está actualizado, qué se usa y qué no. Y, sobre todo, quién se hará cargo de mantenerlo vivo. Ya no es que los datos sean importantes, ahora será clave el conocimiento.
Y la tercera es que hacerlo bien es bastante más difícil de lo que parece al principio. Montar algo que “funcione un poco” es relativamente fácil. Hacer que funcione bien, con precisión y de forma consistente, es otra historia.
Nada más, hasta aqui hoy. En breve, empezamos con el lanzamiento de mi nuevo libro. IA x Work. Estoy contento con cómo ha quedado.
