← Todos los artículos

IA en todas partes es IA en ninguna

En esta página

Estoy hecho polvo. Navegadores con IA, funciones de Copilot por todas partes, IA que toma notas, IA en mi terminal, IA en mi buscador. Es agotador. ¿Y lo peor? Casi nada de eso ayuda.

La moda de espolvorear IA en cada producto no va a ayudar a nadie. El problema no es que la IA sea mala. Es que pegar “Copilots” a todo, con patrones de interfaz nuevos y complicados, hace que las herramientas sean más difíciles de entender y de usar, no más fáciles. Y sin un conocimiento crítico de las herramientas que usamos, acabamos con mucha gente dando palos de ciego, sin entender ni usar bien las cosas.

La competencia sigue importando

Microsoft lanzó hace poco el “vibe working” con el Modo Agente de Excel1. La función genera hojas de cálculo y modelos financieros completos a partir de instrucciones en lenguaje natural, desde calculadoras de préstamos hasta cuentas de pérdidas y ganancias. Según los propios benchmarks de Microsoft, alcanza un 57,2% de acierto en la batería de pruebas SpreadsheetBench1.

Piensa en lo que significa. Modelos financieros que fallan casi la mitad de las veces. Si no sabes Excel lo bastante para auditar lo que se genera, no vas a pillar los errores.

Y no es una hipótesis. El incidente de la “ballena de Londres” de JPMorgan Chase en 2012 implicó un modelo de riesgo construido con hojas de Excel que obligaban a copiar y pegar datos a mano2. Un error operativo en el cálculo, dividir por la suma en vez de por la media, hizo que el modelo mostrara las operaciones con la mitad de riesgo del real. El resultado: una pérdida de $6,2 mil millones y $920 millones en multas3.

O piensa en el artículo de economía de Reinhart y Rogoff, que influyó en las políticas de austeridad de varios países tras la crisis financiera de 20084. Una fórmula básica de Excel que dejaba fuera a cinco países convirtió su hallazgo, un crecimiento medio del PIB del 2,2%, en una caída del -0,1%5. Ese error sirvió de justificación a medidas de austeridad que empujaron el paro por encima del 10% en la eurozona6.

El patrón es claro: cuando la IA ayuda a la gente a crear cosas que no entiende, los resultados pueden ser catastróficos. Vale igual para programar. Los desarrolladores que aceptan código generado por IA sin entender qué hace, cómo trata los casos límite o qué rendimiento tiene construirán sistemas que funcionan en la demo y fallan en producción.

Cuando la IA funciona de verdad

La IA puede ser muy útil. Las implementaciones que funcionan comparten rasgos.

Los mejores ejemplos vienen de la imagen médica, donde la IA prioriza pacientes identificando las pruebas con más probabilidad de contener hallazgos críticos. Un estudio mostró un sistema que detectaba hemorragia intracraneal en TAC cerebrales y marcó como urgencias 94 de 347 casos rutinarios, con 60 verdaderos positivos, y redujo el tiempo de informe de 8,5 horas a 19 minutos7.

Estas implementaciones funcionan porque el problema es concreto. No es “mejorar Excel”, es “reducir el tiempo que los radiólogos dedican a la revisión inicial de un TAC”. Las personas siguen en el circuito: el radiólogo hace el diagnóstico y la IA ayuda a priorizar. El éxito se puede medir. Encaja en el flujo de trabajo existente. Y, sobre todo, los sistemas los construyeron especialistas en imagen médica con un conocimiento profundo del terreno.

Eso es ingeniería de verdad aplicada a la IA. Encuentra un cuello de botella concreto donde el reconocimiento de patrones ayude de verdad, construye un sistema que encaje en los flujos de trabajo actuales, mantén a las personas en el circuito y haz que el impacto sea medible.

El argumento a favor de la IA en todas partes

Para ser justos, hay argumentos a favor de un despliegue generalizado. Encuestas recientes indican que los trabajadores que usan IA generativa ahorran un 5,4% de sus horas de trabajo7. Las proyecciones económicas estiman que la IA aumentará el PIB un 1,5% en 20358. Hay estudios que han encontrado que las herramientas de IA mejoran el rendimiento un 66% de media, con las mayores ganancias para los usuarios menos cualificados9.

Entre los beneficios teóricos están los efectos de red (más usuarios mejoran los modelos), la democratización de la capacidad (ayudar a los trabajadores menos cualificados) y el descubrimiento por experimentación (no puedes saber qué funciona sin probarlo).

Pero fijarse un aumento porcentual cualquiera de la “productividad” como objetivo es un error de base. No puedes declarar a tu organización “AI native” o “AI first” y esperar resultados con sentido. La IA no puede conocer los entresijos de tu negocio, que se construye por entero sobre comportamiento humano, comunicación, relaciones, redes y criterio.

Una investigación más amplia, que examinó a un abanico grande de empleados y tareas, encontró que, pese a la fuerte inversión, los chatbots de IA tuvieron un impacto modesto: ahorraron solo un 2,8% de las horas de trabajo10. Más grave aún, dos tercios de ese tiempo ahorrado se reasignaron a actividades que no aportan valor10. Las ganancias de productividad rara vez se tradujeron en mejores sueldos.

Tienes que entender a fondo cómo trabajan de verdad tus empleados antes de lanzarte a implantar IA. No con brocha gorda sobre la “productividad”, sino con flujos de trabajo concretos donde puedas apuntar una mejora, medir si se sostiene y luego iterar. Si funciona, elige la siguiente fruta al alcance de la mano. Eso es ingeniería. Lo demás es teatro.

El argumento de la “democratización” tiene un lado más oscuro. Sí, las ganancias de productividad de los trabajadores menos cualificados suenan atractivas. Pero ¿están aprendiendo algo? Probablemente no. No están formando una comprensión profunda del comportamiento humano, la comunicación, las relaciones, las redes y el criterio en los que se mueven tu negocio y tus clientes. Cuando cierras la brecha entre trabajadores cualificados y no cualificados reduciendo la necesidad de competencia básica, no ayudas a nadie a desarrollar pericia. Creas dependencia de sistemas que alucinan y se equivocan. Microsoft ha recibido tantas quejas de que Copilot es intrusivo que tuvo que añadir un botón para desactivarlo11. Los usuarios se dan cuenta cuando la “ayuda” les estorba para trabajar bien.

Lo que de verdad tiene que pasar

Y aquí viene lo gracioso: estos sistemas de IA específicos existen desde hace años. La detección de control de calidad en las líneas de producción lleva usando visión artificial y aprendizaje automático desde mucho antes de la actual fiebre de la IA12. Los sistemas de detección de fraude con tarjeta llevan décadas usando algoritmos de aprendizaje automático para identificar transacciones sospechosas en tiempo real13. No son aplicaciones nuevas. Son sistemas probados que funcionan porque resuelven problemas concretos y bien definidos.

La información y las API no están lo bastante ordenadas para ser útiles salvo que se construyan pensando en casos de uso humanos reales. La IA no puede suplir una mala arquitectura de la información. Puede reforzar la toma de decisiones e influir en ellas, pero el elemento humano tiene que estar ahí: decidir cómo deben funcionar los sistemas, entender las ventajas y desventajas competitivas, saber cuándo un resultado es erróneo.

Las empresas que triunfarán con la IA no son las que se la lanzan a todo. Son las que entienden a fondo un sector concreto e identifican un cuello de botella clave, construyen soluciones específicas para ese problema, integran la IA donde la ambigüedad no es un desastre, mantienen los sistemas legibles (puedes ver qué hace la IA e intervenir cuando haga falta) y hacen que la aportación de la IA sea medible y mejorable.

La IA puede rellenar muy bien un hueco donde el reconocimiento de patrones o el manejo de la ambigüedad aporten valor. Pero no se trata de embutir chatbots o flujos de trabajo nuevos y complicados a la fuerza por la garganta de los usuarios. Se trata de complementar procesos existentes donde tenga sentido.

El enfoque de tirarle IA a todo y ver qué se pega es desaconsejable. Lleva a funciones a medio cocer que no cumplen ninguna función real y acaban dando malos resultados a los usuarios. Peor aún, contamina la propia etiqueta de IA. Cuando los usuarios se topan una y otra vez con funciones de IA rotas, dejan de fiarse de las capacidades de la IA incluso donde de verdad ayudarían.

Encuentra un cuello de botella concreto y resuélvelo

No pretendo hundir todas las soluciones de IA. Algunas serán brillantes en cosas muy concretas. Pero las construirá gente que entiende a fondo un sector y ha identificado un cuello de botella genuino que la IA puede resolver.

Los sistemas de IA actuales siguen sin poder incluir datos clínicos ni comparar con imágenes previas en contextos médicos14. Operan aislados, incapaces de integrarse sin fricción en la atención multidisciplinar14. Alucinan, generan respuestas erróneas y dan información engañosa con tasas de entre el 3% y el 10%15. Son problemas que no se resuelven desplegando en todas partes y confiando en que salga bien.

La oportunidad real de la IA no está en la ubicuidad. Está en la precisión. Está en entender exactamente dónde aportan valor estos sistemas y construir implementaciones específicas para un problema, legibles en su funcionamiento, integradas en los flujos de trabajo existentes, con su impacto real medido y diseñadas con supervisión humana.

Cuando pones IA en todas partes, la haces menos valiosa donde de verdad podría ayudar. Entrenas a los usuarios para que desconfíen de lo que sale de la IA y creas un panorama donde las implementaciones útiles se ahogan entre el AI-washing.

La IA puede transformarlo todo cuando se hace bien. Pero “bien” significa soluciones específicas, medidas e integradas, construidas por gente que entiende tanto la tecnología como el sector. No copilotos atornillados a cada producto tengan sentido o no.

Cuando tengamos estos sistemas específicos bien definidos y funcionando, y solo entonces, quizá veamos cierta evolución hacia la ubicuidad que todo el mundo persigue. Pero todavía no estamos ahí. Ni de lejos.

References

Footnotes

  1. Microsoft 365 Blog. (2025, September 29). Vibe working: Introducing Agent Mode and Office Agent in Microsoft 365 Copilot. ↩ ↩2

  2. JPMorgan Chase & Co. (2013, January 16). Report of JPMorgan Chase & Co. Management Task Force Regarding 2012 CIO Losses. Yale Program on Financial Stability. ↩

  3. Wikipedia. (2025). 2012 JPMorgan Chase trading loss. ↩

  4. Wikipedia. (2025). Growth in a Time of Debt. ↩

  5. Bloomberg. (2013, April 18). FAQ: Reinhart, Rogoff, and the Excel Error That Changed History. ↩

  6. Clinical applications of artificial intelligence in radiology. PMC. https://pmc.ncbi.nlm.nih.gov/articles/PMC10546456/ ↩

  7. St. Louis Fed. (2025, February 27). The Impact of Generative AI on Work Productivity. ↩ ↩2

  8. Penn Wharton Budget Model. (2025). The Projected Impact of Generative AI on Future Productivity Growth. ↩

  9. Nielsen Norman Group. (2024, January 30). AI Improves Employee Productivity by 66%. ↩

  10. Computerworld. (2025, June 2). AI chatbots deliver minimal productivity gains, study finds. ↩ ↩2

  11. Microsoft Q&A. (2025). How do I stop the annoying copilot thing popping up on Excel, Word, and everywhere else it’s not wanted? ↩

  12. IBM. (2025). How is AI being used in Manufacturing. ↩

  13. IBM. (2025). AI Fraud Detection in Banking. ↩

  14. ScienceDirect. (2024, October 20). AI in radiology: From promise to practice − A guide to effective integration. ↩ ↩2

  15. Shelf. (2024, November 13). How to Prevent Microsoft Copilot Hallucinations. ↩