Descifrando la IA: parálisis, fatiga y «washing»

Telmo Silva se sienta a charlar con Danny Valentino, director de Tecnologías Digitales y de Tienda en Home Hardware, para charlar con franqueza y sin florituras sobre las tres trampas de la IA que, sin que te des cuenta, están agotando a los equipos tecnológicos de las empresas. Dos veteranos que han vivido la época de los AS-400, la burbuja puntocom y todas las tendencias que ha habido entre medias analizan con franqueza lo que realmente ocurre sobre el terreno cuando las empresas intentan «poner en marcha la IA» y por qué tantas de ellas se quedan atascadas.

Preguntas que hicimos

• ¿Por qué los líderes tecnológicos con experiencia se quedan en blanco a la hora de elegir una herramienta de IA, y qué tiene que ver esto con los sistemas determinísticos frente a los probabilísticos?
• ¿La presión para adoptar la IA viene de dentro de la organización o es totalmente externa?
• ¿Cómo se manifiesta en la práctica el «AI washing» y se está convirtiendo en un problema normativo?

Lo que hemos aprendido

• La «parálisis de la IA» no es una falta de conocimientos. Es el resultado de tener demasiadas herramientas, demasiados modelos y demasiada presión para elegir el más adecuado antes incluso de saber qué problema estás resolviendo.
• La «fatiga de la IA» es algo real. Los expertos en tecnología dedican más energía mental a averiguar cómo poner en marcha la IA que a definir realmente los procesos que se supone que la IA debe mejorar.
• Tener datos limpios no es opcional. Tanto si gestionas un chatbot generativo como si estás creando agentes, los datos desordenados y sin estructurar siempre se traducirán en resultados imperfectos.
• Empieza poco a poco y deja de perseguir modelos. Elige un problema concreto, busca una herramienta que te sirva para resolverlo y sigue adelante.

La parálisis de la IA: cuando tener más opciones significa avanzar menos

Danny Valentino no leyó nada sobre la «parálisis de la IA» en un informe. La vivió en primera persona. A medida que los modelos de IA se volvían más sofisticados, las respuestas se alargaban, las herramientas se multiplicaban y las decisiones se volvían más difíciles. ¿Copilot o ChatGPT? ¿ChatGPT o Claude? Y luego llegó la presión de la empresa: integrar API abiertas, supervisar los resultados, comprobar la precisión, cambiar de herramienta. Lo que se suponía que iba a acelerar el trabajo empezó a generar algo totalmente distinto: un bucle sin fin de dudas y vacilaciones sin una salida clara.

Parte de lo que hace que esto sea tan difícil, explica Danny, es que los veteranos de las TI se han pasado toda su carrera trabajando con sistemas deterministas. La misma entrada, la misma salida, siempre. La IA es todo lo contrario. Es probabilística por naturaleza, y la brecha entre lo que esperan los tecnólogos con experiencia y lo que realmente ofrece la IA es donde radica el problema.

Solo conocemos un mundo de sistemas deterministas. La IA es totalmente probabilística. Tú le preguntas algo, yo le pregunto algo, y nos dan respuestas diferentes. Eso es parte del problema.
Danny Valentino, director de Tecnologías Digitales y de Tienda en Home Hardware

La fatiga de la IA: el coste oculto de la presión externa

Con más de 1,5 billones de dólares invertidos en IA a nivel mundial, la presión por no quedarte atrás es implacable. Todas las presentaciones de los proveedores empiezan hablando de IA. Los chatbots se convirtieron en agentes. Los agentes se volvieron «agentes». Y, en algún momento, Dan se dio cuenta de que dedicaba la mayor parte de su energía mental no a los sistemas de venta al por menor y de tienda de los que es responsable, sino a averiguar cómo implementar la IA, porque la presión para hacerlo venía de todas partes, desde fuera de la organización.

Esto es lo que se conoce como «fatiga de la IA»: ese agotamiento mental que se produce cuando los expertos en tecnología dedican más tiempo a pensar cómo van a usar la IA en sus procesos que a definir los propios procesos. Lo irónico, como coinciden tanto Telmo como Danny, es que la mayoría de las organizaciones apenas han puesto en marcha lo último cuando ya llega lo siguiente.

De la lista de tareas pendientes a la solicitud de incorporación de cambios: la IA de Agentic en el mundo real

No todo lo que se habla es sobre precauciones. Telmo cuenta algo que le sorprendió de verdad: su director técnico añadió discretamente a un nuevo desarrollador al equipo ágil. Sin proceso de incorporación. Sin presentaciones. Simplemente un desarrollador que, por su cuenta, selecciona errores de la lista de tareas pendientes, escribe correcciones, envía solicitudes de incorporación de cambios y va ajustando el código según los comentarios hasta que el trabajo está hecho.

Funciona. Pero también plantea una pregunta más complicada: ¿qué pasa con los desarrolladores sénior cuando su trabajo principal pasa a ser validar lo que genera la IA? La respuesta, sospecha Telmo, es que no son solo revisores. Son formadores. Y el verdadero valor lo tendrán quienes sepan cómo encajar todas las piezas: interfaces de chat, generación aumentada por recuperación, API de IA, servidores MCP, agentes… sin tener que escribir necesariamente cada línea de código ellos mismos.

«AI Washing»: cuando el titular habla de IA, pero la realidad es otra cosa

El tercer término de este episodio es el más llamativo. El «AI washing» es lo que pasa cuando una empresa exagera o tergiversa el papel de la IA en sus productos o decisiones. Los ejemplos no son nada complicados: BLOCK usa la IA como excusa para despidos masivos, Meta aprovecha el discurso sobre la IA para gestionar las expectativas de los inversores, y la SEC ya está multando a empresas por ello. El patrón es siempre el mismo: anuncian la IA, suben las acciones. Contratan a ingenieros de IA, suben las acciones. Despiden a ingenieros de IA, suben las acciones. La tecnología casi no importa. Lo que importa es el titular.

Los marcos normativos están empezando a ponerse al día. La Ley de IA de la UE incluye requisitos de transparencia. La SEC está velando por su cumplimiento. Pero para las empresas que cotizan en bolsa y tienen que gestionar costes y valoraciones, la IA sigue siendo una excusa muy conveniente, y tanto Telmo como Dan se muestran escépticos respecto a que se reviertan los recortes de plantilla anunciados bajo ese pretexto.

Por dónde empezar: céntrate en el problema, no en el modelo

El episodio termina como debe: ni con un marco de trabajo, ni con un modelo de zonas, sino con el consejo más sencillo posible. Antes de elegir una herramienta, elige un problema. Que sea pequeño. Que tenga poco riesgo. Asegúrate de que los datos que lo sustentan estén limpios y bien gestionados. Después, elige una herramienta que realmente funcione para ese problema y déjalo ahí.

Como dice Dan: «Esta pequeña cosa te ayudará a resolver un gran problema y te ahorrará tiempo en el trabajo. No te agobies. «

Ese es el antídoto contra la parálisis, el cansancio y el lavado. Te lo digo.