Para muchas organizaciones el punto de partida no es el exceso de tecnología sino su escasez: la gestión vive en planillas sueltas, los datos quedan encerrados en silos que no se hablan entre sí, los procesos son manuales y las decisiones se toman sin la evidencia a la vista. La oportunidad es real y, por primera vez, está al alcance de empresas e instituciones que antes no podían pagarla: ordenar esa información, conectarla y llevar la gestión y el análisis del negocio a otro nivel con arquitectura de datos, agentes e inteligencia artificial.
Pero esa oportunidad esconde una trampa, la misma para quien parte de cero que para quien ya intentó digitalizarse y no le rindió: tratarla como un problema técnico. Comprar la herramienta, conectar el dato, encender el modelo. Lo que decide si la inversión rinde o se evapora no es la tecnología elegida, sino cuánto se entendió la organización antes de instalarla. Partir de poca o nula digitalización no reduce el riesgo: lo concentra, porque obliga a construir el subsistema técnico y el humano a la vez. Y el costo de equivocarse no se ve en el código: se ve en el presupuesto y en la adopción que nunca llega.
Este ensayo sostiene una tesis y extrae sus consecuencias para quien decide: el problema de la transformación digital es sociotécnico, no técnico, y entenderlo así es la condición —no el adorno— del retorno.
Un problema sociotécnico, no técnico
La pregunta de fondo no es “¿qué modelo usamos?” sino “¿qué hace acá esta gente, por qué así, qué gana y qué pierde si esto cambia, y quién se va a resistir?”. Toda organización es un sistema sociotécnico: un subsistema social (personas, poder, cultura, incentivos) y uno técnico (procesos, datos, software) que rinden solo si se diseñan juntos.
No es una intuición de consultor; es un hallazgo con setenta años de respaldo empírico. Los estudios del Instituto Tavistock (Trist y Bamforth, 1951) mostraron que una tecnología objetivamente superior bajó la productividad cuando destruyó la organización social del trabajo sin reemplazarla; el método ETHICS de Enid Mumford lo convirtió en disciplina de diseño. La literatura de IA centrada en el humano (Shneiderman, 2020; Dignum, 2019) reafirma el patrón para la era de los algoritmos. Y la teoría del actor-red (Latour, 2005) lo nombra con precisión: un sistema se estabiliza —“funciona”— cuando logra traducir y alinear los intereses de los actores involucrados, no por su perfección técnica.
El vacío donde mueren los proyectos
El mercado, sin embargo, está partido en dos. De un lado, quienes entienden a las personas —procesos, gestión del cambio— pero no construyen el sistema. Del otro, quienes construyen —desarrolladores, ingenieros de datos, arquitectos— pero rara vez leen la organización: reciben un requerimiento ya traducido, y mal, por un tercero. Entre ambos hay un vacío de traducción, y es ahí donde se pierde el proyecto: cada lado culpa al otro, y los dos tienen parte de razón.
Cerrar ese vacío no es poner un intermediario que reúna a las dos partes —eso es coordinación— sino sostener una competencia doble: leer la trama humana y escribir el sistema, de modo que el conocimiento no se degrade en el traspaso. Un perfil escaso por estructura, no por casualidad.
El método: continuidad sin traspasos
La disciplina que propongo se despliega en cuatro funciones que forman un bucle que va de la persona al dato y del dato de vuelta a la decisión. Su valor no está en cubrir cuatro especialidades, sino en que entre ellas no hay traspaso: la misma lectura que origina el diagnóstico es la que modela el dato y diseña la IA. En un equipo convencional, la información se degrada en cada handoff entre especialistas que no se entienden; aquí, la hipótesis sobre la organización se conserva de punta a punta. El mismo recorrido sirve tanto para arreglar lo que ya existe como para construir desde poca digitalización: en ese caso no hay sistema previo que reparar, sino silos que conectar y cimientos de información que levantar antes de poner nada encima.
| Función | Qué aporta | Fundamento |
|---|---|---|
| Lectura organizacional | Mapea poder, cultura, incentivos y procesos reales; distingue el problema declarado del real. | Tradición sociotécnica (Tavistock, Mumford); Díaz Barrios (2005). |
| Ingeniería de software | Convierte esa lectura en sistemas auditables y mantenibles que la gente usa todos los días. | Baxter & Sommerville (2011): diseño sociotécnico iterativo y con usuarios. |
| Ingeniería de datos | Garantiza datos confiables y significativos en su contexto: sin ellos, la IA solo automatiza errores. | Wang & Strong (1996); Redman (2008): la calidad es contextual, no solo técnica. |
| Arquitectura de IA | Diseña soluciones que amplifican el criterio humano y devuelven valor a la decisión, no modelos por moda. | Dignum (2019); O’Neil (2016): IA responsable y auditable. |
Qué dice la evidencia
La prudencia no es una postura; es lo que muestran los datos, en dos planos. En el individual, un experimento de campo con 640 emprendedores en Kenia (Otis et al., 2024) mostró que el acceso a un asistente de IA generativa mejoró el desempeño de los de alto rendimiento (alrededor de +15%) pero deterioró el de los de bajo rendimiento (alrededor de −8%): sin el juicio humano que la filtre, la misma herramienta amplía la brecha en lugar de cerrarla. Lo que decide no es el modelo, sino el sistema humano que lo rodea.
En el plano agregado, la asimetría se repite entre organizaciones. La UNCTAD (2025) advierte una “brecha de cómputo” que excluye a las organizaciones más chicas, y la penetración de IA en América Latina no llega al 4% —frente a más del 20% en Europa—, con distancias internas igual de grandes (en Brasil, 41% de las grandes firmas frente a 11% de las pymes; CEPAL, 2024). La implicación para quien decide es directa: el retorno de la IA no depende de adoptarla, sino de adoptarla donde la organización está lista para sostenerla.
Medir antes de invertir
Por eso la primera entrega no es tecnología, sino un diagnóstico: una lectura sociotécnica que separa el problema declarado del real y dictamina dónde la IA paga y dónde solo destruye valor. Automatizar lo de bajo valor libera horas; medir la madurez primero evita el gasto que no rinde.
El diagnóstico no frena la ambición: la ordena en una secuencia. Primero se conectan los silos en una arquitectura de información que permita que los datos se hablen entre sí; sobre ella se construye una base de datos gobernados y confiables, significativos en su contexto; y recién encima de esos cimientos se introducen los agentes y la IA, y solo donde ya hay quién los gobierne y los use. El orden importa: poner los agentes antes de los cimientos no acelera el retorno, lo compromete. Así, llevar la gestión y el análisis a otro nivel deja de ser una promesa de catálogo y pasa a ser una construcción con fundamento.
El mismo principio rige en el sector público, donde el criterio se vuelve condición: lo que no se puede auditar no se puede usar. Allí la IA no reemplaza al funcionario; amplifica su capacidad de gestionar y atender, sobre datos interoperables y modelos auditables que incorporan la perspectiva de quienes los usan. La modernización institucional no se compra en forma de software: se construye fortaleciendo capacidades y poniendo al destinatario —cliente o ciudadano— en el centro.
Los fundamentos
Cinco corrientes sostienen este argumento; cada una aporta una sola idea:
- Sistemas sociotécnicos (Trist y Bamforth; Mumford): el subsistema social y el técnico se optimizan juntos o fracasan juntos.
- Teoría del actor-red (Latour; Callon): la tecnología se estabiliza cuando traduce y alinea los intereses de los actores.
- IA centrada en el humano (Shneiderman; Dignum; O’Neil): la IA debe amplificar, controlar y dar confianza a las personas, no aislarlas.
- Calidad de datos contextual (Wang & Strong; Redman): la calidad es aptitud para el uso; sin contexto, el dato miente.
- Madurez para la IA (Jöhnk et al., 2021): la preparación es estrategia, cultura, talento y gobernanza, no solo infraestructura.
La implicación para quien decide
La conclusión no es que la IA deba evitarse, sino que su valor es condicional: aparece cuando se entiende la organización antes de programarla. Bien aplicada, no reemplaza personas —libera horas, mejora decisiones con evidencia y cierra brechas en lugar de ampliarlas—; mal aplicada, hace lo contrario, más rápido y a mayor escala. La diferencia entre un caso y otro rara vez está en el modelo: está en la disciplina con que se leyó el sistema humano antes de tocar el técnico.
Lejos de volver vieja esta exigencia, la IA agéntica —software que ya no sugiere sino que ejecuta solo— la vuelve más urgente: cuanto más decide la herramienta por su cuenta, más caro sale el proceso que nadie se detuvo a entender, porque se ejecuta a escala y sin testigo. El criterio humano no desaparece; se traslada al diseño y la auditoría de las reglas con que la IA decide.
Diagnosticar la organización, modelar los datos, construir el sistema y gobernar la IA como un solo recorrido —sin que el sentido se pierda en los bordes— es la práctica que ofrezco a las empresas e instituciones que quieren que la IA, además de funcionar, les rinda.