Qué está pasando

El salto de asistentes conversacionales a agentes que ejecutan tareas por su cuenta (abrir tickets, mover dinero, contratar servicios, responder a clientes en nombre de la empresa) ya está en producción en varias funciones, soporte, procurement, operaciones de TI, finanzas, es código corriendo en sistemas que ya tocan clientes, proveedores y balance.

La promesa es clara, menos fricción, ciclos más cortos, palanca operativa real, la factura oculta también lo es, cada agente autónomo es un empleado nuevo sin manager, sin límites documentados y sin ruta de escalación cuando algo se sale del guion.

Y lo que pasa cuando el modelo se encuentra con un caso que no estaba en el prompt, con un dato ambiguo o con una instrucción del usuario que contradice la política interna.

La lectura

El instinto ejecutivo natural es tratar esto como un problema de seguridad de IT o de compliance, es un error de encuadre.

La gobernanza de agentic AI es una decisión sobre delegación, la misma clase de decisión que un CEO toma cuando define qué firma un gerente regional y qué sube al comité, la diferencia es que ahora el delegado no es humano, no se cansa, opera en paralelo y no tiene intuición sobre cuándo parar.

Dicho de otra forma, el problema no es qué puede hacer el agente, el problema es qué debe hacer sin preguntar, qué debe hacer preguntando, y qué no debe hacer nunca, esa matriz es una decisión de negocio, no de tecnología.

Cuando esa matriz no existe, pasan dos cosas al mismo tiempo, primero, la organización toma riesgo que no está midiendo, porque nadie definió el perímetro, segundo, el agente termina siendo ineficiente, porque en la duda escala todo o no escala nada, y ninguno de los dos escenarios justifica la inversión.

Qué significa para tu organización

Hay cuatro frentes concretos que se abren cuando un agente autónomo entra en producción:

1. Riesgo operacional: un agente que ejecuta puede hacer daño real, pagos duplicados, promesas comerciales fuera de política, cancelaciones que no debía hacer, necesitas un techo de daño reversible por transacción y por día.

2. Riesgo regulatorio: en LATAM la regulación de IA está desigual, pero las autoridades de protección de datos y las de sector financiero ya están mirando, si un agente toma una decisión que afecta a un cliente (rechazar un crédito, cerrar una cuenta, aplicar un cargo), tienes que poder explicar por qué y quién es responsable, “El modelo decidió” no es respuesta.

3. Talento y estructura: ¿Quién es el manager del agente?, si nadie tiene el agente en su P&L o en su OKR, nadie lo va a monitorear en serio, la gobernanza sin ownership es papel.

4. Presupuesto: el costo real de agentic AI no es el token, es el equipo que revisa lo que hizo, la infraestructura de logs y auditoría, y el ciclo de retraining cuando el comportamiento se degrada, presupuestar solo la licencia es subestimar el costo por un factor grande.

La decisión de esta semana

Tres movimientos concretos, cada uno con dueño claro:

• Inventario y clasificación de agentes (dueño: COO o CIO), lista todos los agentes o pilotos autónomos en la organización, así sean experimentos, clasifícalos por nivel de decisión, informativo, transaccional reversible, transaccional irreversible, la mayoría de organizaciones descubre aquí que tiene más de los que creía.

• Matriz de escalación (dueño: comité ejecutivo, no delegable), para cada clase, define tres cosas, qué puede hacer el agente solo, qué requiere aprobación humana antes de ejecutar, y qué está prohibido, esto se firma arriba, no se delega a un equipo técnico.

• Ownership y revisión (dueño: cada líder funcional), cada agente en producción tiene un dueño humano nombrado, con revisión semanal de excepciones en los primeros noventa días, sin dueño, el agente se apaga, regla simple.

Cierre

La pregunta que vale la pena llevar al próximo comité no es cuántos agentes vamos a desplegar este año, es quién es responsable cuando uno de ellos se equivoca, y si esa respuesta no está clara, todavía no estamos listos para escalar.

Garantiza que una persona en tu organización tenga el mandato, el presupuesto y la autoridad para responder ante la junta. Asignar esto a todos es no asignarlo a nadie. Controla tu presupuesto de IA. Instalar una oficina centralizada de IA es una obligación corporativa. Define tu gobierno operativo antes de escalar operaciones y protege tu ventaja. El texto anterior explica el qué. AI for Executives de 30X te entrega el cómo.

Aplica al programa AI for Executives.

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

El nombramiento clave

MISTRAS, una compañía industrial de testing y monitoreo de activos, creó una posición ejecutiva dedicada exclusivamente a IA, no un CIO ampliado, no un chief data officer con IA en el título, una función nueva, con reporte alto, cuyo mandato explícito es traducir oportunidades de IA en capacidades escalables y medibles.

Sarrouh viene de Kroger, donde lideró iniciativas de IA en un entorno de retail con márgenes ajustados y decisiones que se miden en centavos por transacción, su llegada a MISTRAS trae un modelo operativo específico, marcos de adopción responsable, gobernanza definida y, sobre todo, métricas de desempeño atadas al negocio.

Este patrón se repite, cada semana aparecen nombramientos similares en compañías del Fortune 1000, la AI Office dejó de ser un experimento organizacional para convertirse en una figura estándar.

De la experimentación a los resultados

La interpretación fácil es que las empresas están “tomándose la IA en serio”, cierto, pero incompleto.

Lo que realmente está pasando es un cambio en la unidad económica con la que se mide la IA, durante tres años, el KPI dominante fue el piloto, cuántos casos de uso lanzamos, cuántas herramientas probamos, cuántos empleados usan Copilot, ese lenguaje ya no le sirve a un CFO.

La creación de una oficina de IA con un director ejecutivo dedicado responde a tres presiones simultáneas:

1. El board pregunta por ROI, no por adopción, y nadie en la organización tiene el mandato transversal para responder con datos consolidados.

2. Los pilotos se acumulan sin integrarse, hay 40 iniciativas, ninguna en producción, y nadie sabe cuál matar.

3. La gobernanza es un vacío costoso, legal, riesgo, IT y negocio operan con criterios distintos sobre qué se puede desplegar y bajo qué condiciones.

Una oficina de IA no resuelve estos problemas por existir, los resuelve porque concentra la accountability en una persona con presupuesto y autoridad para decir que no.

El impacto en tu estrategia

Si operas en LATAM, la tentación es asumir que esto aplica solo a compañías de mayor escala, es un error de lectura.

La razón por la que MISTRAS, una industrial de nicho, crea esta función no es su tamaño, es que llegó al punto donde el costo de coordinar IA de forma distribuida supera el costo de centralizarla, ese punto llega antes de lo que la mayoría de los comités asume, especialmente en organizaciones con múltiples unidades de negocio o geografías.

Hay tres implicaciones prácticas:

• Sobre talento: el perfil que se está contratando no es un data scientist senior con título nuevo, es un ejecutivo que entiende de operaciones, gobernanza y economía del negocio, y que además sabe de IA, ese perfil es escaso en la región y las compensaciones se están recalibrando rápido.

• Sobre presupuesto: tener una oficina de IA sin línea presupuestal propia es teatro organizacional, las compañías que están avanzando le asignan un P&L o al menos un capex dedicado, separado del budget de TI.

• Sobre gobernanza: el marco de adopción responsable que menciona el caso MISTRAS es un criterio operacional que decide qué caso de uso avanza a producción y cuál se detiene, sin ese filtro, la oficina de IA se convierte en un cuello de botella burocrático.

La decisión de esta semana

Se trata de responder tres preguntas con nombre propio:

1. ¿Quién en tu organización tiene hoy la autoridad para apagar un piloto de IA que no está generando valor?, si la respuesta es “nadie con claridad”, tienes un problema de gobernanza que ninguna herramienta va a resolver, decisión de CEO.

2. ¿Cuál es la métrica única con la que vas a reportar el impacto de IA en el próximo comité de junta?, si son cinco métricas o “depende del caso”, el board va a concluir que no hay control, decisión de CEO + CFO.

3. ¿Estás dispuesto a centralizar el presupuesto de IA que hoy vive disperso en marketing, operaciones y TI?, la oficina de IA sin control presupuestal es un título sin poder, decisión de comité ejecutivo.

Toma el control

La pregunta es si alguien en tu organización tiene el mandato, el presupuesto y la autoridad para responder por ella ante la junta, si esa persona no existe, la estás dejando existir por default en el peor lugar posible, todos y nadie.

Controla tu presupuesto de IA La creación de una oficina de IA centralizada es un requisito corporativo, la empresa que define su gobierno operativo antes de escalar operaciones asegura su ventaja, eso es AI for Executives de 30X, las acciones de arriba son el qué, el programa es el cómo.

Aplica al programa AI for Executives → aprovecha hoy con 10%.

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

Qué está pasando

Estados Unidos avanza hacia un mosaico regulatorio en el uso de IA para decisiones de empleo, sin un estándar federal que ordene el campo, según el análisis publicado por HR Executive este mes, algunos estados ya regulan directamente el uso de IA en hiring, promoción y despido, con obligaciones concretas de notificación al candidato, auditorías de sesgo y trazabilidad de las decisiones, otros no legislan la herramienta, pero atacan el mismo problema por la puerta de la privacidad de datos o desde la gobernanza del sector público, el resultado práctico es que la misma decisión automatizada puede ser legal en un estado, requerir disclosure en otro y ser accionable en un tercero.

Para una empresa que opera solo en un mercado, es un problema serio, para una empresa con operación multi jurisdicción, incluyendo LATAM con nómina o contratación en EE.UU., es una superficie de riesgo que hoy nadie está mapeando en el comité de auditoría.

La lectura

La conclusión fácil es “esperemos a que haya regulación federal para armonizar”, es la lectura equivocada por dos razones.

Primero, la fragmentación es el estado, en Europa el AI Act ya está en vigor, en Brasil el marco de IA avanza en el Congreso, y en México y Colombia hay borradores y guías sectoriales, ningún cuerpo regulatorio va a ceder jurisdicción para que EE.UU. arme un estándar único, la empresa que asuma que “pronto habrá claridad” va a operar durante los próximos tres a cinco años con incertidumbre estructural.

Segundo, el riesgo es el litigio individual de un candidato o empleado que fue rechazado, no promovido o despedido con input de un sistema que la empresa no puede explicar, ese caso no requiere que exista una ley específica de IA, se litiga con las herramientas laborales y antidiscriminación existentes, que en LATAM tienen carga probatoria favorable al trabajador, la IA sin gobernanza convierte cada decisión de talento en un pasivo contingente.

Qué significa para tu organización

Si tu empresa usa IA en cualquier punto del ciclo de talento (screening de CVs, scoring de entrevistas, análisis de performance, recomendaciones de promoción, o herramientas de “people analytics”) tienes cuatro exposiciones concretas:

• Jurisdiccional: no sabes qué régimen aplica a qué empleado, un desarrollador contratado en Colombia para un cliente en Nueva York puede activar reglas de tres jurisdicciones simultáneas.

• De proveedor: la mayoría de las herramientas de IA en RRHH son SaaS de terceros, el contrato estándar traslada el riesgo de compliance a ti, no al vendor, revisa tus MSAs.

• De explicabilidad: si un candidato pide en juicio la razón del rechazo y tu equipo responde “el sistema lo scoreó bajo”, perdiste, la carga de explicar la decisión es tuya, no del proveedor del modelo.

• De gobernanza interna: muy pocas empresas de la región tienen un inventario formal de dónde se usa IA en decisiones de personas, sin ese inventario, no hay política que aplicar.

La decisión de esta semana

Tres movimientos, con nivel de decisión explícito:

1. Ordenar un inventario de uso de IA en el ciclo de talento en un plazo de 30 días, alcance, toda herramienta, propia o de tercero, que produzca un output que influya en una decisión sobre una persona, decisión del CHRO en conjunto con Legal, no delegable a un analista.

2. Clasificar cada uso por jurisdicción y nivel de riesgo (alto, medio, bajo) según el tipo de decisión que informa, un chatbot que responde dudas de beneficios es bajo, un scoring que filtra CVs es alto, decisión del Comité de Riesgos con input de Legal, RRHH y el líder de datos.

3. Definir una política mínima de human in the loop para todo uso clasificado como alto, ninguna decisión adversa (rechazo, no promoción, despido) puede ejecutarse sin revisión humana documentada, decisión del CEO en conjunto con el board, porque es una política de riesgo, no de proceso.

Estos tres pasos no requieren esperar a que haya regulación local, requieren aceptar que la gobernanza de IA en decisiones de personas ya es una responsabilidad fiduciaria de la dirección.

Blinda tus decisiones de talento

El estándar federal que muchos esperan no va a llegar a tiempo para el próximo litigio, la empresa que tenga el mapa antes que la citación, gana.

La pregunta que tu comité debe hacer es cuántas decisiones sobre personas dependen hoy de un algoritmo que nadie puede explicar en un juicio, si nadie en la mesa tiene ese dato hoy, tu gobierno corporativo opera sobre números ciegos.

La fragmentación regulatoria expuso la distancia entre comprar software y gestionar el riesgo legal, la pregunta para tu comité es simple, ¿tienes el inventario real de IA en tu empresa y sabes quién asume la responsabilidad de cada decisión?

Eso es AI for Executives de 30X, las acciones de arriba son el qué, el programa es el cómo.

Aplica al programa AI for Executives → aprovecha hoy con 10%

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

Si eres el sponsor de una iniciativa de IA en tu organización, este es el dato incómodo del trimestre, casi con certeza tu dashboard está más cerca del 69% que del 53%.

La brecha entre líderes y operadores

Certinia encuestó a ejecutivos y a practitioners sobre el mismo universo de despliegues de IA en sus empresas, cuando les preguntaron si la implementación estaba siendo exitosa, los líderes respondieron sí en 69% de los casos, los profesionales que usan las herramientas para hacer su trabajo respondieron sí en 53%.

En funciones donde el margen de error importa (auditoría, tributaria, cumplimiento), la brecha se amplía, el 43% de los practitioners considera exitosa la implementación, contra el mismo optimismo ejecutivo, la barrera principal es desconfianza en el output.

La trampa del optimismo ejecutivo

La conclusión fácil es que los ejecutivos están desconectados, y es cierto, pero es la mitad de la historia.

La otra mitad, más importante, la autoevaluación del liderazgo sobre IA es sistemáticamente el número más optimista disponible en la empresa, los ejecutivos evalúan la iniciativa que ellos aprobaron, financiaron y defendieron ante el board, los sesgos de confirmación y de sunk cost hacen su trabajo, además, rara vez tocan la herramienta, su experiencia con “la IA de la empresa” es una demo bien preparada y un reporte trimestral que ellos mismos pidieron optimista.

Los practitioners, en cambio, ven los outputs uno por uno, cuando un modelo alucina una cifra en un análisis tributario, es el senior manager quien lo detecta a las 11pm antes de firmar, cuando la herramienta produce un memo legal con jurisprudencia inexistente, es el asociado el que lo descubre, ellos no están siendo pesimistas, están reportando la tasa real de error.

El 43% en auditoría es una señal de que la herramienta todavía no cumple el estándar profesional que la función exige, y ese estándar no lo baja el CEO por decreto.

Qué significa para tu organización

Tres implicaciones concretas.

• Tu ROI reportado está sobreestimado: si tu métrica principal viene del dueño del proyecto, tienes un problema de gobernanza de datos, los mismos casos que el líder cuenta como “time saved” incluyen las horas que el equipo dedicó a auditar el output, corregir errores y explicar al cliente por qué la respuesta cambió, ese costo rara vez entra al numerador.

• La desconfianza no se resuelve con más training: en funciones de alto riesgo, los profesionales tienen razón en desconfiar, la solución es rediseñar el flujo para que la IA opere donde el costo del error es bajo y dejar la decisión final en el humano donde el costo es alto, confundir esto es un error de gobernanza que va a costar caro cuando aparezca el primer escándalo público.

• Tu mejor termómetro no está en el comité ejecutivo: está dos niveles abajo, el senior manager que decide si usar la herramienta o hacer el trabajo a mano es quien tiene la información que necesitas para asignar presupuesto el próximo año, si no lo estás escuchando de manera estructurada, estás decidiendo a ciegas.

La decisión de esta semana

1. Pide un reporte paralelo de adopción real al COO o al líder de operaciones, no al sponsor del proyecto de IA, métrica única, qué porcentaje de los usuarios con licencia activa usó la herramienta más de tres veces en el último mes, esa cifra rara vez coincide con la del dashboard oficial, decisión a nivel CEO / COO.

2. Instituye una encuesta trimestral a practitioners de dos preguntas: ¿confías en el output para tu trabajo? ¿lo usarías si no fuera obligatorio? Publica los resultados junto al reporte de ROI, decisión a nivel Chief AI Officer o CIO.

3. En funciones de alto riesgo, congela expansión hasta cerrar la brecha de confianza, no canceles la iniciativa, para de escalarla, reasigna ese presupuesto a validación, guardrails y rediseño del flujo humano máquina, decisión a nivel comité ejecutivo, con el head de la función afectada en la mesa.

El output, se valida

La pregunta que tu comité debería hacer es cuántos de tus operadores confían en el output para firmar su trabajo diario, si nadie en la mesa tiene ese dato hoy, tu estrategia de IA opera sobre números ciegos.

Certinia puso la brecha sobre la mesa y expuso la distancia entre el reporte y la operación, la pregunta para tu comité es simple, ¿cuál es el porcentaje real en tu empresa y quién audita esos resultados?

Eso es AI for Executives de 30X, las acciones de arriba son el qué, el programa es el cómo.

Aplica al programa AI for Executives → aprovecha hoy con 10%

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

Qué se aprobó

Insurance Australia Group (IAG), que opera marcas como NRMA y CGU, presentó a analistas su presupuesto de tecnología para FY27, dentro del gasto tecnológico, la línea etiquetada como AI and AI enablement asciende a USD 200 millones, la compañía enmarcó el gasto en dos frentes, automatizar el ciclo de reclamos, que es el corazón operativo de cualquier aseguradora, y modernizar la plataforma tecnológica que sostiene esa automatización.

Es una empresa con más de 8 millones de clientes, en una industria regulada, con requisitos actuariales estrictos y auditorías constantes, no es una fintech probando cosas.

Lo que nadie está leyendo

La conclusión fácil es “las grandes empresas ya están invirtiendo en serio en IA”, correcto pero insuficiente, lo relevante es dónde lo pusieron y cómo lo etiquetaron.

Primero, IAG separó AI de AI enablement, eso implica que reconocen algo que muchos comités todavía no digieren, el modelo es la parte barata, la habilitación (datos limpios, integración con sistemas core, gobernanza, MLOps, control de riesgos, rediseño de procesos) es donde se va la mayor parte del presupuesto y donde se define si el ROI llega o no.

Segundo, el foco es reclamos, no marketing ni chatbots de servicio, reclamos es el proceso más caro, más regulado y más sensible reputacionalmente de una aseguradora, meter IA ahí es apuesta estratégica al margen operativo del negocio, y es una decisión que, si sale mal, la ve el regulador.

Tercero, la alianza con OpenAI para un proceso core en una industria regulada es una señal fuerte, implica que resolvieron internamente las preguntas de residencia de datos, contratos empresariales, límites de uso y responsabilidad que muchos comités latinoamericanos siguen usando como razón para no decidir, no las resolvieron perfectamente, las resolvieron suficientemente bien para firmar.

Qué significa para tu organización

Si diriges una empresa de servicios financieros, salud, retail o telco en LATAM, esta noticia te aprieta en tres frentes.

• El benchmark de inversión cambió, no estás compitiendo contra tus pares que hicieron un piloto de 200 mil dólares el año pasado, estás compitiendo contra jugadores globales que ya movieron IA al presupuesto operativo, cuando un competidor internacional entre a tu mercado con costo unitario 30% menor en procesos core, la conversación de “todavía estamos evaluando” se acaba.

• El problema es la casa, si tu organización no tiene datos operativos limpios, procesos documentados y una capa de integración razonable, el presupuesto de IA es dinero prendido en fuego, la partida de enablement de IAG existe porque saben que sin esa base, los 200 millones no compran nada.

• La gobernanza dejó de ser excusa, una aseguradora regulada firmó con OpenAI para tocar reclamos, el argumento de “no podemos por compliance” ya no lo sostiene el CFO frente al board, lo que sí es defendible, un marco de riesgo explícito, aprobado, con casos de uso priorizados y controles claros.

La decisión de esta semana

Auditoría de habilitación (CIO + COO), no pidas otro roadmap de casos de uso de IA, pide un diagnóstico honesto de datos, integraciones y procesos en las tres áreas donde la IA movería la aguja, sin eso, cualquier presupuesto es teórico.

Separa las líneas en el presupuesto (CFO), en el ciclo presupuestal en curso, exige separar IA de habilitación de IA, si tu ratio es 90/10 a favor del modelo, el plan está mal, un ratio realista se parece más a 30/70 en el otro sentido durante los primeros dos años.

Marco de riesgo antes que RFP (CEO + Chief Risk Officer), antes de contratar plataformas, define qué casos de uso puedes aprobar y bajo qué controles, IAG pudo firmar con OpenAI porque tenía ese marco, sin él, cada decisión se atasca en el comité.

El presupuesto, se divide

La pregunta que tu comité debería estar haciendo no es cuánto vamos a invertir en IA, es qué parte de ese número es habilitación y quién responde por ella, si nadie en la mesa puede contestar eso hoy, lo que tienes aprobado es un experimento con nombre de estrategia.

IAG puso el número sobre la mesa y lo partió en dos líneas, la pregunta para tu comité es simple, ¿cuál es nuestro ratio, y quién lo firma?

Eso es AI for Executives de 30X, los tres movimientos de arriba son el qué, el programa es el cómo.

Aplica al programa AI for Executives

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

Qué pasó

Un análisis reciente de Deloitte Digital plantea una tesis incómoda para los boards latinoamericanos, la implementación empresarial de IA se decide en la intersección de cuatro variables que rara vez se sientan en la misma reunión, estrategia de negocio, estructura de costos, gestión de riesgos y gobernanza.

La lectura es que las empresas que capturan valor sostenido con IA son las que lograron alinear esas cuatro variables antes de escalar, las demás acumulan pilotos, gasto en nube y exposición regulatoria sin un mecanismo claro para decidir qué se produce, qué se apaga y quién responde cuando algo sale mal.

El mensaje operativo es directo, la IA dejó de ser un proyecto y se convirtió en una capacidad empresarial continua, y las capacidades continuas requieren estructura, no entusiasmo.

Dónde está el punto ciego

La conclusión obvia sería necesitamos más gobernanza, es correcta pero incompleta.

Lo interesante del planteo de Deloitte es que la gobernanza de IA es una función distinta, porque los riesgos son distintos, un sistema tradicional falla de manera predecible, se cae, se filtra, se corrompe, un sistema de IA falla de manera probabilística y difusa, sesga decisiones de crédito por meses antes de que alguien lo note, alucina en un contrato, propaga un error de datos a través de tres áreas.

Esto tiene una consecuencia estratégica que muchos comités ejecutivos todavía no procesaron, no puedes gobernar IA con los mismos comités, ciclos y controles con los que gobiernas TI, los ciclos de auditoría anual llegan tarde, los controles de acceso no capturan el problema, y el CISO, por competente que sea, no tiene el mandato ni las herramientas para validar sesgo algorítmico en un modelo de scoring.

El vacío es real y es de diseño organizacional, no de tecnología.

Qué significa para tu organización

Hay tres frentes donde este debate aterriza de manera concreta esta semana:

1. Riesgo regulatorio: en LATAM, el marco es fragmentado pero se está moviendo rápido, Brasil ya tiene su marco legal de IA en trámite avanzado, Chile, Colombia y México avanzan en discusiones específicas sobre uso de IA en sector financiero, salud y sector público, si tu empresa opera en varios países, la pregunta ya es qué tan preparados están tus procesos para demostrar trazabilidad, explicabilidad y control humano en decisiones automatizadas.

2. Riesgo reputacional: un sesgo detectado por un periodista o un cliente en redes puede costar más que la multa, y a diferencia de un incidente de ciberseguridad, un caso de sesgo algorítmico es virtualmente imposible de contener una vez público.

3. Costos ocultos: la cuenta de nube por inferencia, los contratos con proveedores de modelos, las licencias de plataformas de orquestación, sin un AI Gateway o mecanismo central de control, cada área contrata por su lado y nadie tiene visibilidad consolidada del gasto ni de la superposición de proveedores.

La decisión de esta semana

Tres movimientos concretos, con nivel de decisión asociado:

1. Nombrar un dueño de gobernanza de IA a nivel C suite o reporte directo, es alguien con autoridad transversal sobre legal, riesgo, tecnología y negocio, decisión del CEO.

2. Ordenar un inventario de casos de uso de IA en producción y en piloto, con clasificación de riesgo, para saber qué existe, la mayoría de las organizaciones descubre entre dos y cinco veces más iniciativas de las que su comité tenía identificadas, decisión del COO o CTO, con reporte al comité.

3. Definir criterios de guardrails mínimos antes del próximo despliegue, validación de sesgo, control humano en decisiones críticas, logging de prompts y outputs en casos regulados, decisión del comité de riesgos, ejecutada por CTO.

Ninguno de los tres es un proyecto trimestral, los tres se pueden iniciar esta semana.

El marco, se firma

La pregunta que tu comité debería estar haciendo es quién responde cuando algo sale mal, y con qué información en la mano lo hace, si esa respuesta no es clara hoy, la gobernanza es la inversión de mayor retorno que tienes disponible.

La próxima generación de ventaja competitiva en IA va a venir de quién tenga la gobernanza que le permita usarlo rápido sin romper nada, Deloitte ya puso las cuatro variables sobre la mesa, la pregunta para tu comité es simple, ¿cuál es nuestro marco, y quién lo firma?

El error más caro en este momento, es adoptar sin dueño, con pilotos dispersos que nadie autoriza formalmente, y descubrirlo dentro de dieciocho meses cuando el regulador pregunte quién respondía por ellos.

Eso es AI for Executives de 30X, los tres movimientos de arriba son el qué, el programa es el cómo, cómo diagnosticar dónde está la restricción activa en tu organización antes de decidir a quién reporta la función, cómo escribir los criterios de paso a producción antes del piloto y no después, cómo diseñar guardarraíles que autorizan velocidad en lugar de comités que revisan casos uno por uno, y cómo llegar a la conversación con el regulador con una gobernanza que se sostiene por diseño.

Aplica al programa AI for Executives

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Qué pasó

T. Rowe Price comunicó cambios en su liderazgo ejecutivo para consolidar la estrategia de IA a nivel empresa, el anuncio, publicado vía PRNewswire, subraya tres cosas, un modelo de gobernanza formal, la centralidad de datos y tecnología como habilitadores, y la insistencia en traducir la innovación en valor tangible para clientes y para el negocio, la disciplina operativa aparece mencionada al mismo nivel que la ambición tecnológica.

Lo distintivo es dónde cuelga la función, en muchas organizaciones, la IA reporta al CTO, al CIO o a una oficina de innovación, aquí reporta a riesgo, y el mensaje al mercado (y a los reguladores) es deliberado.

¿Cómo interpretarlo?

La interpretación fácil es “otra empresa financiera tomando IA en serio”, la interpretación útil es otra, T. Rowe Price está señalando que en servicios financieros la velocidad de adopción de IA ya no depende de qué tan buena sea la tecnología, sino de qué tan sólido sea el marco de riesgo que la contiene.

Durante los últimos dos años, muchas instituciones financieras vivieron la misma tensión, pilotos brillantes que no llegan a producción porque legal, compliance o riesgo los frenan en la última milla, la respuesta convencional fue crear comités de IA responsable que revisan casos uno por uno, lento, artesanal, no escala.

La apuesta de T. Rowe Price es distinta, si la restricción activa es el riesgo, entonces el dueño del acelerador y del freno tiene que ser la misma persona, no un comité que negocia, sino una función con autoridad para diseñar los guardarraíles y, dentro de ellos, autorizar velocidad, es el mismo principio que aplicaron los bancos con el modelo de las tres líneas de defensa hace veinte años, ahora rediseñado para IA.

Hay una segunda lectura, más incómoda, poner IA bajo riesgo también es una forma de decir, esto no es un tema de innovación, es un tema de continuidad del negocio, cambia quién en el comité ejecutivo se juega el bono con los resultados.

Qué significa para tu organización

Si opera en LATAM en un sector regulado (banca, seguros, salud, energía, telco), la pregunta que este anuncio pone sobre la mesa no es qué herramientas de IA adoptar, es quién en su C suite es dueño formal de la gobernanza de IA, con presupuesto y autoridad de veto.

Tres implicaciones concretas:

• Sobre el modelo operativo, si su estrategia de IA depende de un comité multi área que se reúne mensualmente, ya está atrasado, los ciclos de decisión de IA se miden en semanas, no en trimestres, necesita un dueño único con mandato claro.

• Sobre el perfil del dueño, la discusión de si IA debe reportar a CTO, CDO, COO o CRO, depende de dónde esté hoy la restricción activa en su organización, si es capacidad técnica, va a tecnología, si es datos, va a datos, si es riesgo regulatorio o reputacional, va a riesgo, T. Rowe Price hizo su diagnóstico y actuó en consecuencia.

• Sobre el mensaje al regulador, en LATAM, varias superintendencias financieras están publicando lineamientos de IA en los próximos doce meses, llegar a esa conversación con una gobernanza formalizada, con nombre y apellido del responsable, cambia la dinámica, llegar sin ella también.

La decisión de esta semana

Dos movimientos concretos para el próximo comité ejecutivo:

• Nombrar al dueño de IA a nivel C suite antes de fin de trimestre, una sola persona con presupuesto, autoridad de veto y KPIs propios, esta decisión es del CEO, no delegable.

• Definir el criterio de acoplamiento con riesgo y compliance, ¿La función de IA reporta a riesgo, coordina con riesgo o negocia con riesgo? Las tres opciones son válidas, pero solo una debe estar escrita, esta decisión la toma el CEO junto con el CRO y el líder designado.

• Opcionalmente, un tercero, es pedirle al equipo legal un mapa de una página con los lineamientos de IA vigentes o previstos por los reguladores relevantes para su negocio en los próximos doce meses, sirve para calibrar cuánto peso darle al eje de riesgo en la decisión anterior.

La gobernanza es el acelerador

La próxima generación de ventaja competitiva en IA no va a venir de quién tenga el mejor modelo, va a venir de quién tenga la gobernanza que le permita usarlo rápido sin romper nada, T. Rowe Price acaba de mostrar su apuesta, la pregunta para su comité es simple, ¿cuál es la nuestra, y quién la firma?

El error más caro en este momento no es adoptar rápido, es adoptar sin dueño, con pilotos dispersos que nadie autoriza formalmente, y descubrirlo dentro de dieciocho meses cuando el regulador pregunte quién respondía por ellos.

Si al leer “¿quién es dueño de la gobernanza de IA en su organización?” no le vino un nombre a la cabeza, ese es el problema a resolver primero, y si el nombre que le vino fue el suyo, entonces la pregunta siguiente es con qué criterio va a montar ese marco.

Eso es AI for Executives de 30X, los dos movimientos de arriba son el qué, el programa es el cómo, cómo diagnosticar dónde está la restricción activa en su organización antes de decidir a quién reporta la función, cómo escribir los criterios de paso a producción antes del piloto y no después, cómo diseñar guardarraíles que autorizan velocidad en lugar de comités que revisan casos uno por uno, y cómo llegar a la conversación con el regulador con una gobernanza que se sostiene por diseño.

Aplica al programa AI for Executives

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

La lectura obvia es que la IA “reemplaza roles”, lo interesante no es el ahorro de headcount, es que un dueño operativo, sin equipo administrativo formal, puede ahora ejecutar funciones horizontales, legal, servicio al cliente, recursos humanos, finanzas, con un nivel de criterio que antes exigía cuatro contratos externos o cuatro áreas internas.

Recursos de los promts + skills usados por Dago para la demo.

Qué cambió realmente

Hasta hace poco, la conversación de IA en la empresa mediana latinoamericana giraba alrededor de herramientas puntuales, un chatbot para atención al cliente, un asistente para redactar correos, un generador de imágenes para marketing, cada área compraba lo suyo, y el resultado era un archipiélago de licencias sin gobernanza y sin lectura consolidada.

Los plugins verticales (Small Business, Marketing, Engineering, entre otros) cambian el planteamiento, en lugar de comprar una herramienta por función, se instala una capa de habilidades pre empaquetadas encima de un modelo general, el plugin de Small Business, por ejemplo, agrupa skills como Contract Review, Customer Pulse, Handle Complaint y Job Post Builder, cada uno es, en la práctica, un consultor junior con un playbook ya cargado.

Esto tiene una implicación de gobernanza que suele pasar desapercibida, la IA deja de ser un chat de propósito general y empieza a comportarse como una suite operativa, y las suites se auditan, se versionan y se contratan distinto.

La lectura no obvia

La tentación es leer esto como una historia de productividad para pequeña empresa, y en realidad es una señal para cualquier organización de tamaño medio y grande.

• Primero, porque el diferencial competitivo ya no está en tener acceso al modelo, todos lo tienen, el diferencial está en la arquitectura de skills que su empresa monta encima, qué plugins instala, con qué contexto los alimenta, qué prompts estandariza, qué decisiones automatiza y cuáles deja para revisión humana.

• Segundo, porque cambia la conversación con proveedores, muchos vendedores regionales están vendiendo, con markup, capacidades que ya vienen empaquetadas en un plugin de veinte dólares al mes, la pregunta correcta para su comité de compras dejó de ser ”¿qué herramienta compramos?” y pasó a ser ”¿qué de esto ya viene resuelto en la capa base y qué necesitamos construir encima?”.

• Tercero, y esto es lo incómodo, la brecha entre la empresa que entiende esto y la que no ya no se mide en meses, se mide en decisiones, un competidor que en las próximas seis semanas estandarice contratos, tickets de servicio y descripciones de cargo con este tipo de flujo, opera con una estructura de costos y velocidad estructuralmente distinta.

Qué significa para su organización

Hay cuatro implicaciones concretas para el nivel ejecutivo.

En decisión de presupuesto, revise cuánto está pagando en licencias verticales de IA por área, es probable que dos o tres se puedan consolidar en un plugin horizontal más una capa fina de prompts propios, el ahorro no es el punto, el punto es que la consolidación le da lectura transversal.

• En gobernanza, si su empresa aún no tiene una política clara sobre qué se puede subir a Claude, ChatGPT o Gemini, esa conversación ya está atrasada, un contrato de arrendamiento, cien mensajes de clientes con datos personales, hojas de vida, todo eso salió de la organización en la demo, en una empresa regulada, eso es una decisión de compliance, no de productividad.

• En talento, el perfil que necesita contratar (o desarrollar internamente) no es un ingeniero de IA, es alguien que entienda el negocio y sepa orquestar skills, cargar contexto, encadenar prompts, decidir cuándo la IA propone y cuándo un humano firma, ese perfil es más de operaciones y menos de tecnología de lo que sus reclutadores están buscando hoy.

• En riesgo, el output se ve profesional, un contrato revisado por un skill llamado Contract Review parece asesoría legal y no lo es, la responsabilidad de firmar sigue siendo humana y sigue siendo suya, la disciplina de mantener revisión experta sobre lo crítico (legal, financiero, laboral) no baja, cambia de forma.

La decisión de esta semana

Tres movimientos concretos, con el nivel de decisión que corresponde a cada uno.

1. Mapeo horizontal (CEO o COO, esta semana), pida a su equipo una hoja con las cuatro o cinco funciones donde hoy hay cuello de botella administrativo, revisión de contratos, tickets de servicio, reclutamiento, reporting financiero, no es un proyecto de tecnología, es un inventario de fricción.

2. Política de datos y uso (CIO, CISO o quien haga esa función, próximas dos semanas), defina qué información puede salir de la organización hacia un LLM externo, con qué anonimización, y qué queda vetado, sin esa política, cada decisión posterior es riesgo acumulado.

3. Piloto con dueño claro (líder de área operativa, próximo mes), un piloto, una función, un responsable humano que firma, la regla mínima, la IA propone, un humano decide y queda registro, si el piloto no puede describirse en una frase, todavía no está listo para arrancar.

El error más caro en este momento no es adoptar rápido, es adoptar disperso, sin arquitectura y sin gobernanza, y descubrirlo dentro de dieciocho meses cuando ya haya cien flujos no auditados corriendo en la empresa.

La IA horizontal no es una promesa futura, ya está ejecutando funciones enteras de una empresa mediana con un solo operador, la pregunta para su comité no es si la usan sus equipos, la pregunta es quién, en su organización, es dueño de la arquitectura.

Si al leer esa pregunta no le vino un nombre a la cabeza, ese es el problema a resolver primero, y si el nombre que le vino fue el suyo, entonces la pregunta siguiente es con qué criterio va a montar esa arquitectura.

Eso es AI for Executives de 30X, los tres movimientos de arriba son el qué, el programa es el cómo, cómo levantar el inventario de fricción sin que se convierta en un proyecto de tecnología, cómo escribir la política de datos antes de que el riesgo se acumule, cómo empaquetar sus flujos críticos en skills reutilizables y sostener la regla mínima, la IA propone, un humano decide, queda registro.

Aplica al programa

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Esa es la conversación que un ejecutivo debería estar teniendo esta semana, y no la de qué chatbot es mejor.

Recursos del taller que Cinthya hizo en su masterclass.

Qué está pasando

En los últimos meses maduró una categoría que llevaba tiempo insinuándose, los agregadores de modelos, plataformas que en lugar de venderte un modelo (GPT, Claude, Gemini), te venden acceso curado a decenas de ellos, con agentes preconfigurados para tareas específicas, presentaciones, dashboards, análisis financiero, generación de imagen, gestión de correo, flujos de trabajo, dentro de una sola interfaz y una sola factura.

Genspark es hoy uno de los ejemplos más visibles, ochenta y tantos modelos por debajo, agentes verticales por encima, un solo login, pero no es el punto, el punto es la categoría.

Lo que están vendiendo no es tecnología, es consolidación y esa consolidación tiene implicaciones que no son evidentes.

¿Que debería hacer?

La conclusión fácil es, “perfecto, cancelo cinco suscripciones y compro una”, esa lectura es incompleta y en algunos casos peligrosa.

Lo que realmente está ocurriendo es que la ventaja competitiva del stack de IA se está moviendo, hace 18 meses, la ventaja estaba en tener acceso al mejor modelo, hoy el mejor modelo cambia cada seis semanas y ningún proveedor domina todas las tareas, la ventaja se está moviendo hacia dos capas, la de orquestación (qué modelo para qué tarea, con qué gobierno de datos) y la de flujo de trabajo (agentes que ejecutan procesos, no responden preguntas).

Los agregadores están apostando a ocupar esa capa intermedia antes de que las empresas la construyan por dentro, es una apuesta razonable para quien no tiene equipo técnico, es una apuesta peligrosa si no entiendes qué estás delegando, enrutamiento de datos, selección de modelo, retención de información y con el tiempo, gran parte de la lógica operativa de tu negocio.

Dicho de otra forma, estás externalizando decisiones de arquitectura a un proveedor cuya categoría todavía no existía hace dos años.

Qué significa para tu organización

Tres implicaciones concretas.

• Primero, el modelo de compra de IA cambia, si tu organización sigue comprando licencias por herramienta y por equipo, vas a estar pagando tres o cuatro veces por capacidades que se solapan, la conversación con finanzas ya no es “cuántas licencias de X necesitamos”, es “cuál es nuestra bolsa mensual de consumo de IA y cómo la asignamos por rol”.

• Segundo, la gobernanza se vuelve el diferenciador real, el parámetro de retención de datos ese switch que decide si tu información entrena modelos públicos ya no es un detalle técnico, es una política corporativa, un agregador te da acceso a 80 modelos, pero también multiplica por 80 los puntos donde tu información puede escaparse si nadie está mirando la configuración por defecto.

• Tercero, el perfil del talento que necesitas se mueve, no necesitas más gente que sepa usar ChatGPT, necesitas al menos una persona en tu equipo que entienda cuándo usar qué modelo, cómo diseñar un agente que ejecute un proceso y cómo auditar lo que ese agente está haciendo con datos sensibles, ese perfil hoy es escaso y en LATAM lo es más.

El lente regional importa aquí, en una empresa de Silicon Valley, esta conversación ya está resuelta con equipos internos de plataforma, en una mediana empresa latinoamericana, la disyuntiva real es entre pagar un agregador que te da 80% de las capacidades con 20% del esfuerzo, o construir capacidad propia que te tomará entre 12 y 18 meses, para la mayoría, el agregador es la respuesta correcta si y solo si la gobernanza está resuelta antes del despliegue.

La decisión de esta semana

Tres movimientos, con nivel de decisión explícito.

1. Auditar el stack actual de IA (dueño, CIO o COO), cuántas suscripciones activas tiene la organización, quién las paga, qué solapamiento hay, en la mayoría de las empresas medianas hay entre cinco y doce herramientas duplicando funciones, este ejercicio, hecho bien, se paga solo.

2. Definir política de retención de datos antes de evaluar herramientas (dueño, CIO con legal), no al revés, la pregunta “¿esta herramienta entrena con nuestros datos?” debe estar contestada como criterio de entrada, no como hallazgo posterior, si no tienes esa política escrita, cualquier piloto de IA es una fuga potencial.

3. Correr un piloto acotado, no una migración (dueño, líder de área con caso de uso claro), elegir un proceso concreto preparación de reuniones comerciales, cierre de mes, reporting de junta y medir dos cosas, tiempo recuperado y calidad del entregable, ocho semanas, un equipo pequeño, métricas antes y después, sin eso, todo lo demás es entusiasmo de demo.

¿Con que herramienta me quedo?

La pregunta ya no es qué herramienta de IA comprar, es qué capa del stack vas a controlar tú y qué capa vas a delegar, esa decisión, tomada con criterio esta semana, es la que define quién saca ventaja en los próximos doce meses.

En AI for Executives de 30X no te enseñamos a comparar chatbots, te enseñamos a decidir qué capa del stack controlas y cuál delegas, auditar suscripciones solapadas, definir la política de retención antes de comprar, y empaquetar tus procesos críticos en skills y agentes que ejecuten sin exponer tu información.

Los próximos doce meses no los gana quien tenga el mejor modelo, sino quien tenga resuelta la orquestación y la gobernanza.

Aplica al programa · Únete a la comunidad de WhatsApp

La idea central de la sesión fue convertir los 30 a 40 minutos diarios de revisar correo, calendario y documentos a mano en un brief ejecutivo que se genera en unos 2 minutos con una sola instrucción, aunque la demo se hizo en Claude (versión de escritorio), todo el flujo es agnóstico, los mismos prompts funcionan en ChatGPT, en Copilot con el conector de Microsoft 365 o en la herramienta que uses en tu organización.

Paso 1: Conecta tu stack

Lo primero es darle a tu herramienta de IA acceso a tus sistemas de trabajo mediante conectores (el nombre ejecutivo de lo que los equipos técnicos llaman MCPs, un protocolo creado por Anthropic).

1. En Claude, ve al botón + en la parte inferior del chat (agregar archivos, conectores y más)

2. Entra al apartado de Conectores y luego a Explorar conectores

3. Busca e instala Gmail, Google Calendar y Google Drive, solo das clic en el más, te autenticas con tu cuenta de Google y listo

Todo el proceso toma menos de 90 segundos y no requiere escribir código, usa siempre conectores certificados del marketplace oficial, existen formas de conectar servicios externos, pero implican riesgos de privacidad y seguridad si no los validas antes.

Los frenos de mano que ya vienen incluidos, el conector de Gmail no puede enviar correos por diseño (solo crea borradores en el hilo original), y las acciones sensibles piden tu aprobación explícita antes de ejecutarse, nada sale sin tu firma.

Paso 2: Haz el triage de tu bandeja

El primer prompt le asigna un rol a la IA (técnica de prompting) y clasifica tu correo en cuatro categorías, copia y pega:

Actúa como mi Chief of Staff. Revisa mi Gmail de las últimas 18 horas y clasifícalo en: URGENTE (necesita mi respuesta hoy), DELEGAR (sugiere a quién y con qué instrucción), INFORMATIVO (una línea por correo) e IGNORAR (solo dime cuántos). No envíes nada.

El resultado, los correos que necesitan tu respuesta hoy, los que puedes delegar (con sugerencia de a quién y con qué instrucción), los que solo vale la pena saber que existen, y el conteo de newsletters y promociones que puedes ignorar, ya no abres tu bandeja, la bandeja llega clasificada a ti.

Paso 3: Cruza con tu agenda y tus documentos

El segundo prompt conecta los tres sistemas, si un correo urgente se relaciona con una junta de hoy, lo marca para preparar antes de la hora, y si menciona un documento que vive en tu Drive, lo busca y lo resume:

Ahora cruza con mi Google Calendar de hoy: ¿algún correo urgente se conecta con una junta? Márcalo como "prepara antes de las [hora]". Y si un urgente menciona un documento, búscalo en mi Drive y resúmelo en 2 líneas: qué es y qué decisión pide.

En la demo, una propuesta comercial mencionada en un correo urgente apareció resumida con sus dos escenarios y la decisión que pedía, sin abrir el documento, además obtienes la foto de tu día, qué juntas tienes, cuáles puedes delegar y qué preparar antes de cada una.

Paso 4: Genera los borradores de respuesta

El tercer prompt cierra el flujo con una sola pantalla accionable:

Entrégame UNA sola pantalla: los 3 pendientes que sí importan hoy, cada uno con un borrador de respuesta listo para mi revisión. Crea los borradores en mi Gmail. No envíes nada.

Los borradores quedan creados en Gmail, como respuesta al hilo original de cada correo, tú solo ajustas el tono si quieres (un saludo más cercano, tu estilo personal) y das enviar, la IA redacta, tú decides.

Paso 5: Empaqueta todo en una Skill

Correr tres prompts cada mañana funciona, pero el siguiente nivel es empaquetarlos en una Skill (habilidad), un archivo SKILL.md que contiene el flujo completo con un formato de salida fijo, la skill chief of staff matutino se comparte junto con estos recursos.

1. Ve al mismo apartado de conectores y entra a Habilidades

2. Abre Administración de habilidades y selecciona Subir una habilidad

3. Arrastra el archivo SKILL.md y listo

A partir de ahí la skill se activa sola con frases como “mi brief”, “el brief de la mañana”, “ponme al día” o “qué tengo hoy”, también puedes invocarla de forma explícita escribiendo “/” y seleccionándola.

Esta es la skill completa, guárdala como un archivo llamado SKILL.md y súbela siguiendo los pasos de arriba:

markdown

---name: chief-of-staff-matutinodescription: Genera el brief ejecutivo de la mañana cruzando Gmail, Google Calendar y Drive/Notion bajo un formato fijo — triage de bandeja en URGENTE/DELEGAR/INFORMATIVO/IGNORAR, cruce con la agenda del día, resumen de documentos mencionados en urgentes, y una sola pantalla con los 3 pendientes que importan, cada uno con borrador de respuesta listo para revisar. Actívate SIEMPRE que el usuario pida "mi brief", "el brief de la mañana", "ponme al día", "qué tengo hoy", "revisa mi correo y mi agenda", "haz de chief of staff", "arranca mi día", o cualquier variante donde quiera una pasada ordenada sobre correo + agenda + documentos para decidir qué atender primero. NUNCA envíes correos ni modifiques eventos: este skill solo lee, clasifica y redacta borradores.---# Chief of Staff matutinoConvierte la primera hora de triage manual del día en un brief de una pantalla, listo antes del café. El usuario es un ejecutivo: entrega decisiones, no listas de correos.## Regla de oro (no negociable)**Este skill NUNCA envía nada ni modifica nada.** Solo lee (Gmail, Calendar, Drive/Notion), clasifica y redacta borradores. Todo borrador queda como draft para revisión del usuario. Si el usuario pide "envíalo", recuérdale que la regla de este puesto es que la firma es suya, y que el borrador ya está listo en su bandeja para enviarlo él.## Flujo (4 pasos, siempre en este orden)1.**Triage de bandeja.** Lee el Gmail de las últimas 18 horas (o el rango que pida el usuario). Clasifica cada thread en:-**URGENTE** — necesita respuesta personal del usuario HOY. Máximo 5; si hay más, prioriza y dilo.-**DELEGAR** — alguien más puede resolverlo. Sugiere a quién (si el contexto lo permite) y con qué instrucción de una línea.-**INFORMATIVO** — vale la pena saberlo, no requiere acción. Una línea por thread.-**IGNORAR** — newsletters, promociones, ruido. Solo el conteo, sin listarlos.2.**Cruce con agenda.** Lee el Google Calendar de hoy. Señala: (a) empalmes o juntas sin respirar entre ellas, (b) cualquier correo URGENTE que se conecte con una junta de hoy — márcalo como "prepara antes de las HH:MM".3.**Documento relevante.** Si un URGENTE menciona un documento (adjunto, Drive o Notion), búscalo y resúmelo en 2 líneas máximo: qué es y qué decisión pide.4.**Una pantalla decidible.** Cierra con**LOS 3 DE HOY**: los 3 pendientes que de verdad importan, cada uno con un borrador de respuesta ya redactado (crea el draft en Gmail cuando el conector lo permita; si no, inclúyelo en el brief listo para copiar).## Formato de salida (fijo)```:sunny: BRIEF · [día, fecha] · [hora]:pushpin: LOS 3 DE HOY1. [Pendiente] — [por qué importa hoy] → borrador listo :writing_hand:2. ...3. ...:date: TU DÍA[X juntas]. [Empalmes o alertas]. [Correo conectado a junta: "prepara antes de las HH:MM"]:page_facing_up: DOCUMENTO CLAVE (solo si aplica)[Nombre] — [qué es y qué decisión pide, 2 líneas]:mailbox_with_mail: EL RESTO DE LA BANDEJADelegar: [n] → [a quién / instrucción de una línea, por ítem]Informativo: [n] → [una línea por ítem]Ignorado: [n] (nada que ver aquí)```## Estilo- Español directo, términos técnicos en inglés cuando aplique. Frases cortas.- Cero relleno: el usuario decide en 60 segundos con este brief o el skill falló.- Los borradores se redactan en el tono del usuario si hay historial; si no, profesional-directo, máximo 6 líneas por borrador.- Si un dato no está disponible (conector desconectado, sin permisos), dilo en una línea y continúa con lo demás — nunca inventes correos, juntas ni documentos.## Personalización (el usuario puede redefinir en su primera corrida)-**Rango de correo:** default 18 h; el usuario puede fijar otro.-**Categorías de triage:** URGENTE/DELEGAR/INFORMATIVO/IGNORAR es el default; el usuario puede sustituirlas por las suyas (ej. CLIENTES / BOARD / EQUIPO / RUIDO).-**Cláusula de gobernanza:** además de "nunca enviar", el usuario puede añadir prohibiciones (ej. "nunca agendar", "nunca responder a X dominio"). Respétalas siempre.

Si quieres crear tu propia skill, no necesitas escribir el archivo a mano, pídele a Claude “crea una skill para revisar mis correos de Gmail y clasificarlos” y el creador de skills te hará las preguntas necesarias para generar el SKILL.md completo, una advertencia importante, si descargas skills de internet, valídalas antes de ejecutarlas, porque pueden contener instrucciones maliciosas.

Paso 6 (avanzado): Automatízalo con tareas programadas

Con licencia Pro puedes programar el flujo completo en Cowork, creas una tarea que ejecute “mi brief” todos los días a las 7:00 de la mañana, eliges el modelo, y el brief te espera listo cada mañana sin que escribas nada.

Dos consejos de Jorge sobre este paso:

• Existe la opción “sin preguntar”, que permite ejecutar la tarea sin pausar para pedir aprobaciones, se puede usar, pero no es el deber ser, otórgala con criterio

• Sobre modelos, Opus o Sonnet con esfuerzo de razonamiento alto es más que suficiente, los esfuerzos extra o máximos solo queman tokens sin mejorar el resultado

Tu tarea

Personaliza el flujo respondiendo tres preguntas:

• ¿Qué delegas y a quién?

• ¿cuáles son tus categorías reales de clasificación (quizás CLIENTES / BOARD / EQUIPO / RUIDO en lugar del default)?

• ¿Qué frenos de gobernanza necesitas añadir (por ejemplo, “nunca agendar” o “nunca responder a cierto dominio”)?

Con esas respuestas, ajusta la skill a tu rol y empieza a recuperar esos 40 minutos diarios desde mañana.

El brief de la mañana es el primer eslabón de tu soberanía operativa con IA

En AI for Executives de 30X no te enseñamos a correr prompts sueltos, sino a empaquetar tus flujos críticos en skills reutilizables, gobernarlos con reglas que protegen tu firma y tu información, y automatizarlos para que trabajen por ti sin ceder el control.

Aprende a convertir esos 40 minutos diarios en un activo que escala, a instalar los frenos de gobernanza que evitan que la IA envíe, agende o exponga lo que no debe, y a validar cada conector y cada skill antes de darles acceso a tu stack.

Aplica al programa

Únete a la comunidad de WhatsApp donde compartimos análisis sobre decisiones de AI junto a otros executives.

Lo interesante es por qué pasó, la herramienta no falló, Microsoft entregó Claude Code a unos 5.000 ingenieros en diciembre de 2025, y para abril de 2026 la usaba entre el 84% y el 95% del equipo, el costo por ingeniero corría entre 500 y 2.000 dólares al mes, los ingenieros la adoptaron tan rápido que el presupuesto se agotó en meses, una empresa terminó cancelando una herramienta porque su gente la usaba demasiado.

La trampa estructural del precio por uso

El detonante no apunta a un proveedor en particular, varias coberturas coinciden en que Claude no resultó más caro que modelos comparables, el problema fue la combinación de adopción alta y facturación por consumo, mientras el piloto corrió bajo licencias de asiento fijas, el costo real de los tokens quedó invisible, cuando Microsoft pasó a facturación por uso, ese costo se volvió visible de golpe.

Ahí está la paradoja que rompe los presupuestos, con precio por token, cuanto más productiva es la herramienta, más rápido desaparece el dinero, y Microsoft no es un caso aislado, según The Information, el CTO de Uber confirmó que la empresa consumió su presupuesto de herramientas de IA de 2026 en cuatro meses, en paralelo, según el power ranking de LogRocket, GitHub Copilot movió todos sus planes a facturación por uso el 1 de junio de 2026.

El desajuste de fondo es simple de nombrar, estos asistentes se difunden como un SaaS viral, pero facturan como consumo de nube, la mayoría de los equipos de finanzas no tiene un marco para proyectar ni para poner techo a ese gasto.

Dos fuerzas opuestas que tienes que reconciliar

El panorama de costos se mueve en dos direcciones a la vez, por un lado, según una estimación de Gartner, el costo de inferencia de los modelos muy grandes podría caer cerca de un 90% hacia 2030 frente a 2025, por otro, Goldman Sachs proyecta que la IA agéntica podría disparar el consumo de tokens de forma dramática hacia esa misma fecha.

El costo por unidad baja mientras el uso total se multiplica, el resultado neto depende de cómo lo gobiernes, y esa es justamente la variable que está bajo tu control.

FinOps para tokens, qué exigir a tu equipo

1. Modela el uso en el extremo alto, no en el promedio, una herramienta que el 90% del equipo usa a diario cuesta mucho más que cualquier proyección por número de asientos

2. Pon límites y alertas de gasto por equipo, igual que haces con la nube

3. Mide el valor por token, que el output suba un 20% no significa que los ingresos suban un 20%, la adopción alta es una buena señal, y aun así no equivale a retorno

4. Rutea cada carga al modelo más barato que cumpla, y reserva el modelo de frontera para lo difícil

5. Trata estos asistentes como infraestructura de nube, con la disciplina de costos que eso implica

El pago por uso es el modelo por defecto de la IA de frontera, y bien gobernado alinea el costo con el valor que entrega, el modo de fallo aparece cuando se lo trata como un asiento de SaaS de costo fijo y se descubre la factura tarde.

La lección de Microsoft y Uber es incómoda pero útil, a esta escala, el éxito sin gobierno se convierte en el problema de presupuesto, Bryan Catanzaro, vicepresidente de deep learning de NVIDIA, lo dijo a Axios de la forma más cruda, para su equipo, el costo de cómputo ya supera al de los empleados, conviene construir el gobierno del gasto temprano, mientras la herramienta todavía no es imprescindible y la factura todavía no asusta.

El pago por uso de la IA rompe presupuestos, cómo gobernar el gasto en la era del token

En AI for Executives de 30X te enseñamos a gestionar el impacto de la adopción masiva, implementar estrategias para evitar que el éxito de tu equipo agote tus recursos.

Aprende a conectar la productividad real con tu estado de resultados, a estructurar límites y alertas de gasto por equipo y a implementar enrutamiento inteligente de modelos para usar la opción más barata y eficiente en cada tarea.

Aplica al programa · Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Los analistas ya le pusieron nombre a ese estado, purgatorio de pilotos, el término que usan firmas como Astrafy y RT Insights para el limbo entre una demo prometedora y un despliegue real, donde el proyecto ni se cancela ni se lanza.

Los números explican por qué importa, según el informe “The GenAI Divide” de MIT Project NANDA (2025), que analizó unas 300 implementaciones públicas, cerca del 95% de los pilotos de IA generativa no entregó ningún retorno medible al P&L, y solo alrededor del 5% captura valor a escala, según S&P Global Market Intelligence, el 42% de las empresas abandonó la mayoría de sus iniciativas de IA en 2025, frente al 17% del año anterior, y según IDC, por cada 33 pruebas de concepto que una empresa inicia, solo cuatro llegan a producción.

Para agentes el embudo es todavía más estrecho, según el AI Agent Report 2025 de Composio, el 97% de los ejecutivos dice haber desplegado agentes, y solo alrededor del 12% llega a producción a escala.

El verdadero cuello de botella es organizativo

Conviene leer bien esos números, los modelos funcionan y las demos impresionan, lo que falla aparece después, cuando hay que conectar el piloto a los sistemas reales y operarlo todos los días, según coinciden MIT, la corporación RAND y el informe State of AI de Deloitte, las causas raíz son organizativas más que técnicas, propiedad difusa, integración subestimada, ausencia de una métrica de éxito desde el día uno y gobierno que se añade tarde.

El piloto vive en una burbuja, datos limpios, un usuario probando escenarios definidos, riesgo bajo, producción es otra realidad, datos sucios, usuarios concurrentes, casos límite y requisitos de cumplimiento que la demo nunca tocó, esa distancia es donde se fuga la mayor parte del valor.

Qué hacen los que sí cruzan a producción

La minoría que llega comparte un puñado de decisiones, y casi ninguna tiene que ver con el modelo:

1. Diseñan para producción desde el primer día, la pregunta deja de ser “¿funciona en una demo?” y pasa a ser “¿qué hace falta para operarlo en producción este trimestre?”

2. Asignan un dueño con nombre y autoridad, un responsable de producto de IA, con rendición de cuentas real, distinto del jefe de proyecto de TI

3. Tratan la integración como requisito de diseño, conectar con el CRM, el ERP, las bases de conocimiento y las APIs reales se planea desde el inicio

4. Definen una métrica de éxito cuantificada antes de aprobar el proyecto, sin esa función forzante, el piloto se extiende para siempre

5. Rediseñan el flujo de trabajo antes de elegir la herramienta, según McKinsey, las empresas que lo hacen tienen el doble de probabilidad de reportar retornos financieros significativos

6. Construyen el gobierno temprano, mientras el alcance todavía está acotado, en lugar de añadirlo a posteriori, después del primer incidente

Cada mes que un piloto sigue en staging tiene costo, el presupuesto hundido, sí, pero también los competidores que escalan, la confianza del directorio que se erosiona cuando las metas de ROI no llegan, y la fatiga de pilotos que describe Deloitte, donde tanto experimento sin cierre va apagando la capacidad de la organización para volver a intentarlo.

La buena noticia es que el patrón está bien entendido y es prevenible, el cambio decisivo es directivo, tratar la producción como el punto de partida del diseño desde el primer día, y exigir las cuatro condiciones que la mayoría de los pilotos se salta, dueño, integración, métrica y gobierno, la diferencia entre quien acumula valor y quien acumula pilotos se decide ahí, mucho antes de elegir un modelo.

Pasa tu IA de demo a producción

En AI for Executives de 30X te enseñamos a superar las barreras organizativas que frenan el valor de la tecnología, el 95% de los pilotos de IA generativa se estanca por deficiencias en la integración, el gobierno y la estructura interna.

Aplica al programa. Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

La idea de fondo

La clase desmonta una creencia muy común, que la inteligencia artificial, por sí sola, transforma los procesos de una empresa, y no es así, los procesos los transforman las personas que los conocen de verdad, quienes los ejecutan día a día, y la IA es la herramienta que les permite hacer en minutos lo que antes exigía semanas de consultoría costosa.

De ahí sale la regla que estructura toda la sesión, primero se rediseña, después se automatiza, poner tecnología encima de un proceso mal pensado solo sirve para hacer la ineficiencia más rápida, más barata y a mayor escala, es decir, para amplificar el problema.

El objetivo del taller fue configurar, paso a paso, un agente de IA que actúa como un consultor senior en rediseño de procesos, no documenta el proceso tal como existe ni se limita a optimizarlo, sino que lo desafía y propone cómo debería funcionar si se rediseñara hoy con las capacidades actuales de IA.

Por qué los procesos necesitan rediseñarse

El punto de partida de Cinthya es incómodo pero cierto, la mayoría de las organizaciones no diseñaron sus procesos, los acumularon con el tiempo, un proceso nace porque alguien tenía que resolver algo puntual, y sobre esa solución se va agregando capa tras capa, cuando el contexto cambia, los pasos siguen ahí, pero ya nadie se pregunta si todavía tienen sentido.

Los síntomas que aparecen una y otra vez en las empresas:

• Pasos huérfanos: Existen, pero nadie sabe por qué, cuando se pregunta, la respuesta suele ser “es que alguna vez nos pasó algo”, al indagar cuántas veces ocurrió en el último año, la respuesta frecuente es “ninguna”, se mantiene todo un proceso para un caso que casi nunca sucede

• Conocimiento en una sola cabeza: El proceso vive en la mente de quien lo ejecuta, si esa persona se va, el proceso se traba y el conocimiento se va con ella

• Documentación desfasada: Las organizaciones juiciosas documentan, pero la brecha entre lo documentado y la realidad suele ser enorme, el que conoce el proceso de verdad es el que lo ejecuta, no el manual

• Coordinar tarda más que ejecutar: Se pierde demasiado tiempo pidiendo información, coordinando entre personas y generando reportes que deberían salir solos de un sistema

• Datos dispersos: La información vive en el sistema oficial, en las descargas de cada persona, en carpetas compartidas, en computadores individuales y en correos, reconciliar y cruzar esos datos consume más esfuerzo que la tarea en sí

• “Si funciona, no lo toques.”: Como nada está roto, nadie se sienta a rediseñar, pero que algo funcione no significa que esté bien hecho, muchos colaboradores sufren en silencio procesos mal diseñados

• Procesos fósiles: El contexto cambia, clientes, competencia, mercado, pero los procesos siguen igual o suman más pasos, hasta volverse burocráticos y “dinosaurios”

A esto se suma una oportunidad nueva, la IA generativa es lo suficientemente reciente como para que nadie tenga aún sus procesos pensados con ella, esa tarea está por hacer, y es justo lo que habilita rediseñar hoy.

La metodología

La metodología se inspira en buenas prácticas de rediseño y se hizo famosa por el enfoque de Elon Musk al desarrollar Starlink, retar tanto cada paso del proceso de lanzar satélites de baja órbita que terminó simplificándolo hasta hacerlo viable y económico (por ejemplo, diseñando satélites que no se pliegan, ahorrando piezas y complejidad).

Son cuatro pasos y el orden es estricto:

1. Eliminar: Ante cada paso, la pregunta es, ¿esto debería existir? , la métrica de Musk es reveladora, si nunca tienes que devolver un paso que eliminaste, es que no eliminaste lo suficiente, cuando de vez en cuando hay que reincorporar uno, vas por buen camino, a veces, en lugar de mantener un proceso pesado para un caso raro, conviene crear una excepción o simplemente asumir ese riesgo

2. Simplificar: Para los pasos que sí deben existir, ¿cuál es la forma más sencilla de hacerlos sin perder el propósito?, simplificar no es hacer algo básico o mal hecho, es la mayor sofisticación, lo simple genera velocidad y reduce burocracia, a veces hace falta una mirada externa para ver el camino más simple

3. Optimizar: Solo después de eliminar y simplificar, así se evita el error de optimizar algo que nunca debió existir, aquí se busca el “deber ser”, la mejor forma posible de ejecutar lo que ya quedó depurado

4. Automatizar: Recién aquí entra la IA, ejecutando pasos con menor intervención humana, no se trata de reemplazar personas, sino de quitarles las tareas manuales (cruzar, descargar, copiar y pegar) para que se concentren en lo analítico, el control y la supervisión, pasos que antes eran secuenciales, porque los hacía una persona, ahora pueden correr en paralelo con agentes

El error más común: saltar directo a automatizar sin pasar por los tres primeros pasos, el resultado es “automatizar la ineficiencia”, el caos, pero más rápido.

Los tres niveles de todo proceso

Antes y durante el rediseño conviene cuestionar tres capas:

• Propósito: ¿Para qué existe el proceso? ¿El problema que resuelve sigue siendo relevante hoy, o es algo heredado?, hay que tener el propósito último siempre claro

• Flujo: Cómo inicia, qué pasos intermedios tiene y cómo termina para producir el resultado deseado

• Actores: Quién ejecuta cada paso, y si esa asignación es intencional o simplemente “le tocó”, la pregunta clave, ¿es el área y el rol correctos? ¿Podría hacerlo la IA, o un humano asistido por IA?

El taller: configurar el agente

El corazón del taller es entrenar un asistente con un documento de metodología de 50 páginas, curado a partir de fuentes como Gartner, Harvard, MIT y las grandes consultoras (Big Four), ese documento le da al agente una base metódica y aprobada, en lugar de dejar que rediseñe “como le parezca” según su entrenamiento, el documento cubre qué es la arquitectura de procesos, los cuestionamientos a hacerse, los patrones de rediseño con IA (dónde usarla con confianza, dónde con supervisión y dónde no delegarla), los principios a aplicar y las restricciones del agente.

El asistente se puede crear en cualquiera de estas herramientas, porque la lógica es la misma:

• ChatGPT → un GPT o un Proyecto

• Claude → un Proyecto

• Copilot → un Agente

• Gemini → un GEM

El flujo de configuración es idéntico en todas:

1. Nombrar el asistente (ej. “Rediseñador de procesos con IA”)

2. Pegar las instrucciones (incluidas en el taller, listas para copiar)

3. Cargar la metodología como fuente de conocimiento

4. Ajustar la privacidad y las capacidades

Cómo trabaja el agente: las cinco fases

Una vez configurado, el consultor sigue cinco fases:

1. Diagnóstico: Te entrevista (idealmente a quien ejecuta el proceso, no a su jefe) y entrega una tabla del proceso actual, tiempos, entradas, salidas, puntos de falla, ineficiencias y supuestos, luego valida ese diagnóstico contigo

2. Cuantificación: Calcula cuánto cuesta el proceso hoy y establece una línea base, sin línea base no se puede medir si una mejora sirvió, cuanto más contexto le des (valor/hora de las personas, cuántas lo ejecutan, frecuencia), mejor será la estimación

3. Rediseño radical: Propone cómo debería funcionar el proceso en el mundo ideal, qué pasos eliminar, cuáles delegar a la IA, cómo simplificar, puedes retarlo según tus restricciones reales (presupuesto, cultura, stack tecnológico)

4. Priorización: Ordena los cambios por impacto y riesgo, identificando los de alto impacto y bajo riesgo para empezar

5. Hoja de ruta: Te dice qué hacer en el primer mes, el primer trimestre y el primer año, incluyendo gestión del cambio, métricas y, por ejemplo, recomendaciones de piloto, nadie cambia todo de un día para otro

El agente está diseñado para retar, no para complacer, no felicita un proceso mal hecho, no inventa datos, parte de la realidad de tu organización y no avanza sin que vayas confirmando cada paso, también tiene en cuenta las tecnologías de las que dispones, para no proponer soluciones inviables.

Detalles prácticos que conviene recordar

• Formato .MD vs PDF: El .md es más ligero y limpio, la IA lo entiende mejor y gasta menos tokens, el PDF es más cómodo para leer con ojos humanos, pero más pesado de procesar, por eso el documento se entrega en ambos

• Copilot es especial: no acepta .md, solo Word o PDF, y exige obligatoriamente una descripción para crear el agente (las demás herramientas no)

• Privacidad en cuentas personales: En cuentas gratuitas/personales, la información cargada puede entrenar los modelos públicos, hay que activar esa opción antes de subir datos confidenciales, las cuentas Enterprise ya están protegidas por defecto

• Apagar la búsqueda web: Del gente para que se rige a la metodología y no busque enfoques alternativos en internet

• Capacidades opcionales útiles: dejar activo el lienzo (canvas) para generar entregables, y el intérprete de código / análisis de datos si vas a cargar bases de datos (hace análisis más riguroso usando código)

El “spoiler”: qué viene después del rediseño

La automatización no fue el tema central de esta clase, se cubre en los programas, pero Cinthya dejó un adelanto, una vez que el proceso está bien rediseñado, se le monta tecnología con herramientas como N8N, Power Automate, Zapier, Make o Manus.

El ejemplo concreto, le pidió a Claude que generara el archivo JSON del workflow para N8N, al importarlo, el flujo aparece ya diseñado, luego se resuelven los warnings conectando los sistemas reales (Google Drive, correo, OneDrive, etc.) y se ejecuta, la clave es que se automatiza un proceso ya rediseñado, no la ineficiencia.

Preguntas y respuestas destacadas

• ¿Puedo alimentar el asistente con otros documentos si todo debería estar en MD?
  Sí, las instrucciones también se pueden editar (si usas otra metodología, como Six Sigma), y puedes cargar contexto de tu empresa, estructura, roles, descripciones de cargo, templates, en varios formatos (docs, Excel, PowerPoint, PDF), no solo MD. Recomendación: cargar solo lo relevante, no sobrecargar, en ChatGPT se pueden cargar hasta 30 archivos, pero con demasiados empieza a procesar peor, también puedes cargar archivos puntuales dentro de un chat específico, sin afectar al asistente general.

• ¿Cómo configuro la privacidad en Claude, como hiciste en ChatGPT?
  Vas a tu nombre (abajo a la izquierda) → Ajustes (el ícono de tuerca) → Privacidad → apagas “ayuda a mejorar nuestros modelos con IA” (y los metadatos de ubicación si quieres), en Claude se hace a nivel de cuenta, una sola vez, en ChatGPT toca hacerlo en la cuenta general y además asistente por asistente.

• En Claude, ¿proyecto o skill?
  Mejor un proyecto, procesa mucha información, te permite cargar y ajustar más fuentes con flexibilidad, y funciona como una carpeta donde quedan todos los rediseños, los skills están pensados para seguir un template estable (presentaciones, actas) y son engorrosos de modificar.

• Quiero diseñar un proceso desde cero, no rediseñar uno existente. ¿Por dónde empiezo?
  El mismo asistente sirve, le indicas que vas a diseñar desde cero (no rediseñar), le cuentas el propósito, el objetivo, el entregable y qué debe cuidar el proceso, y le pides que lo arme, la entrevista será distinta porque no parte de una realidad existente, conviene ajustar ligeramente las instrucciones para ese caso.

• ¿Y Copilot, que usan muchas empresas?
  Es una herramienta que está mejorando, no necesariamente la mejor en calidad de respuestas, pero suficiente para sacarle provecho, con sus “mañas”, se cubrirá en las clases dedicadas a Copilot del programa gratuito.

Lo que te llevas de esta clase

Tres recursos para usar desde hoy:

1. Las instrucciones del agente, para crearlo en la herramienta de tu preferencia

2. El documento de metodología (con los links ya corregidos en el taller)

3. La guía paso a paso, por si prefieres leer en lugar de ver el video

Con eso puedes rediseñar, o diseñar desde cero, los procesos de tu organización siguiendo buenas prácticas, y luego sumarles tecnología para automatizar lo que la IA puede ejecutar mejor que un humano, el orden, siempre, primero rediseñar, después automatizar.

Esto fue solo una muestra de las clases que tenemos en IA for Executives. Aplica al programa · Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Si eres parte de una empresa que desea que armemos una oferta especial de programas especialmente para ustedes, puedes agendar con nuestro equipo B2B aquí.

El mercado se está partiendo en dos, de qué lado quedes determina qué compañías llegan a 2028 rentables y cuáles empiezan a fragmentarse desde adentro.

La división tiene base en investigación, un estudio de Harvard Business Review (abril 2026), firmado por Jan-Emmanuel De Neve (Oxford), Jeffrey Hancock (Stanford) y Kate Niederhoffer (BetterUp), traza la bifurcación con claridad, un grupo de organizaciones despliega IA para amplificar las capacidades humanas, crea tiempo, recursos y seguridad psicológica para que los equipos experimenten, la IA mejora el juicio y la creatividad, el resultado es productividad sostenida, retención más fuerte, y equipos reconfigurándose para entregar nuevo valor.

El grupo mayoritario está atrapado en una mentalidad de automatización, enfocadas en reducción de costos y corte de headcount, generan saltos de rentabilidad a corto plazo pero producen lo que estos investigadores llaman workslop, output que parece trabajo terminado pero no pasa la prueba, y que al circular entre colegas erosiona confianza, tiempo y calidad, lo que realmente sucede ahí es que los ejecutivos lanzan herramientas de IA sin reconfigurar el trabajo, sin formar equipos, sin redistribuir el tiempo ahorrado hacia tareas de mayor valor.

El mismo equipo documenta el resultado humano, cuando la adopción de IA se impone dentro de ciclos de despidos, genera resistencia, ansiedad y desmoralización, los equipos sobrecargados producen volumen sobre valor, la calidad baja, los mejores se van, los que quedan trabajan con miedo, y las consecuencias son predecibles y cuantificables.

Dónde se rompe el modelo de automatización pura

El ejemplo más claro viene de bienes de consumo, donde los números son públicos, Procter & Gamble es una máquina de excelencia operacional por estándares tradicionales, por métrica convencional, P&G gana, en la última década superó en retorno total accionario a rivales como Unilever y Colgate, el problema aparece cuando cambias la vara de comparación.

Ese retorno a diez años se ve bien en un slide, puesto al lado del S&P 500 del mismo período (que rindió cerca del doble) deja de impresionar, P&G no perdió contra Unilever, perdió contra el mercado, y la razón es que fue capturada por una mentalidad de optimización de lo existente, no de reinvención de lo posible.

Mientras P&G observa a sus rivales tradicionales, el mercado de marcas privadas alcanzó un hito, en 2025, las ventas de marcas de tienda en Estados Unidos superaron los 282,800 millones de dólares, un récord, y crecieron casi tres veces más rápido que las marcas nacionales (3.3% versus 1.2%), este fenómeno es transversal a todo el retail, con Walmart, Amazon y Costco entre los que más capitalizan la tendencia, compañías construidas alrededor de IA de pila completa para cadena de suministro, pricing dinámico, personalización e innovación en marca propia.

Y aquí está el matiz que importa, porque es fácil contarlo mal, el retailer no le gana a P&G en margen de compañía ahí el CPG tradicional sigue arriba, le gana en el margen del producto, cada unidad de marca propia que vende le deja un margen bruto mayor que la marca nacional equivalente, porque elimina el markup del fabricante, multiplica ese diferencial por volumen récord y entiendes por qué Walmart o Costco no necesitan convertirse en P&G para quitarle terreno a P&G, esto es arquitectura.

La diferencia entre los dos modelos es fundamental, uno reduce headcount y espera que la IA haga lo que hacía el empleado, el otro usa IA para permitir que los empleados hagan cosas que la máquina no puede, juicio contextual, creatividad, relación con clientes.

Lo que esto significa para márgenes y talento

La decisión de cómo desplegar IA tiene consecuencias gemelas, una en el P&L a corto plazo, otra en la estructura de talento a mediano plazo, el ejecutivo que elige automatización pura gana seis a dieciocho meses de margen mejorado, despidió gente cara, los sistemas corren, la métrica se mueve, lo que no se mueve es lo que importa después.

Las organizaciones que cortan headcount bajo presión de IA enfrentan un fenómeno documentado, desgaste duro de talento, se van los empleados promedio y los top performers, los que podrían haber articulado cómo usar IA para crear nuevo valor, porque ven un ambiente de miedo y reducción, así que eligen irse a competidores o a startups que están haciendo el modelo opuesto.

El hallazgo de De Neve, Hancock y Niederhoffer es directo, cuando los cortes de personal van acompañados de adopción forzada de IA sin reconversión del trabajo, la moral se desploma, los beneficios psicológicos que debería traer (menos trabajo rutinario, más tiempo para lo que importa) nunca se materializan, en cambio, los empleados ven la IA como un reemplazo, no como un multiplicador.

El resultado es doble, primero, la calidad del output baja porque los equipos están desmotivados y el trabajo nunca se reconfiguró, segundo, la compañía pierde a la gente que de verdad entiende cómo evolucionar, así se cierra el bucle de la automatización pura, cortan costos, ganan margen por un ciclo, pero pierden la capacidad de innovación que hubiera creado margen sostenido.

Las empresas que lo hacen bien

El grupo que invierte en IA para augmentation juega un juego distinto, invierte simultáneamente en tecnología y en personas, entrena equipos, crea espacios de experimentación, redistribuye el tiempo ahorrado hacia trabajo que depende de inteligencia humana.

Walmart, Amazon y Costco ejemplifican esto en retail, la IA no reemplaza personal, habilita mejor inventario, mejor pricing, mejor asignación de talento a tareas de impacto, el negocio funciona mejor, porque la operación es más inteligente, la retención es más fuerte porque los empleados ven la IA como una herramienta que los hace más valiosos, no menos.

Estos números tienen fuente verificable, son compañías que cotizan, reportan resultados, y el mercado lo ve, el récord de marcas privadas de 2025 no es una proyección, es una realidad actual, ya en los estados financieros.

Qué hace un ejecutivo esta semana

Si diriges una organización de cierto tamaño, la pregunta es directa, ¿en cuál grupo estamos?

Si tu estrategia de IA es fundamentalmente reducción de costos y headcount, tu margen va a mejorar en los próximos seis a doce meses, ese es el resultado de la automatización pura, pero tu retención de talento va a deteriorarse, tu tasa de innovación va a bajar, y tu posición competitiva en 2027-2028 va a ser significativamente más débil que la de los competidores que hicieron el trade off opuesto.

Si tu estrategia es IA para augmentation, los costos bajan más lentamente, inviertes en tecnología y en entrenamiento, la métrica de corto plazo se mueve menos, pero construyes una organización donde el mejor talento elige quedarse, donde la innovación no se rompe, donde los márgenes de mediano plazo tienen fundación.

Cómo usar la inteligencia artificial para potenciar a tu equipo

En AI for Executives de 30X te enseñamos a implementar la inteligencia artificial para potenciar las capacidades de tus empleados, frenas la fuga de tu mejor talento, aprendes a reconfigurar el trabajo diario de tu equipo para producir nuevo valor y entiendes cómo transformar el tiempo ahorrado en ventajas frente a tus competidores.

Aplica al programa · Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Empezamos la sesión con una pregunta simple: levanta la mano si en tu empresa hay una cotización, un descuento o un contrato que solo una o dos personas saben aprobar, y que si ellas no están, simplemente no se hace.

Seis manos arriba en segundos, reacciones y mensajes en el chat.

No es casualidad, es el patrón más común que vemos en empresas de LATAM, el conocimiento crítico entre reglas comerciales, márgenes, cláusulas, procesos no vive en un sistema, vive en una cabeza, y el costo de eso no aparece en ningún reporte hasta el día en que esa persona se va de vacaciones, renuncia, o simplemente está en otra reunión.

Puedes ver la grabación de la clase aquí. Recomendamos verla para tener el contexto completo.

El problema principal radica en la ubicación de tu conocimiento, más allá de la inteligencia artificial.

Antes de hablar de herramientas, vale la pena nombrar el problema con precisión, porque define la solución.

El conocimiento operativo de tu empresa hoy está disperso, fragmentos en chats de WhatsApp, un Excel en el drive de alguien, un par de PDFs de contratos, la memoria de tu gerente comercial, eso está mal distribuido, mientras siga así, tu equipo va a seguir preguntando lo mismo una y otra vez, y tú vas a seguir siendo el cuello de botella.

Claude, por sí solo, no resuelve esto, es un modelo entrenado con una cantidad enorme de información general pero no sabe nada de tu empresa, si le preguntas qué descuento puede autorizar un ejecutivo de cuenta en una venta de $3.000, te va a responder, con honestidad, que no tiene acceso a tus políticas y hace bien.

El trabajo del ejecutivo no es pedirle a la IA que adivine, es darle el contexto correcto, con las reglas correctas, accesible para las personas correctas.

Las tres piezas de un segundo cerebro

Un Project en Claude se arma con tres componentes, la analogía que usamos en la sesión funciona bien:

1. Las instrucciones, el manual de inducción: Aquí defines quién es el asistente y cómo se comporta, “Eres el asistente ejecutivo interno de Distribuidora Andina y estas son las reglas que nunca se rompen”, en términos técnicos es tu system prompt, si lo tuyo es un borrador vago, puedes pedirle a Claude que lo robustezca con técnicas de meta prompting, dale un contexto básico y deja que lo convierta en algo estructurado.

2. La base de conocimiento, el archivero: Aquí suben los documentos: playbooks comerciales, métricas y KPIs, contratos, procesos, FAQs operativos, todo lo que hoy está disperso, en un solo lugar consultable.

Tip que ahorra plata: sube los archivos en .md (Markdown) en lugar de .pdf , el consumo de tokens es notablemente menor, para un ejecutivo, esto se traduce en menos costo y respuestas más rápidas.

3. Las habilidades (Skills), las recetas de la casa: Son procedimientos para tareas que repites de forma constante, una Skill se compone de un nombre, una descripción con palabras “detonantes” que la activan, y un cuerpo en Markdown con las instrucciones, en la demo usamos dos:

• Weekly Pulse: se activa escribiendo “cómo vamos” y genera un reporte semanal, número de negocios, qué merece atención, concentración de riesgo, recomendaciones.

• Contract Radar: traduce un contrato de proveedor en riesgos de negocio, en lenguaje de director, no de abogado.

La regla de oro con las Skills: créalas solo para procesos que repites semanal o diariamente, para algo que haces una vez al mes, un prompt suelto es suficiente, llenar tu entorno de Skills que casi no usas solo consume tokens y desordena.

La demo que lo hizo evidente

Montamos una empresa ficticia, Distribuidora Andina, importadora de equipos de cocina industrial entre México y Colombia, y le hicimos la misma pregunta a Claude dos veces.

Sin Project:

“No tengo acceso a las políticas de descuento de tu organización, esa regla depende de tu tabla de autorización.”

Con Project (ya cargado con el playbook comercial):

“Para ese rango de venta, el descuento autorizado es del 12% y requiere aprobación del gerente comercial.”

Misma herramienta, misma pregunta, la diferencia es el contexto, eso es todo lo que separa a un chatbot genérico de un asistente que conoce tu negocio.

La conversación que un ejecutivo no puede saltarse: la seguridad

Aquí es donde la sesión se puso seria, y donde tu rol como líder pesa más.

Sí, la información de un Projects vive en la nube de Claude, y no, eso no significa que debas subir todo, el principio es control antes que confianza:

• Empieza por baja sensibilidad: Playbooks, FAQs, métricas, contratos con información delicada, después, y con criterio.

• Tú decides quién accede y qué se carga: La función de compartir Projects está disponible en planes Team y Enterprise, donde puedes dar acceso solo a las personas que deben tenerlo.

• Instruye al modelo para no inventar: Si un dato no está en los documentos, debe decirlo, no alucinarlo.

• Cuidado con las Skills de marketplaces: Existe el riesgo de prompt injection que son instrucciones maliciosas escondidas dentro de una Skill descargada, lee siempre completa cualquier Skill externa antes de integrarla, lo más seguro es crearlas tú e iterar.

Si tienes un equipo de seguridad o gobernanza, esta no es una decisión de IT aislada, trabájenla en conjunto, la gobernanza de qué conocimiento se centraliza, y para quién, es una decisión de negocio.

Dónde Projects se queda corto (y está bien que así sea)

Parte de no caer en el hype es saber los límites de la herramienta, Projects es excelente para centralizar información relativamente acotada y compartirla, pero no es la solución para todo:

• ¿Quieres conectar BigQuery o bases de datos vivas? Eso ya requiere una arquitectura más robusta con RAG, otro nivel

• ¿Un “cerebro generalista” de toda la empresa? Ambicioso, y mucho más complejo de lo que parece, mejor fragmenta por área, comercial, operaciones, legal, y mantén cada contexto limpio, en una agencia, esto se traduce en un Project por cliente, para que no se contaminen los contextos

• Las Skills y sub agentes son en buena medida transversales: conceptos que puedes trasladar entre Claude, Codex o Gemini sin reescribir todo

Y un detalle práctico que salió en el Q&A: los Projects se pueden mantener dinámicos, cuando llegues a un hito en un chat, pídele a Claude que actualice la memoria del proyecto y que te genere un .md para integrarlo a los archivos, sobrescribiendo el existente o creando uno nuevo y así el cerebro evoluciona contigo.

Tu tarea de esta semana

No intentes construir el cerebro completo de tu empresa hoy, eso es receta para frustrarte.

Coloca la primera neurona, abre un Project, escribe unas instrucciones básicas sobre tu rol y tu empresa, sube un documento de baja sensibilidad, y hazle tres preguntas que normalmente solo tú podrías responder, observa la diferencia.

Ese pequeño experimento te va a enseñar más sobre el potencial, y los límites de la IA en tu operación que cualquier presentación.

Esto fue una probada de lo que trabajamos a fondo en AI for Executives: un programa de 8 semanas para que líderes configuren sus propias herramientas, diseñen agentes para su rol y construyan una estrategia de IA con ROI real , no como juguete, sino como palanca de negocio.

Nos vemos en la próxima Open Class.

Aplica al programa · Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Ese espacio entre lo que gana una persona y lo que gana la compañía es el verdadero tema de 2026, y casi nadie lo está nombrando con precisión, la conversación pública sigue girando alrededor de qué modelo es mejor o qué tan rápido avanzan los agentes, cuando el cuello de botella ya se movió a otro lado, a la arquitectura de la organización que los adopta.

Lo que dicen los números

El estudio de WRITER, hecho con la firma Workplace Intelligence, encuestó a 1.200 ejecutivos de alta dirección y 1.200 empleados, 2.400 personas en total, vale la pena decirlo de entrada, WRITER vende una plataforma de IA empresarial, así que tiene un interés directo en que la conclusión sea “los copilotos sueltos no bastan, hacen falta plataformas”, hay que hacer su lectura con esa salvedad, lo interesante es que las cifras crudas coinciden con lo que reportan fuentes sin ese sesgo.

The Conference Board calcula que las empresas gastarán hasta 500.000 millones de dólares en IA durante 2026, y que el 43% de los directivos la pone como su prioridad número uno de inversión, por encima de innovación de producto o experiencia de cliente, Deloitte, en su informe anual sobre el estado de la IA en la empresa, encuentra que dos tercios de las organizaciones ya reportan mejoras de productividad, pero que muy pocas están rediseñando roles, flujos de trabajo y carreras para aprovecharlas, IBM, en su estudio de CEOs, llega a llamar a 2026 “el año de recablear la alta dirección”.

Y el contexto humano de todo esto aparece en otra encuesta, la de Dataiku con Harris Poll sobre 900 CEOs, la mayoría de los directivos teme ahora ser responsabilizado de forma personal por unos resultados de IA que muchos todavía no controlan ni gobiernan del todo.

Junta las piezas y el cuadro es claro, inversión récord, productividad individual demostrable, presión personal sobre los líderes, y un retorno organizacional que se queda corto, la pregunta deja de ser si la IA crea valor, porque si lo crea, en realidad la pregunta es por qué ese valor no se está sumando.

La brecha es estructural, no tecnológica

Cuando una sola persona se vuelve cinco veces más productiva con una herramienta, eso es una ganancia local, para que esa ganancia se convierta en retorno de la compañía tiene que pasar tres cosas, primero tiene que poder reproducirse en otros, segundo tiene que conectarse con una línea de ingreso o de costo concreta, y tercero tiene que sobrevivir al gobierno y al control de riesgo de la empresa, la mayoría de las organizaciones falla en al menos una de las tres.

El estudio de WRITER describe a ese 29% que sí ve retorno con cuatro rasgos compartidos, y son cuatro rasgos de diseño organizacional, no de stack tecnológico, atan la IA directamente a un resultado de ingreso, construyen plataformas donde los equipos de negocio tienen autonomía para crear sus propios flujos, mientras el área de tecnología conserva la supervisión central, implementan el gobierno antes de escalar, no después del primer incidente y tratan la adopción como un rediseño de la forma de trabajar, no como el despliegue de una herramienta más.

Visto así, el famoso debate de “qué modelo usamos” es casi una distracción, dos empresas pueden comprar exactamente la misma tecnología y obtener resultados opuestos, porque la variable que decide no está en el contrato con el proveedor sino en cómo fluye la decisión, el dato y la responsabilidad dentro de la casa.

Las fallas que sí deberían quitarte el sueño

Para un líder, lo útil del estudio no son los promedios sino los modos de falla, porque son reconocibles desde adentro.

El primero es la estrategia de vitrina, tres cuartas partes de los ejecutivos admiten que la estrategia de IA de su empresa es “más para mostrar” que una guía interna real, cuando la estrategia es decorativa, la adopción se vuelve un conjunto de proyectos sueltos que rara vez se conectan con una meta de negocio.

El segundo es la IA en la sombra, dos de cada tres ejecutivos creen que su empresa ya sufrió una fuga o brecha de datos por culpa de un empleado usando una herramienta no aprobada, y más de un tercio reconoce que hoy no podría “desconectar” de inmediato a un agente que se saliera de control, la velocidad sin barandas no es agilidad, es exposición acumulándose en silencio.

El tercero es el costo humano de hacerlo mal, cuando la estrategia falla y los líderes responden con amenazas en lugar de transformación, la confianza se rompe, el 29% de los empleados, y el 44% de los más jóvenes, admite haber saboteado de alguna forma la estrategia de IA de su empresa, la resistencia no aparece porque la gente odie la tecnología, aparece cuando la siente impuesta sin un porqué claro.

El cuarto es tratar los despidos como si fueran una estrategia, buena parte de las empresas que planea recortes ligados a IA no tiene siquiera un plan formal para generar ingreso con esas herramientas, recortar headcount puede maquillar el costo por un trimestre, pero no construye la capacidad que produce retorno sostenido.

Traducir la productividad en rentabilidad

La palabra clave de todo esto es componer, una ganancia individual que no se reproduce, no se conecta a un resultado y no se gobierna, se queda en anécdota, el caso del equipo que hizo algo asombroso una vez, el retorno aparece cuando la empresa monta los mecanismos para que esas ganancias se sumen entre sí.

Eso es menos glamoroso que comprar el modelo más nuevo, y mucho más difícil, implica decidir qué proceso concreto va a cambiar y quién es responsable del resultado, implica darle a los equipos de negocio la capacidad de construir, sin abrir la puerta al caos, implica poner el gobierno antes del despliegue masivo, aunque eso frene la foto de adopción y sobre todo, implica aceptar que adoptar IA en serio es un proyecto de rediseño organizacional, con todo lo incómodo que eso tiene, y no una compra de software.

La pregunta para cualquier líder en 2026 no es si tu gente puede ser más productiva con IA, ya lo es, la pregunta es si tu empresa está construida para que esa productividad se convierta en algo que aparezca en los estados financieros, por ahora, para siete de cada diez compañías, la respuesta sigue siendo que no.

Tus mejores empleados ya rinden cinco veces más con AI, pero tu estado de resultados todavía no lo nota

En AI for Executives de 30X te enseñamos a cómo conectar las ganancias de productividad de tu gente con una línea concreta de ingreso o costo, cómo reproducir en el resto de la organización lo que hacen tus super usuarios en lugar de dejarlo en anécdota, y cómo crear gobierno antes de escalar sin frenar la velocidad que ya existe en los equipos.

Aplica al programa · Próxima edición: Julio de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Incluso si sus computadores corporativos no tienen acceso a herramientas de AI, lo pueden abrir desde sus laptops personales, conectarlo al modelo de lenguaje que prefieran y optimizar su trabajo sin necesidad de tenerlos disponibles en la empresa. Si bien esto puede considerado un ejemplo de autonomía y excelencia, es a su vez un problema significativo de seguridad para las empresas.

Qué revela este patrón sobre la adopción real de AI

El uso informal de AI en las organizaciones (lo que HBR llama shadow AI) es una señal de que la brecha entre lo que los empleados necesitan y lo que la organización les ofrece es lo suficientemente grande como para que decidan resolverla solos, asumiendo el riesgo.

El artículo documenta que los programas corporativos de AI fallan con frecuencia por tres razones concretas: herramientas engorrosas que nadie quiere usar, procesos de despliegue lentos que no siguen el ritmo del trabajo real, y resultados poco impresionantes que no justifican el esfuerzo de adoptarlas formalmente.

El resultado es una organización con dos velocidades: la oficial, que avanza en proyectos piloto y comités de gobernanza, y la real, donde los empleados que más producen ya están usando AI de forma autónoma con sus propias herramientas.

Los mejores empleados pueden guiar el próximo programa de adopción de AI

Antes de lanzar otro programa de adopción o comprar otra plataforma, desde el liderazgo ejecutivo se debe responder a preguntas que guiarán a toda la organización:

La primera: ¿sabemos cuántos de nuestros empleados están usando AI de forma personal para hacer su trabajo? Una conversación directa con los equipos de mayor rendimiento generalmente revela que la adopción informal ya existe, y que los que más la usan son los que más producen.

La segunda: ¿qué están haciendo con ella? Algunos empleados usan AI para redactar, para analizar datos, otros para preparar presentaciones, entender los patrones de uso real es más valioso que cualquier encuesta de adopción formal, porque revela qué problemas concretos está resolviendo AI en el contexto específico de la organización.

La tercera: ¿qué les impide usar las herramientas corporativas en su lugar? La respuesta casi siempre tiene que ver con velocidad, complejidad o calidad de resultado, no con resistencia al cambio, esa información permite priorizar qué mejorar primero en la oferta interna, en lugar de seguir invirtiendo en programas de formación que resuelven el problema equivocado.

El patrón que documenta HBR sugiere que la demanda de AI dentro de las organizaciones ya existe, el trabajo ejecutivo es construir el entorno donde puedan hacerlo de forma segura, efectiva y con las herramientas correctas.

La adopción de AI se está decidiendo en las laptops personales de tus mejores empleados

En AI for Executives de 30X te enseñamos a cómo diseñar adopciones formales que tu gente sí quiera usar, cómo aprender de los patrones de adopción informal en lugar de prohibirlos, y cómo gobernar AI sin matar la velocidad que ya existe en los equipos.

Aplica al programa · Próxima edición: 26 de mayo de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis y frameworks sobre decisiones de AI junto a otros executives.

Dieron acceso a una versión de GPT-4, configurada como asesor de negocios, a cientos de pequeños empresarios en Kenya a través de WhatsApp y midieron su impacto en ingresos y utilidades durante varios meses.

Los resultados son los más incómodos del año en materia de AI empresarial: los empresarios de mejor desempeño mejoraron un 15% en ingresos y utilidades, mientras que los que ya estaban en dificultades empeoraron cerca de un 10%.

Por qué ocurre y cuál es el efecto en la alta dirección

Los investigadores identificaron el mecanismo con precisión: los empresarios de bajo desempeño siguieron consejos genéricos o directamente equivocados que el modelo generó, sin la capacidad de distinguirlos de los bueno, en cambio, los de alto desempeño usaron AI como punto de partida, aplicaron su criterio, y tomaron mejores decisiones que antes.

El problema esta en la brecha de criterio, lo cual contradice un supuesto que circula con frecuencia en las conversaciones sobre adopción de AI: que la herramienta democratiza el acceso a buen asesoramiento porque cualquiera puede usarla. El experimento muestra que eso es cierto solo si quien la usa tiene el criterio suficiente para evaluar lo que produce. Sin esa condición, AI puede ampliar las brechas de desempeño en lugar de cerrarlas.

Lo que dice sobre cómo desplegar AI en equipos corporativos

El contexto del experimento es Kenya y pequeños empresarios, pero el mecanismo que identifica se replica en cualquier organización donde los equipos tienen niveles de criterio muy distintos, ya que la diferencia entre un analista senior que usa AI para profundizar su análisis y uno junior que la usa para reemplazarlo es exactamente la misma que describe el estudio.

Las organizaciones que están viendo los mejores resultados con AI en sus equipos van más allá de dar acceso masivo y uniforme, son las que diseñan el rollout considerando qué tipo de tarea y qué nivel de autonomía corresponde a cada perfil. Un equipo de alta experiencia puede beneficiarse de AI con poca supervisión, a diferencia de un equipo en formación que necesita guardianes de criterio, ya sea humanos o mecanismos de validación, que filtren los outputs antes de que se conviertan en decisiones.

Tres preguntas para diseñar el rollout sin amplificar brechas

La primera: ¿qué tareas estamos automatizando con AI y qué nivel de criterio requieren para ser bien ejecutadas? Las tareas que requieren poco criterio son las más seguras para despliegue amplio, en cambio, las que requieren juicio experto para distinguir buenos consejos de malos necesitan un diseño de adopción más cuidadoso.

La segunda: ¿quiénes en el equipo tienen el criterio para usar AI bien hoy, y quiénes aún no? Identificar esos perfiles es la base para diseñar el acompañamiento correcto.

La tercera: ¿cómo se va a medir el impacto de la adopción diferenciado por equipo o función? Si la única métrica es cuánta gente usa la herramienta, es invisible si algunos están mejorando y otros están empeorando. El experimento de MIT Sloan sugiere que esa brecha puede ser grande y silenciosa.

Diseñar el rollout de AI es decidir qué criterio que una organización quiere amplificar

En AI for Executives de 30X trabajamos durante 8 semanas el criterio ejecutivo para diseñar adopciones de AI que no amplifiquen brechas: cómo segmentar el rollout por nivel de criterio, qué guardrails diseñar para los equipos en formación, y cómo medir impacto diferenciado en lugar de adopción agregada.

👉 Aplica al programa · Próxima edición: 26 de mayo de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis, frameworks y conversaciones sobre decisiones de IA para ejecutivos. Entra a la comunidad

“Si el liderazgo no lo impulsa desde arriba, no va a pasar”, dijo.

El debate no es sobre AI, es sobre la velocidad del liderazgo

La pregunta que domina las conversaciones en el mundo ejecutivo dejó de ser si adoptar AI o no, pasó a ser si los líderes pueden moverse lo suficientemente rápido para mantenerse competitivos en un mundo donde AI está rehaciendo industrias enteras.

Patel describe el desafío con una imagen concreta: no es un sprint ni un maratón, es ambos simultáneamente. Las organizaciones que están implementando AI no solo están corriendo rápido en una dirección, están sosteniendo velocidad alta por períodos largos en múltiples frentes a la vez.

Lo que hace que esto sea un problema de liderazgo y no de tecnología es que la tecnología ya existe, lo que varía entre organizaciones es la capacidad de los equipos de dirección para crear y sostener la cultura que ese ritmo requiere.

Tres decisiones que separan a los que avanzan de los que experimentan indefinidamente

Patel ofreció perspectivas concretas sobre las dimensiones del liderazgo en AI que vale llevar a la agenda ejecutiva:

• Sobre la adopción, el consejo va contra la intuición habitual: las compañías que se mueven más rápido con AI priorizan repetición sobre resultados. No buscan retorno sobre la inversión de inmediato. Buscan que sus equipos acumulen tiempo de uso hasta alcanzar familiaridad y fluidez real con la herramienta, solo después de eso tiene sentido optimizar para resultados. “No puedes optimizar lo que todavía no entiendes”, dijo Patel.

• Sobre los ciclos de producto, Cisco pasó de roadmaps de tres años a ciclos de 7 a 14 días. El mecanismo que hace posible ese cambio es AI, pero la decisión de hacerlo es ejecutiva. Patel describe el tipo de ambición que requiere: si alguien dice que algo tomará nueve meses, la pregunta correcta es si puede hacerse en dos semanas.

• Sobre la estructura organizacional, Cisco eliminó la figura del manager de tiempo completo, el modelo que reemplazó esa figura es el player-coach: alguien que dirige y también ejecuta. La ineficiencia más grande, según Patel, no está en los niveles de entrada sino en las capas de middle management que solo coordinan trabajo y no lo crean, “si solo diriges trabajo, eres overhead, si creas valor, eres parte del core.”

El problema que ningún ejecutivo quiere admitir sobre escalabilidad

Patel identificó un patrón que describe con precisión un error común en organizaciones grandes: son buenas en experimentar, pero malas en duplicar la apuesta cuando algo funciona. A veces quedan atrapadas en un loop interminable de experimentación.

Otras veces escalan demasiado rápido antes de validar que el producto responde a una necesidad real de la base de clientes, no solo de los early adopters. “Demasiadas compañías se saltan pasos y terminan escalando basura”, dijo.

El criterio para saber cuándo escalar (y cuándo no) es una de las capacidades ejecutivas que AI no puede reemplazar. A medida que el costo de desarrollar nuevas cosas se aproxima a cero, decidir qué no construir se vuelve tan estratégico como decidir qué sí, esta es una decisión que requiere juicio, intuición y empatía con el cliente, habilidades que Patel describe como las que AI va a elevar, no sustituir.

Qué buscar en los equipos que van a liderar esta transición

Patel construyó equipos en Cisco durante esta transición buscando tres atributos: hambre (no se puede enseñar), curiosidad (disposición a probar y fallar), y claridad de pensamiento (que impulsa comunicación e influencia).

Su definición de lo que hace a un líder efectivo en este contexto es también una medida útil: el verdadero test de liderazgo no es contratar jugadores de nivel A, sino lograr que los de nivel B hagan trabajo de nivel A.

El ritmo no se improvisa, se entrena.

En AI for Executives de 30X trabajamos durante 8 semanas cómo liderar la transición que describe Patel: cómo tomar decisiones bajo incertidumbre, cómo gobernar implementaciones de AI, y cómo construir equipos que puedan sostener el ritmo que este momento exige.

Aplica al programa · Próxima edición: 26 de mayo de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis, frameworks y conversaciones sobre decisiones de AI en LATAM, sin hype y sin ruido. Entrar a la comunidad

La solución clásica es contratar a un Chief of Staff, alguien que filtre, priorice, sintetice y devuelva horas de la semana perdidas por estas tareas, pero un Chief of Staff Senior cuesta entre USD 150K y 300K al año, tarda meses en entender tu contexto, y sigue siendo una persona con ancho de banda limitado.

Ayer, en la clase gratuita de AI for Executives, mostramos algo distinto: cómo convertir la Inteligencia Artificial (usando Claude Desktop) en ese Chief of Staff digital, como una reestructuración real de cómo se puede operar una semana usando herramientas actuales.

Capacidades de Claude Desktop para ser Chief of Staff

Hace seis meses, pedirle a una IA que te organizara la bandeja de entrada o te armara un dashboard financiero era un ejercicio frustrante para perfiles no técnicos. Los modelos no accedían a tus datos reales, no podían ejecutar análisis complejos y sus respuestas eran genéricas.

Hoy es distinto, herramientas como Claude Desktop se pueden conectar a tu correo, tu calendario, tus documentos, y pueden ejecutar código, construir dashboards interactivos y razonar sobre tus datos reales.

Con estas capacidades, ayer tuvimos a Jorge Pilo compartiendo tres frentes donde un ejecutivo pierde más tiempo del que debería: decisiones financieras, gestión del inbox, y manejo del calendario.

1. Organizar datos para decisiones financieras, en segundos

El primer caso de uso es el más visual: convertir una tabla de cifras trimestrales en un dashboard financiero interactivo que te permita modelar escenarios en tiempo real.

El prompt que usamos:

“Aquí están nuestros datos financieros trimestrales:

Q1: Revenue $3.2M, COGS $1.1M, OpEx $2.4M, Headcount 45, Clientes 180, Churn 2.1%

Q2: Revenue $3.8M, COGS $1.3M, OpEx $2.6M, Headcount 52, Clientes 210, Churn 1.8%

Q3: Revenue $4.5M, COGS $1.5M, OpEx $3.1M, Headcount 61, Clientes 245, Churn 2.4%

Q4: Revenue $5.1M, COGS $1.7M, OpEx $3.4M, Headcount 68, Clientes 275, Churn 2.7%

Construye un dashboard interactivo de CFO con: (1) Gráfico waterfall de crecimiento trimestral, (2) Unit economics: CAC, LTV, ratio LTV:CAC con tendencias en verde/rojo, (3) Burn rate y runway con slider para modelar escenarios asumiendo $15M en caja, (4) Revenue per employee y márgenes trending, (5) Panel de alertas: marca en rojo cualquier métrica que se deterioró QoQ y explica por qué importa. Tema dark profesional con tooltips interactivos.”

Lo que entregó fue una aplicación web funcional, con sliders para mover el burn rate y ver cómo cambia el runway, alertas automáticas sobre métricas que se deterioraron (en este caso, el churn subiendo de 1.8% a 2.7% en dos trimestres), y análisis contextual de qué significa cada movimiento.

El punto clave es que no es necesario saber programar, tampoco esperar al equipo de finanzas para que arme la presentación, en pocos segundos los ejecutivos pueden tener una herramienta para tomar decisiones financieras.

2. Correos curados como lo haría un Chief of Staff

El segundo prompt ataca el problema más universal: el inbox lleno con 200 correos sin leer, incluso desde el lunes, la mayoría de ellos no necesitan la atención de un executive, un 20% requiere atención personal, el resto alguien más podría responderlos.

El prompt:

“Revisa mi bandeja de entrada de las últimas 48 horas. Actúa como mi Chief of Staff y clasifica los emails en: (1) URGENTE: requieren mi respuesta personal hoy, incluye un borrador de respuesta para cada uno, (2) DELEGAR: puedo asignar a alguien de mi equipo, sugiere a quién y qué instrucciones darle, (3) INFORMATIVO: solo necesito saber el resumen en una línea, (4) IGNORAR: no requiere acción. Para los urgentes, dame el contexto de quién envía, qué piden, y por qué importa.”

Este prompt no es solo para ordenar el inbox, sino obtener una decisión ejecutiva sin el costo cognitivo de procesarla, permite ahorrar el tiempo de leer 40 correos para filtrar los 5 que importan.

3. Auditoría de calendario

En la mayoría de casos, los líderes pasan entre 70% y 85% de su semana en reuniones, con bloques de “pensamiento estratégico” que en realidad eran 20 minutos entre un standup y un 1:1. Este prompt ayuda a darse cuenta de cómo se está utilizando el tiempo y cómo mejorarlo.

“Analiza mi calendario de esta semana y la siguiente. Dime: (1) ¿Cuántas horas estoy en reuniones vs. tiempo para pensamiento estratégico? (2) ¿Qué reuniones recurrentes podrían ser un email? (3) ¿Dónde tengo bloques libres que debería proteger para trabajo profundo? (4) ¿Hay algún conflicto o sobrecarga en algún día específico?

Dame recomendaciones concretas para optimizar mi agenda.”

Claude pasa del diagnóstico a la propuesta: “esta recurrente de los martes se puede convertir en un Loom/video semanal, este bloque del jueves de 3 a 5 pm lo tienes libre dos semanas seguidas, protégelo como trabajo profundo, este miércoles tienes cinco reuniones consecutivas sin buffer, vas a llegar quemado a la de las 5 pm.”

Es el tipo de conversación que tendría un ejecutivo con su Chief of Staff, con la diferencia de que este lo hace en 30 segundos y no tiene miedo de decir que el calendario está mal diseñado.

Cómo implementarlo

Tres pasos concretos para replicar esto:

Primero, instalar Claude Desktop, no la versión web, la de escritorio tiene integraciones más potentes con correo, calendario y archivos locales.

Segundo, tomar uno de los tres prompts de arriba y usarlos con datos reales.

Tercero, iterar. Los prompts compartidos aquí son plantillas, el verdadero valor aparece cuando son ajustados al contexto: tipo de industria, equipo, métricas propias. Un prompt genérico da un output genérico, sin embargo un prompt que conoce el negocio da un Chief of Staff ajustado a la realidad de cada ejecutivo.

La promesa de la IA para ejecutivos no es que haga su trabajo, es que devuelva el tiempo que pierden haciendo el trabajo que no deberían estar haciendo.

Convertir la IA en tu Chief of Staff digital es una decisión de liderazgo sobre cómo diseñas tu tiempo, tu equipo y tu criterio ejecutivo.

En AI for Executives de 30X trabajamos durante 8 semanas el criterio ejecutivo para integrar la IA en la operación diaria de un líder: cómo delegar decisiones a sistemas de IA sin perder control, cómo diseñar flujos de trabajo donde la IA amplifica tu juicio en lugar de reemplazarlo, y cómo construir la disciplina para que esto escale más allá de un prompt bien hecho.

Aplica al programa · Próxima edición: 26 de mayo de 2026

Únete a la comunidad de WhatsApp donde compartimos análisis, frameworks y conversaciones sobre decisiones de IA para ejecutivos. Entra a la comunidad