Hay un patrón que se repite en casi todos los proyectos de adopción de inteligencia artificial que no cumplen las expectativas. Y no suele ser la herramienta. Tampoco, en la mayoría de los casos, las personas. Es algo que casi nadie mira al principio y que, sin embargo, decide el resultado final. Hace poco escribía sobre una idea que circula con frecuencia en las organizaciones: «prefiero a alguien que sea un 7 en todo que un 10 en una sola cosa» (puedes leerlo aquí). La frase parecía hablar de personas, pero escondía una pregunta más amplia sobre el talento y los equipos. La IA nos obliga a plantearnos una cuestión parecida. Vamos a ella.
Por qué la adopción de inteligencia artificial no siempre da resultados
Muchas organizaciones están convencidas de que incorporar IA las hará automáticamente más eficaces, más rápidas y más competitivas. Compran licencias, organizan formaciones, lanzan pilotos y diseñan planes de transformación digital. Sin embargo, pasado un tiempo, los resultados no siempre están a la altura de las expectativas.
La explicación más habitual suele buscarse en la tecnología o en las personas. Quizá la herramienta no era la adecuada. Quizá los empleados no estaban suficientemente implicados. Pero existe otra posibilidad.
Quizá el problema estaba en la tabla más corta del barril.
La Ley del Mínimo de Liebig aplicada a las organizaciones
La metáfora procede de la llamada Ley del Mínimo de Liebig. Imaginemos un barril construido con tablas de distintas alturas. La cantidad de agua que puede contener no depende de la tabla más alta, sino de la más baja. Da igual cuántas duelas sobresalgan, el agua siempre encontrará el punto más débil para escapar.
Las organizaciones funcionan muchas veces de forma parecida. No importa que dispongamos de la mejor herramienta de inteligencia artificial del mercado. No importa que hayamos contratado a grandes especialistas o impartido excelentes formaciones. Si existe una limitación crítica dentro del sistema, será ella quien determine hasta dónde podremos llegar en la adopción de IA. Y la experiencia muestra que esas limitaciones suelen aparecer siempre en los mismos lugares.
Dónde suele estar la tabla más corta
La infraestructura que frena antes de empezar
A veces la tabla más corta es la infraestructura. Resulta difícil hablar de transformación cuando los equipos tardan minutos en arrancar, las aplicaciones funcionan con lentitud o las restricciones técnicas convierten cualquier experimento en una carrera de obstáculos. A veces pueden hacer falta elementos de hardware tan básicos como una buena cámara que permita hacer una formación a distancia en condiciones. En suma, parece que queremos correr una maratón mientras seguimos atándonos los cordones.
Una cultura digital desnivelada
Otras veces la limitación es la cultura digital. La inteligencia artificial no sustituye determinadas competencias básicas, sino que las presupone. Gestionar información, trabajar de manera colaborativa, documentar conocimiento o desenvolverse con naturalidad en entornos digitales sigue siendo necesario. Incluso a veces nos olvidamos de que no todos los miembros del equipo son nativos digitales, por lo que las competencias en ese terreno están desniveladas. La IA puede amplificar nuestras capacidades en entornos digitales, pero difícilmente puede crearlas desde cero.
Procesos que nadie ha definido
También encontramos organizaciones que intentan automatizar procesos que nadie ha definido con claridad. La promesa de la eficiencia resulta tentadora, pero conviene recordar algo sencillo: optimizar un proceso caótico no lo convierte en un proceso ordenado, sino que simplemente genera más caos en menos tiempo.
Un trabajo previo de «pasar en limpio» lo que se hace cada día es ya un primer y gran aporte de una labor de consultoría. No tiene el glamour de una automatización con impacto directo en el tiempo de trabajo, pero sí puede llegar a hacer evidente que un proceso, más que un agente de IA, necesitaba simplemente pensarse mejor para hacerse en menos pasos.
El conocimiento disperso
La gestión del conocimiento constituye otra restricción frecuente. Documentos dispersos, versiones contradictorias, información atrapada en correos electrónicos o en conversaciones informales. En estos contextos la IA se parece a un bibliotecario brillante encerrado en una biblioteca donde nadie ha colocado los libros en su sitio.
Con frecuencia hago una pregunta que deja a las personas con cara de circunstancia: ¿de dónde sale la información que necesitas para realizar este proceso? Pararse a pensar este tipo de elementos básicos es ya en sí mismo un paso importantísimo hacia una organización más inteligente.
Un liderazgo que no predica con el ejemplo
Y después aparece una de las tablas más importantes: el liderazgo. Es difícil impulsar una adopción profunda cuando quienes dirigen la organización no participan en ella. Si el equipo escucha continuamente que la inteligencia artificial es estratégica, pero nunca ve a sus responsables utilizarla, compartir aprendizajes o experimentar con ella, el mensaje que recibe es ambiguo.
Las prioridades reales de una organización rara vez se anuncian, pero siempre, siempre se observan. Quien lidera un proyecto de adopción de IA ha de tener en su horizonte que su presencia no es anecdótica, sino auténtico ejemplo. Puede reforzar los prejuicios que existan y dificultar la entrada de una herramienta nueva, o puede ayudar a que se den pasos donde quizá había bastantes dudas.
El tiempo, la restricción invisible
Existe además un aspecto menos visible y, quizá por ello, más decisivo. Aprender requiere tiempo. Experimentar requiere tiempo. Equivocarse y corregir requiere tiempo.
Muchas organizaciones desean obtener los beneficios de la inteligencia artificial sin generar el espacio necesario para que las personas aprendan a utilizarla. Quieren ahorrar tiempo sin invertir tiempo previamente. Sin embargo, toda transformación exige una pequeña pausa inicial, un momento de aparente desaceleración que permita después avanzar con más velocidad y más criterio. Porque la adopción tecnológica no ocurre en los márgenes de la jornada, sino cuando la organización decide conscientemente reservar espacio para ella.
Los límites de la metáfora
Ahora bien, la metáfora del barril también tiene sus límites. Una organización no es únicamente la suma de sus restricciones. También está formada por fortalezas singulares, capacidades distintivas y talentos excepcionales.
Igual que en el debate sobre el 7 y el 10, el objetivo no consiste en eliminar cualquier diferencia para alcanzar una mediocridad equilibrada. Algunas fortalezas merecen ser potenciadas porque generan ventajas competitivas que otros no pueden replicar. La clave está en entender ambas cosas al mismo tiempo: las fortalezas crean posibilidades, las restricciones marcan los límites. Ignorar cualquiera de las dos conduce a diagnósticos incompletos.
Por eso, quizá la primera pregunta que debería hacerse cualquier proyecto de adopción de inteligencia artificial no sea qué herramienta necesitamos incorporar, sino cuál es la tabla más corta de nuestro barril.
Preguntas frecuentes sobre la adopción de inteligencia artificial
¿Por qué fracasan muchos proyectos de adopción de inteligencia artificial?
La mayoría de los proyectos de IA no fracasan por la herramienta, sino por una limitación crítica del sistema organizativo: infraestructura deficiente, cultura digital desnivelada, procesos sin definir, conocimiento disperso o falta de ejemplo por parte del liderazgo. Esa restricción, y no la tecnología, determina hasta dónde llega la adopción.
¿Qué necesita una empresa antes de adoptar inteligencia artificial?
Antes de adoptar IA, una empresa necesita procesos definidos con claridad, información accesible y organizada, competencias digitales básicas en el equipo, una infraestructura técnica que no frene la experimentación y líderes dispuestos a usar la tecnología en primera persona. Sin esa base, la IA amplifica el caos en lugar de la eficiencia.
¿Qué es la Ley del Mínimo de Liebig y qué tiene que ver con la IA?
La Ley del Mínimo de Liebig dice que la capacidad de un barril hecho con tablas de distintas alturas la determina la tabla más baja, no la más alta. Aplicada a la inteligencia artificial, significa que el rendimiento de una organización lo marca su restricción más severa, no su mejor herramienta ni su mayor talento.
¿Se puede automatizar un proceso que no está bien definido?
No conviene. Optimizar un proceso caótico no lo convierte en un proceso ordenado, sino que genera más caos en menos tiempo. Antes de automatizar con IA hay que «pasar en limpio» el proceso: describir qué se hace, con qué información y en qué orden. A veces ese análisis revela que el proceso necesitaba menos pasos, no más tecnología.
¿Qué papel juega el liderazgo en la adopción de IA?
Un papel decisivo. Si los responsables declaran que la inteligencia artificial es estratégica pero nunca la usan ni comparten aprendizajes, el equipo recibe un mensaje ambiguo y la adopción se frena. Las prioridades reales de una organización no se anuncian, se observan. El ejemplo del líder legitima o bloquea el cambio.
¿Cuánto tiempo hay que invertir para que la adopción de IA funcione?
No hay una cifra universal, pero sí una regla: no se puede ahorrar tiempo sin invertir tiempo antes. La adopción de inteligencia artificial exige reservar espacio dentro de la jornada para aprender, experimentar y equivocarse. Toda transformación empieza con una aparente desaceleración que después permite avanzar con más velocidad y criterio.
Conclusión
La adopción de inteligencia artificial no empieza eligiendo herramienta, sino identificando la tabla más corta del propio barril. Ese diagnóstico honesto, hecho antes de comprar licencias y lanzar pilotos, es lo que separa los proyectos que transforman de los que decepcionan. Y tal vez exista una segunda pregunta todavía más interesante. La mayoría de las conversaciones sobre IA giran alrededor del ahorro de tiempo, de automatizar tareas y hacer más con menos. Pero apenas nos detenemos a pensar en lo esencial: si la inteligencia artificial consigue liberar tiempo, ¿qué queremos hacer con él?
La pregunta parece sencilla, pero sospecho que no lo es tanto. Quizá merezca un artículo propio.
Este artículo ha sido escrito por Carlos Girón. Puedes leer aquí todos sus artículos sobre IA, trabajo y organizaciones.
