El gerente general pidió algo razonable: que cada área trajera propuestas de inteligencia artificial para el próximo presupuesto. Llegaron catorce. Un asistente para redactar respuestas a clientes, un copiloto para el equipo legal, un generador de descripciones de producto, un bot de preguntas frecuentes para la intranet, un resumidor de actas. Trece de las catorce eran variaciones de lo mismo.

La decimocuarta la había presentado el jefe de planificación de operaciones, y no llegó a la lámina final. Era un modelo de predicción de quiebre de stock que su equipo venía pidiendo hacía dos años, con un cálculo grueso de cuánta venta perdida podía recuperar. Alguien lo sacó de la presentación antes de la reunión, con un argumento que sonó sensato en el momento: eso no es realmente inteligencia artificial, es estadística.

Era, de las catorce, la única propuesta que tocaba directamente el margen.

Esa reunión no fue un accidente ni una falla de un equipo en particular. Fue el resultado predecible de un filtro mental que hoy opera en casi todos los comités ejecutivos, y que nadie enunció nunca en voz alta: si no genera texto, no cuenta como inteligencia artificial.

El filtro que nadie declaró

Fuente: Gartner, AI does not revolve around GenAI

El problema es que el vocabulario de moda se convirtió en criterio de selección. Cuando un directorio pregunta “¿esto usa inteligencia artificial generativa?” en vez de preguntar “¿esto resuelve el problema que tenemos?”, el proceso de compra empieza a seleccionar por marketing y no por adecuación. Y las herramientas que quedan afuera de ese filtro suelen ser, precisamente, las que llevan cuarenta años resolviendo los problemas más caros de la operación.

El problema es que el vocabulario de moda se convirtió en criterio de selección. Cuando un directorio pregunta “¿esto usa inteligencia artificial generativa?” en vez de preguntar “¿esto resuelve el problema que tenemos?”, el proceso de compra empieza a seleccionar por marketing y no por adecuación. Y las herramientas que quedan afuera de ese filtro suelen ser, precisamente, las que llevan cuarenta años resolviendo los problemas más caros de la operación.

Dos puertas de entrada

Hay una forma simple de ordenar esto, y sirve para una conversación de directorio sin necesidad de entrar en tecnicismos. La inteligencia artificial entra a una empresa por dos puertas distintas:

1. Experiencia y operación diaria
2. Decisión y planificación

P	Técnica	Tipo de salida	Ejemplo concreto
1	Modelos generativos	Artefacto: texto, imagen, código	Asistente que redacta la respuesta al cliente; extracción de cláusulas de 300 contratos
2	Machine learning no generativo	Predicción: etiqueta, valor, grupo	Probabilidad de fuga por cliente para el próximo trimestre
2	Optimización	Decisión: asignación, secuencia, plan	600 entregas entre 40 camiones con ventanas horarias comprometidas
2	Simulación	Escenario: distribución de futuros posibles	10.000 trayectorias de tipo de cambio y su efecto en el flujo de caja a 24 meses
2	Reglas y heurísticas	Decisión con traza explicativa	Motor de elegibilidad crediticia que puede justificar cada rechazo
2	Grafos	Relaciones y patrones de conexión	Detección del anillo de cuentas coordinadas que ninguna transacción revela sola

Por la primera puerta entra todo lo que toca la experiencia y el trabajo diario de las personas: donde hay lenguaje, documentos, conversaciones y borradores. Ahí es donde brillan los modelos generativos, y con razón. Un asistente que redacta la respuesta al cliente, un sistema que extrae las cláusulas relevantes de trescientos contratos, un copiloto que le ahorra al equipo comercial la mitad del tiempo de preparación de una propuesta. Esta es la puerta visible, la que todas las empresas ya cruzaron, y la que produce las demostraciones que entusiasman en una presentación.

Por la segunda puerta entra todo lo que toca la decisión y la planificación: donde hay números, restricciones, incertidumbre y plata en juego. Es una puerta menos fotogénica y considerablemente más rentable. Ahí vive la predicción, que responde qué va a pasar:

• Qué clientes tienen probabilidad alta de fugarse el próximo trimestre,
• Cuánta demanda va a tener cada producto en cada local,
• Qué transacción tiene perfil de fraude…

Ahí vive la optimización, que responde cuál es la mejor asignación posible cuando las opciones son más de las que un humano puede evaluar: cómo repartir seiscientas entregas entre cuarenta camiones con ventanas horarias comprometidas, cómo armar los turnos de un hospital respetando el reglamento y las preferencias del personal.

Ahí vive la simulación, que responde qué pasaría si: diez mil trayectorias posibles del tipo de cambio y su efecto sobre el flujo de caja a veinticuatro meses, antes de comprometer la inversión.

Ahí viven las reglas y heurísticas, el conocimiento explícito de los expertos codificado en un motor que decide de forma consistente y, a diferencia de un modelo estadístico, puede explicar exactamente por qué decidió lo que decidió. Y ahí viven los grafos, que representan entidades y relaciones en vez de filas y columnas, y que permiten detectar el anillo de cuentas coordinadas que ninguna transacción revela por sí sola.

Ninguna de esas cinco genera texto. Todas son inteligencia artificial. Y en la mayoría de las empresas, todas están del lado de la puerta que el comité no está mirando.

La pregunta que ordena el portafolio

La consecuencia práctica es directa y se puede verificar en una tarde. Vale la pena tomar la lista de iniciativas de inteligencia artificial aprobadas para este año y hacerle una sola pregunta: ¿cuántas entraron por cada puerta?

Si todas entraron por la misma, el portafolio no se armó desde los problemas del negocio. Se armó desde lo que estaba disponible en el vocabulario.

Hay un segundo control, todavía más incómodo, que es leer cómo están enunciados los objetivos. “Reducir el quiebre de stock en un treinta por ciento” tiene dueño, tiene línea en el estado de resultados y tiene condición de fracaso. “Implementar inteligencia artificial en la cadena de suministro” no tiene ninguna de las tres, y esa es exactamente la razón por la que resulta tan cómodo aprobarlo. Un objetivo que no se puede fallar no es un objetivo.

Lo que estamos viendo en la práctica

En Itera venimos acompañando a organizaciones que llegan con un mandato de inteligencia artificial ya definido y un portafolio armado casi entero por la primera puerta. El trabajo más valioso rara vez consiste en agregar iniciativas: consiste en volver a los problemas que ya estaban en la mesa —el quiebre de inventario, la asignación de recursos, la fuga de clientes, el fraude— y preguntarse cuál de todas las herramientas disponibles corresponde a cada uno. Varias veces la respuesta es un modelo generativo. Bastantes más veces no lo es, y esa conversación ahorra bastante más de lo que cuesta.

Si al mirar su presupuesto de este año reconoce el patrón de las catorce propuestas, conversemos. Es una revisión de medio día y suele cambiar bastante el orden de las prioridades.