Hace tres meses, en una conversación con un cliente, me contó algo que le había pasado: un desarrollador senior de su equipo le confesó que llevaba seis meses usando ChatGPT para el 40% de su trabajo. «No te lo había dicho porque pensaba que me despedirías.»
No lo despidió. Le pidió que enseñara a todo el equipo lo que había aprendido.
Ese patrón, desarrolladores usando IA en secreto, managers descubriéndolo por casualidad, organizaciones sin estrategia clara, empecé a escucharlo con frecuencia. Me llevó a revisar en profundidad cómo los LLMs están transformando las organizaciones tecnológicas y a descubrir el reciente trabajo de Ethan Mollick, profesor de Wharton, cuyo análisis sobre la reinvención organizacional para GenAI publicado en MIT Sloan Management Review resonaba con todo lo que estaba observando.
El problema invisible
Según una encuesta citada por Mollick, más del 50% de trabajadores usa IA sin aprobación formal en sus organizaciones, y el 64% ha presentado trabajo generado por IA como propio. En empresas tech españolas, estos porcentajes son probablemente superiores.
Durante 25 años gestionando recursos humanos en empresas tecnológicas —desde Gamesa hasta SEGULA Technologies— he visto cómo cada nueva tecnología se integraba en las organizaciones. ERP, cloud, metodologías ágiles… todas fortalecieron la estructura tradicional existente.
Los LLMs son fundamentalmente diferentes. No optimizan la jerarquía. La cuestionan.
Aquí está el dilema: ¿usar la IA para intensificar el control sobre los equipos o para liberar talento de tareas sin valor añadido?
Por qué postponer ya no es viable
En España tendemos al enfoque «fast second». Aprender de los errores ajenos, entrar después con menor riesgo.
Con IA, ese momento ya pasó.
Mientras se debate la implementación, hay equipos en tu propia organización que ya están usando IA por su cuenta, generando conocimiento que no se comparte, y creando dependencias de herramientas que nadie supervisa.
Solo hay dos formas de reaccionar al cambio exponencial: demasiado pronto o demasiado tarde. Los datos muestran que estamos en el punto de inflexión.
¿Y si decides esperar?
Tu organización seguirá usando IA. Solo que de forma dispersa, sin seguridad, sin captura de conocimiento, y sin aprovechar economías de escala. En 18 meses tendrás el mismo problema, pero amplificado, y sin los aprendizajes que habrías acumulado.
La pregunta no es si adoptar IA. Es si liderar esa adopción o dejar que ocurra en las sombras.
La cuestión que todos tenéis en mente
Antes de seguir: sé qué estás pensando. «¿Voy a tener que reducir plantilla?»
Existen dos trayectorias posibles:
Trayectoria A: Control algorítmico intensificado Automatización seguida de reducción de headcount. Resultado a corto plazo: mejora de márgenes. Resultado a medio plazo: fuga de talento, pérdida de capacidad innovadora, vulnerabilidad competitiva.
Trayectoria B: Empoderamiento de trabajadores Automatización de tareas de bajo valor, reubicación de talento en proyectos de mayor complejidad, aceleración de desarrollo de producto, atracción de mejor talento.
En las organizaciones donde he aplicado enfoques orientados al empoderamiento, la tendencia observable ha sido el crecimiento, no la reducción. Pero requiere paciencia: los primeros meses son inversión antes de ver retorno medible.
La elección de trayectoria se toma en las primeras decisiones. Por eso importa hacerlas bien.
Un roadmap de implementación realista
A partir de los tres principios de Mollick —identificar usuarios actuales de IA, permitir autonomía de equipos, y construir para el futuro cercano— he estructurado un roadmap de implementación con timings realistas basados en mi experiencia en transformación organizacional:
- Transparencia organizacional (primer mes): identificar quién ya usa IA y qué están consiguiendo
- Marco de experimentación controlada (trimestre 2-3): establecer gobernanza y permitir innovación segura
- Reestructuración organizacional (segundo semestre): rediseñar procesos y roles de forma profunda
Contexto importante: Este roadmap está pensado para empresas tech de 100-500 empleados. En organizaciones más pequeñas (<50), los timings pueden reducirse a la mitad. En corporaciones (+1000), probablemente deban duplicarse.
Ahora bien, podría venderte que esto se implementa en cuatro semanas. Tres sprints rápidos, cambios express, resultados inmediatos. Sería un artículo viral. Y sería completamente irresponsable.
¿Por qué planteo timings deliberadamente largos?
Por qué la implementación gradual es la única que funciona
Razón 1: La IA evoluciona más rápido que tu capacidad de implementación
Los modelos de lenguaje mejoran cada trimestre. Si inviertes 6 meses en diseñar el proceso perfecto para la tecnología de hoy, estás construyendo para un mundo que ya no existe cuando termines.
Una implementación gradual te permite pivotar sobre la marcha. Empiezas con las herramientas actuales, aprendes qué funciona, y ajustas cuando aparece la siguiente generación. No te casas con decisiones arquitectónicas que serán obsoletas en meses.
Razón 2: El conocimiento crítico está distribuido (y oculto)
Más de la mitad de tu organización ya usa IA sin decírtelo. Ese conocimiento —qué funciona, qué falla, qué casos de uso son realmente valiosos— no está en ninguna consultora externa.
Está en la cabeza del QA que automatizó sus tests, en el desarrollador que usa Copilot de formas inesperadas, en la project manager que creó un sistema de análisis de riesgos.
Si implementas rápido desde arriba, pierdes ese conocimiento. Si vas despacio y empiezas por la transparencia, lo capturas y lo escalas.
Los que implementan rápido acaban rehaciendo todo en 12 meses. Los que implementan gradualmente están en producción real en 12 meses.
Tres decisiones estratégicas escalonadas
DECISIÓN 1: Transparencia organizacional (Primer mes)
El primer paso es identificar y reclutar a los usuarios actuales de IA que ya operan «en la sombra». Esto requiere generar confianza, no presión.
Semanas 1-2: Preparación y comunicación
El mensaje de amnistía no se improvisa. Requiere diseño cuidadoso, socialización previa con managers clave que actuarán como early adopters, y criterios claros de evaluación que eviten que esto se convierta en concurso de popularidad. También necesitas definir presupuesto para reconocimiento (ejemplo: entre 500-1.500€ por caso documentado).
Semanas 3-4: Recopilación y análisis
Abre periodo de identificación con mínimo 2 semanas de plazo. La gente necesita tiempo para decidir si confía en el proceso. Simultáneamente, crea un canal de comunicación para compartir descubrimientos y designa a alguien responsable de centralizar el conocimiento emergente.
Patrón observado:
En organizaciones tecnológicas medianas, este proceso suele revelar usos de IA que nadie en dirección conocía: desde automatizaciones en testing hasta sistemas de análisis creados individualmente. Una inversión proporcionada en reconocimiento genera retorno en conocimiento organizacional que por otros medios requeriría consultoría externa.
DECISIÓN 2: Marco de experimentación controlada (Trimestre 2-3)
Los equipos deben desarrollar sus propios métodos. Las soluciones centralizadas de IT o consultoras externas no funcionan bien con IA porque la tecnología evoluciona demasiado rápido y los casos de uso son demasiado específicos.
Mes 1: Establecer gobernanza
Define el perímetro de seguridad y compliance, crea lista de herramientas pre-aprobadas, diseña proceso de evaluación para nuevas herramientas, y aprueba presupuesto y modelo de asignación. Un presupuesto mensual razonable por empleado para suscripciones de IA podría situarse entre 50-150€, dependiendo del rol. El coste de reemplazar un desarrollador senior puede superar los 30.000-40.000€.
Mes 2: Lanzamiento de programa piloto
Selecciona 2-3 equipos para piloto —no toda la organización a la vez. Da briefing detallado sobre objetivos y limitaciones, establece check-points semanales, y comienza tracking de métricas base.
Mes 3: Evaluación y ajuste
Analiza resultados del piloto, identifica bloqueadores y facilitadores, ajusta framework basándose en aprendizajes reales, y prepara roadmap de expansión.
Las organizaciones que han implementado pilotos similares reportan reducciones significativas en tiempo de testing cuando se combina IA con supervisión humana, junto con mejoras cualitativas en detección de errores.
Lo que lleva tiempo real: cambiar políticas de IT, conseguir aprobaciones de seguridad, modificar contratos con clientes si es necesario, formar a managers en supervisión de uso de IA.
DECISIÓN 3: Reestructuración organizacional (Segundo semestre)
Esta es la transformación profunda. La tecnología existe pero el impacto sistémico aún no se ha materializado del todo.
Meses 1-2: Diagnóstico profundo
Haz auditoría de procesos y reuniones, identifica quick wins vs. cambios estructurales, mapea el impacto en roles actuales, y diseña modelo organizacional futuro. Esto es trabajo estratégico serio, no un workshop de dos días.
Meses 3-4: Pilotos de rediseño
Selecciona 1-2 áreas para rediseño profundo, implementa cambios con grupo piloto, mide impacto real —no proyecciones—, y ajusta modelo basándose en fricción encontrada.
Meses 5-6: Escalado progresivo
Expande a más áreas basándote en éxitos comprobados, comienza redefinición formal de roles, y establece estructura permanente de integración IA.
Ejemplo hipotético de transformación de rol:
Un desarrollador backend podría evolucionar hacia funciones de mayor valor: menos tiempo en código boilerplate, más en arquitectura de sistemas, mentoría de equipo e investigación tecnológica. Este tipo de evolución suele justificar incrementos salariales significativos y correlaciona con mejoras en retención de talento.
Redefinir roles implica negociaciones con personas reales, con miedos legítimos. Requiere comunicación continua y en muchos casos, renegociación de contratos y bandas salariales. No es un proceso de semanas, es un proceso que se mide en trimestres, no en sprints.
Señales de alarma en los primeros 6 meses
No todo lo que parece éxito lo es. Estate atento a estas señales:
Si nadie se presenta a la amnistía de IA → Tienes un problema de confianza cultural más profundo que cualquier framework puede resolver. Antes de seguir con IA, necesitas trabajar en seguridad psicológica.
Si los pilotos no generan resistencia alguna → Nadie los está tomando en serio. La transformación real siempre genera fricción. Si todo es armonía, probablemente estás haciendo teatro corporativo.
Si todas las métricas mejoran desde el mes 1 → Probablemente estás midiendo mal o eligiendo métricas complacientes. Los primeros meses deberían mostrar caos productivo, no éxito lineal.
Métricas que realmente importan
Indicadores cuantitativos:
- Tiempo ahorrado por proceso (medible mes 3-4)
- Reducción de errores (requiere baseline de 2-3 meses)
- Velocidad de iteración (comparable tras 6 meses)
- Time-to-market (dato significativo tras 9-12 meses)
Indicadores cualitativos:
- Satisfacción de empleados (primera medición: mes 3, tendencia: mes 9)
- Porcentaje de adopción activa de IA (tracking desde mes 1)
- Generación de ideas desde la base (medible tras 6 meses)
- Retención de talento tecnológico (dato anual)
Indicador definitivo: Frecuencia con que la organización identifica oportunidades de IA sin intervención directiva.
Compromiso ejecutivo realista
Horizonte 6 meses: Transparencia + framework de experimentación en piloto
Horizonte 12 meses: Expansión del framework + primeros rediseños de proceso
Horizonte 18-24 meses: Transformación organizacional profunda + redefinición de roles
La decisión que define
Llamé a ese CTO cliente la semana pasada. Me contó que el desarrollador que confesó usar ChatGPT ahora lidera el programa de IA de la empresa. Que han identificado 23 casos de uso que nadie en dirección conocía. Que acaban de cerrar una ronda de financiación donde los inversores preguntaron específicamente por su estrategia de IA —y tenían respuestas concretas.
«Si le hubiera despedido cuando me lo confesó», me dijo, «ahora estaría en la competencia, construyendo esto para ellos.»
En 2030, tu retrospectiva será una de dos:
«Perdimos la ventana de oportunidad cuando la transformación era evidente.»
O bien:
«El momento de decisión sobre adopción estratégica de IA en 2025 marcó la década.»
La decisión de comenzar es para esta semana. La transformación será para 2027. Y esa es exactamente la razón por la que no puedes permitirte postponer más.
Nota metodológica:
Este artículo combina el marco conceptual de «Reinventing the Organization for GenAI and LLMs» de Ethan Mollick (Wharton School), publicado en MIT Sloan Management Review, con un roadmap de implementación desarrollado a partir de mi experiencia en transformación organizacional. Los casos específicos y cifras económicas son ejemplos ilustrativos basados en patrones observados, no datos de clientes específicos por razones de confidencialidad.
ALBERTO MARAURI
DIAGNOSTICO INICIAL PRO
Soluciono HR problemas en empresas (Tech+Ingeniería) | Desarrollo directivo, formación Soft Skills, consultoría RRHH | Con IA de serie.
#LiderazgoTecnológico #TransformaciónIA #GestiónDelCambio #RecursosHumanosTech #InnovaciónOrganizacional
0 comentarios