Una tesis, releída tres años después
En 2023 escribí una tesis de maestría sobre cómo crear valor en la banca mediante la analítica de datos, la inteligencia artificial y el aprendizaje automático. La pregunta en el centro era casi entrañable de lo tan directa que era: ¿qué formas de valor puede crear realmente una organización cuando analiza sus datos? La respondía con toda la maquinaria disciplinada del campo: la metodología CRISP-DM, la segmentación por comportamiento, el clustering k-means, el argumento de que los datos deben dejar de verse como un costo que hay que almacenar y empezar a tratarse como un activo que crea valor, con la personalización y el targeting como motores. Y en un capítulo que en su momento tomé como un trámite obligado, dedicaba páginas de verdad a la ética de datos, la privacidad y la gobernanza.
La releí hace poco, en plena ola de la IA que se ha tragado todas las conversaciones de mi industria. Y tuve dos reacciones muy distintas ante dos partes muy distintas de ella.
Las partes de las que más orgulloso me sentía —el modelado, toda la maquinaria técnica para extraer valor— hoy se leen, la verdad, un poco anticuadas. No están mal. Simplemente ya no es tan difícil. Y el capítulo que había tratado como una obligación —el de la ética, la privacidad y quién responde por lo que hace el sistema— hoy se lee como lo más importante de todo el documento.
Esa inversión es justo el tema de este texto, y lo voy a decir sin rodeos: en la IA, el modelo nunca fue el punto. El valor siempre estuvo en el criterio y en la gobernanza que lo rodean, y la era de los agentes por fin lo dejó a la vista.
Lo que todos daban por difícil
Regresa a 2023, o a 2021, o a casi cualquier momento antes de la ola actual, y el supuesto implícito en todo el campo era que el modelado era la habilidad escasa y valiosa. Quien podía construir el clasificador, afinar la segmentación y sacarle señal al ruido tenía las llaves. Mi tesis reflejaba ese supuesto. Y toda la industria también.
La vida ya me había enseñado lo contrario, a golpes, y yo no lo había acabado de asimilar. Años antes, había ganado un concurso interno de innovación con un caso de negocio basado en IA que, en papel, parecía brillante. Luego la realidad me alcanzó: los datos que necesitábamos no estaban accesibles, las integraciones resultaron más difíciles de lo que nadie admitía y los resultados nunca llegaron. Fracasamos. Y la lección que saqué de ese fracaso es la frase que he repetido desde entonces: toda buena estrategia de IA empieza con buenos datos. El problema nunca fue el algoritmo, sino los cimientos.
La tesis fue, en cierto modo, mi manera de formalizar esa lección. Pero aun así planteé el trabajo con los datos como la preparación y el modelado como la recompensa. Tenía el orden casi bien, pero el énfasis mal.
La idea que solo se volvió más cierta con los años: Datos → Información → Conocimiento → Sabiduría
Si una sola idea de esa tesis envejeció hacia más verdad y no hacia menos, es una jerarquía que le tomé prestada al teórico de sistemas Russell Ackoff. El valor no reside en los datos crudos. Sube por una escalera. Los datos se convierten en información cuando les das contexto. La información se vuelve conocimiento cuando entiendes los patrones que hay en ella. Y el conocimiento se vuelve sabiduría cuando puedes juzgar de verdad qué hacer con él. Cada peldaño vale más que el de abajo, y el peldaño más alto —la sabiduría, el criterio aplicado— es donde siempre ha estado el valor.
Esto es lo que la era de los agentes le hizo a esa escalera: automatizó la parte inferior. Hoy, la IA es extraordinaria para convertir datos en información e información en conocimiento: resume, clasifica, encuentra patrones y construye modelos. Antes, esos ascensos eran la parte escasa, cara y humana. Ahora salen baratos.
Lo que no automatizó —lo que no puede automatizar— es el peldaño más alto. La sabiduría. Decidir qué significa el conocimiento, si conviene actuar con él, quién responde si lo haces. La máquina sube la escalera más rápido de lo que nosotros podríamos, pero sube hacia el humano que está parado hasta arriba; no lo rebasa. Ahí está todo el argumento de este texto en una sola imagen: las herramientas se volvieron increíblemente buenas en todo lo que está por debajo de la sabiduría, y por eso mismo la sabiduría es hoy el trabajo entero.
Lo que la era de los agentes abarató
Y entonces el modelado se abarató.
Ese es el resumen honesto, en una línea, de lo que pasó. La parte que todos suponían una habilidad escasa —producir el modelo, generar el código, extraer el patrón— hoy es algo que un agente capaz hace rápido y bien. La ejecución se desplomó en precio. Y cuando lo caro de pronto se vuelve barato, deja de ser el lugar donde vive el valor. El valor no desaparece: se traslada hacia lo que sigue siendo escaso.
Resultó que tres cosas siguen siendo escasas, y son las mismas tres que mi tesis alcanzó a ver a medias:
Buenos cimientos de datos. Un agente te arma un modelo en una tarde. Lo que no puede es darte datos que no tienes ni volver confiables datos que gobernaste con descuido. Los cimientos siguen siendo todo el juego y siguen siendo trabajo humano y lento. De hecho, mi tesis le dedicó su capítulo más largo justo a esto: no a los modelos, sino a la plomería. Una sola fuente de verdad en lugar de hojas de cálculo locales que se contradicen entre sí; la calidad de los datos controlada desde que se capturan hasta que se usan; los sistemas locales duplicados dados de baja. Yo creía que esa era la parte aburrida. Resultó ser la parte que sostiene todo.
Criterio para saber dónde está de verdad el valor. Decidir qué problema vale la pena resolver, qué segmento importa y qué resultado debería perseguir el negocio no es una cuestión de modelado. Es una pregunta de criterio y el criterio no se abarató. Al contrario: en un mundo donde puedes construir casi cualquier cosa rápido, elegir lo correcto que hay que construir se volvió la habilidad principal.
Gobernanza, ética y rendición de cuentas. Este es el capítulo que envejeció y se convirtió en oro.
El capítulo que con el tiempo se volvió oro
Cuando escribí sobre ética de datos y privacidad en 2023, me pareció lo más responsable incluir la sección que un trabajo serio debería tener. Jamás imaginé que se convertiría en la parte que lo sostiene todo.
Al releerlas hoy, esas líneas concretas aterrizan distinto de cómo aterrizaban cuando las escribí. Había observado que a los clientes les encanta lo que la analítica les dice sobre sus propios datos, pero se incomodan muchísimo cuando se usa en un lugar donde no lo esperaban; así que proteger su privacidad no es un lujo opcional, sino la base de la relación. Les había puesto una vara a los datos mismos: tenían que ser creíbles, transparentes, sistemáticos y verificables. E insistí en que un modelo de gobernanza debe establecer la rendición de cuentas —dejar claro quién responde por cómo se usan los datos— y que jamás debe usarlos “de un modo incompatible con las expectativas de los clientes y los empleados”. En 2023 archivé todo eso como puro formalismo prudente. En 2026, con sistemas capaces de actuar sobre esos datos a gran escala en segundos, se lee como el juego entero.
Y esto se generaliza mucho más allá de las finanzas. Lo único que separa “poderoso” de “dañino” es la capa humana de criterio que rodea a la máquina: quién revisa qué, quién responde, qué puede y qué no puede hacer el sistema, qué está obligado a transparentar. Las preguntas que hace tres años parecían puro formalismo de cumplimiento; hoy son las que deciden si un sistema de IA es confiable o un riesgo. Los reguladores están llegando exactamente a este punto; los problemas más difíciles de la industria son hoy problemas de gobernanza disfrazados de problemas técnicos.
En finanzas, tenemos una palabra para el peso de todo esto: el deber fiduciario. Cuando un sistema toca el dinero de alguien, sus ahorros, su vida financiera, le debes más que un modelo ingenioso. Le debes una respuesta defendible a la pregunta: “¿Quién decidió esto y cómo sabes que está bien?”. Eso no es un artefacto de modelado. Es una rendición de cuentas humana y es lo único que ninguna cantidad de capacidad producirá jamás por sí sola.
Lo que aprendí: me pasé toda la tesis orgulloso del capítulo equivocado. La maquinaria técnica en la que tanto me esmeré se volvió un commodity; la gobernanza que traté como un apéndice se volvió la columna vertebral. El valor en la IA nunca estuvo en el modelo. Estuvo en los datos que lo sostienen y en el criterio que lo rodea, y ambos son tercamente, carísimamente humanos.
Por qué importó: cambió por completo lo que creo que un ingeniero o un líder con cultura de IA necesita hacer bien de verdad. Ya no se trata de “¿puedes construir el modelo?” —esa la gana la máquina—, sino de “¿puedes distinguir cuál problema vale la pena resolver, exigir unos cimientos dignos de confianza y responder por lo que hace el sistema cuando alguien te pide cuentas?”. Ese es el trabajo. Siempre lo fue; la ola de la IA solo le arrancó todo lo demás que antes lo disfrazaba.
El hilo conductor de todo lo que he venido escribiendo —la misma idea que planteé sobre la ingeniería en Del vibe coding a la ingeniería de IA y sobre la adopción en No puedes decretar una transformación con IA— es que la autonomía se gana con disciplina humana, no te la entregan las mejores herramientas. En ningún lado se ve tan claro como aquí. Las herramientas se volvieron increíblemente buenas en la parte que alguna vez creí que era el punto. Lo que queda es la parte que fue el punto desde el principio.
El modelo nunca fue el valor. Lo fueron los datos que lo sostienen y el criterio que lo rodea, y esos nunca dejaron de ser humanos.