Por Raquel Oberlander
Si me preguntabas hace dos años cuáles eran las habilidades más importantes para trabajar con inteligencia artificial, probablemente te hubiera hablado de prompts, herramientas o automatizaciones. Si me lo preguntás dentro de seis meses, quizás te responda algo diferente. Pero hoy, en este momento, creo que hay dos habilidades que marcan una diferencia enorme.
La primera es lograr que los textos realmente parezcan tuyos (o de tus clientes, si tenés una agencia). La segunda es construir el cerebro de tu empresa.
Y, curiosamente, ninguna de las dos tiene demasiado que ver con aprender una nueva herramienta.
A. Que la IA no suene a IA
Cada vez es más fácil generar contenido. Un post de LinkedIn, un email, un artículo, un guion para video. En pocos segundos podemos tener algo bastante correcto. El problema es que correcto no siempre significa bueno y, mucho menos, humano.
De hecho, muchas veces significa exactamente lo contrario.
Todos hemos leído textos escritos por inteligencia artificial. Son prolijos, claros.
Pero no tienen alma ni tienen una opinión propia. No tienen una historia. Y si algo aprendí en todos estos años trabajando en marketing es que las personas no conectan con textos perfectos, conectan con personas. Por eso creo que una de las habilidades más valiosas hoy es enseñarles a nuestras herramientas cómo pensamos, cómo hablamos y cómo vemos el mundo. No se trata de usar menos IA; se trata de lograr que la IA amplifique nuestra voz en lugar de reemplazarla. Cuando todos tenemos acceso a las mismas herramientas, la diferencia ya no está en la tecnología, sino en la identidad.
B. Construir el cerebro de la empresa
La segunda habilidad es menos visible, pero probablemente mucho más importante. La mayoría de las empresas ya tiene toda la información que necesita para operar.
Está en documentos, reuniones, correos, planillas, conversaciones de WhatsApp y en la cabeza de algunas personas clave. El problema es que ese conocimiento está disperso. Y cuando incorporamos agentes de IA, pasa algo interesante: el problema no es que la inteligencia artificial no sepa cosas. El problema es que no sabe cuáles son las correctas para utilizar en cada contexto. El primer paso es construir repositorios de información. Pero eso no es suficiente, porque acumular información no es construir un cerebro. Tu cerebro no solo guarda conocimiento; también sabe encontrarlo. Sabe distinguir qué información sigue vigente y cuál quedó obsoleta. Por eso creo que uno de los grandes desafíos de los próximos años será construir cerebros organizacionales.
Sistemas donde toda la experiencia acumulada de una empresa pueda ser utilizada por personas y agentes de IA para tomar mejores decisiones, trabajar más rápido y evitar empezar de cero una y otra vez.
Cómo construir un cerebro empresarial
Después de analizar distintos modelos y experimentar con nuestros propios procesos, llegué a la conclusión de que un cerebro empresarial tiene cinco capas.
1. Captura
Todo empieza por capturar el conocimiento: reuniones, llamadas comerciales, procesos, aprendizajes, errores, buenas prácticas, documentación. En todas las empresas existe una enorme cantidad de conocimiento. El desafío es encontrar una forma de conservarlo.
Hoy, una de las maneras más simples es grabar las reuniones (internas o con clientes) y utilizar las transcripciones para alimentar agentes que procesen esa información y la incorporen a las bibliotecas o sistemas de conocimiento existentes.
Pero ese agente también necesita reglas. ¿Qué debe extraer de esas conversaciones? Algunas posibilidades son: biblioteca de objeciones, material de capacitación comercial, fuente de ideas para contenidos.
2. Recuperación
El sistema tiene que encontrar el contexto correcto en el momento correcto. Un agente que redacta una propuesta comercial no necesita toda la historia de la empresa. Necesita exactamente la información que le permita hacer bien esa tarea.
La magia no está en almacenar más; está en recuperar mejor. Es lo que en tecnología se conoce como retrieval o recuperación de información. Además, cuanto más contexto innecesario tenga que procesar la IA para responder, más tokens consumirá y más lento trabajará. Por eso suele ser más eficiente contar con distintos agentes especializados que con uno solo intentando resolver todo.
3. Permisos
Relacionado con el punto anterior, ni todos los agentes ni todas las personas necesitan acceder a toda la información. Cada flujo de trabajo debería tener acceso únicamente al conocimiento que necesita para cumplir su función.
4. Reglas y fuentes de verdad
¿Qué pasa cuando dos documentos dicen cosas diferentes? ¿Qué sucede si el manual de marca contradice una presentación reciente? Todo cerebro necesita reglas claras para determinar qué información tiene prioridad y cuál debe considerarse la fuente de verdad.
5. Aprendizaje continuo
Esta es la capa más importante. Cada vez que corregimos una respuesta de la IA, generamos aprendizaje. Cada vez que ajustamos un texto. Cada vez que aclaramos una regla. El problema es que, si no incorporamos una lógica de mejora continua, ese aprendizaje se pierde y no queda registrado para el futuro.
Un cerebro inteligente no solo recuerda; evoluciona. Pero, ¿dónde tiene que vivir ese cerebro? Muchos creen que cargar información en proyectos alcanza para que funcionen como la memoria de una empresa. En realidad, no es así. Los proyectos sirven para organizar información, pero la IA solo puede trabajar con una cantidad limitada de contexto a la vez. Aunque hayas cargado decenas de documentos, no los tiene todos “en la cabeza”. Cada vez que recibe una tarea, busca lo que considera más relevante y responde a partir de esa selección. El problema es que esa búsqueda no siempre recupera la información correcta y, cuanto más contenido acumulás en un proyecto, más difícil resulta encontrar exactamente lo que se necesita. Por eso, si querés construir una operación realmente escalable con IA, no alcanza con subir documentos. La información tiene que estar organizada de forma inteligente y separada por contextos, repositorios o sistemas especializados; por ejemplo, utilizando plataformas como GitHub para determinados tipos de documentación.
La verdadera diferencia entre usar IA para ahorrar tiempo y construir una empresa realmente AI-native está en la infraestructura. No se trata de tener más documentos.
Se trata de darle a la IA el contexto correcto en el momento correcto y combinarlo con procesos bien definidos que puedan mejorar continuamente a partir del feedback humano.
La pregunta más importante hoy ya no es qué herramienta de IA estás usando. Es qué tan bien le estás enseñando quién sos y qué sabe tu organización.