<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[GBM Tech - Medium]]></title>
        <description><![CDATA[Tech &amp; AI at GBM, decoded - Medium]]></description>
        <link>https://medium.com/gbm-tech?source=rss----b86356bd5648---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>GBM Tech - Medium</title>
            <link>https://medium.com/gbm-tech?source=rss----b86356bd5648---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 08:05:37 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/gbm-tech" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Alguien tiene que leerlo]]></title>
            <link>https://medium.com/gbm-tech/alguien-tiene-que-leerlo-856eb9d0edd9?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/856eb9d0edd9</guid>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[responsible-ai]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[critical-thinking]]></category>
            <category><![CDATA[human-in-the-loop]]></category>
            <dc:creator><![CDATA[Pedro OM]]></dc:creator>
            <pubDate>Fri, 20 Nov 2026 20:53:34 GMT</pubDate>
            <atom:updated>2026-11-20T20:57:06.909Z</atom:updated>
            <content:encoded><![CDATA[<h4><em>AI Tech Court | Reflexión II de IV</em></h4><p><em>Sobre el tiempo que ahorramos con la IA y el trabajo que aparece después.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V8XA1oUNAs2csnV6yJLk_A.png" /></figure><p>Este artículo forma parte de una serie de reflexiones a partir del AI Tech Court, un encuentro del equipo de AI de GBM durante Mexico Tech Week donde se debatieron cuatro preguntas sobre inteligencia artificial. En esta entrega quiero detenerme en una de ellas: qué estamos diciendo cuando decimos que la IA nos hace más productivos.</p><p>La pregunta puede parecer resuelta desde que conseguimos en unos minutos algo que antes nos tomaba horas. Cuesta discutir con ese alivio. Pero en el debate aparecieron experiencias que complicaban la cuenta: documentos que ayudaban a avanzar y documentos que dejaban a alguien más enterrado en trabajo. Me interesa ponerlas una junto a otra, porque quizá entre ambas podamos entender mejor qué esperamos de ese tiempo que estamos ahorrando.</p><h3>El documento llega a otro escritorio</h3><p>Un profesor contó que sus alumnos habían empezado a entregarle reportes mucho más largos, bien presentados y con referencias. Él no observaba un aprendizaje equivalente a ese aumento de páginas. Ahora tenía que encontrar tiempo para leerlas o apoyarse, a su vez, en una IA para evaluarlas. El reporte podía producirse más rápido; saber qué había aprendido cada alumno seguía siendo una tarea pendiente.</p><p>Hay algo reconocible en esa situación, incluso fuera del salón de clases. Terminamos una tarea cuando enviamos el archivo, pero para quien lo recibe el trabajo apenas empieza. Si el documento crece porque producirlo cuesta menos, alguien tendrá que recorrer ese espacio adicional. ¿Pensamos en esa persona mientras celebramos lo rápido que acabamos?</p><p>En la conversación también se mencionó una anécdota sobre colegas que intercambiaban largas respuestas de sus chatbots. Uno pegaba un análisis, el otro respondía con otro y el chat acumulaba texto sin que quedara claro qué hacer después. Es fácil imaginar cómo una conversación así puede dar la sensación de estar avanzando. Cada mensaje trae algo nuevo. Lo que cuesta encontrar es el momento en que alguien se detiene a decidir qué merece atención.</p><p>Frente a esas experiencias apareció otra: una persona dedicada al gobierno de datos había usado IA para preparar políticas y procedimientos. Cuando le preguntaron si tener documentos equivalía a ser más productivo, explicó qué podía hacer gracias a ellos. Podía dedicar más tiempo a acompañar su adopción, conversar con las personas que tenían dudas y explicarles cómo llevarlos a la práctica.</p><p>El documento tenía un destino. Su utilidad continuaba en las conversaciones que ayudaba a sostener.</p><p>Y hubo un matiz más: alguien defendió las solicitudes elaboradas con IA porque le permitían entender mejor qué quería su interlocutor. Aunque hubiera que recortar partes o aclarar otras, ya tenía por dónde empezar. Antes le tocaba adivinar. Un texto imperfecto también puede acercarnos a una intención que todavía no encontraba palabras. Por eso sería apresurado desconfiar de todo lo que llega más largo o más elaborado: quizá está haciendo visible algo que antes no podíamos conversar.</p><h3>Cuando cambia el oficio</h3><p>Otra intervención llevó la discusión a un lugar menos habitual cuando hablamos de productividad: el gusto por el propio trabajo. Alguien describió la incomodidad de pasar de escribir a supervisar textos generados por IA. Antes se detenía en una frase y trabajaba su ritmo. Ahora tenía que pedir versiones y decidir cuáles servían. Se había convertido, en sus términos, en un manager de la herramienta.</p><p>Esa transformación puede entusiasmar a algunas personas. A otras puede quitarles precisamente la parte del día que más les importaba. ¿Qué ocurre con nuestra relación con un oficio cuando conservamos la responsabilidad por el resultado, pero pasamos cada vez menos tiempo haciéndolo?</p><p>La pregunta se vuelve más difícil si la velocidad trae nuevas expectativas. En el debate se planteó que poder producir más textos podía acabar convirtiéndose en la exigencia de entregar más textos. El tiempo ahorrado ya tenía dueño antes de que alguien decidiera cómo usarlo. Y revisar una cantidad mayor de piezas también podía desgastar, aunque cada una hubiera costado menos esfuerzo de redacción.</p><p>Hay una pregunta sobre el aprendizaje que vale la pena dejar abierta aquí. Si buena parte del trabajo consiste en reconocer qué versión es mejor, ¿dónde aprendemos a distinguirlas? Quien ya conoce el oficio lleva consigo una experiencia que la herramienta no tuvo que construir. Quien está empezando necesita encontrar alguna forma de adquirirla. Sería extraño pedirle buen juicio sin darle tiempo para formarlo.</p><h3>Tener criterio también lleva tiempo</h3><p>El criterio apareció varias veces como respuesta durante la ronda. Frente a un informe excesivo, alguien debe decidir qué sobra. Frente a una respuesta convincente, alguien debe notar lo que falta. Suena razonable. También puede sonar demasiado sencillo cuando lo decimos desde un terreno que conocemos bien.</p><p>Una de las intervenciones recordó que tener experiencia en datos no concede automáticamente la misma capacidad para juzgar una respuesta de filosofía. Esa observación permite mirar con más cuidado la confianza que depositamos en nosotros mismos. Podemos reconocer nuestros límites en algunos temas y pasar por alto otros, especialmente cuando la respuesta está tan bien escrita que parece terminada.</p><p>Además, ejercer ese criterio exige atención. Una persona con experiencia puede detectar un problema que otros no verían, pero necesita tiempo para examinarlo. Si multiplicamos los entregables que llegan a su escritorio, su capacidad de revisión no crece al mismo ritmo. El ahorro de quienes producen podría convertirse en una espera alrededor de quienes saben evaluar.</p><p>Por eso resulta interesante volver al caso del gobierno de datos. La persona que lo compartió contó que había pasado más tiempo revisando los documentos que escribiéndolos. Aun así, encontraba valor en el cambio: podía concentrar esfuerzo en revisarlos y después acompañar su implementación. Quizá haya una forma de ganar tiempo que se parezca a elegir con más cuidado dónde queremos gastarlo.</p><h3>Lo que queda después de la primera versión</h3><p>El software llevó esta inquietud un poco más lejos. Un participante contó que su equipo, sin ingenieros, había construido una plataforma mediante <em>vibe coding</em>: instrucciones en lenguaje natural que una IA convertía en código. Habían logrado conectar funciones del negocio. Después llegaron los ajustes y las dificultades para corregir errores. Lo que parecía resuelto empezó a pedirles trabajo que no sabían bien cómo hacer.</p><p>Al contar la experiencia, se preguntó si un formulario sencillo habría sido suficiente. La posibilidad queda ahí, un poco incómoda. Cuando construir algo se vuelve accesible, también se vuelve más fácil complicar una necesidad sencilla. La primera versión nos muestra lo que ya podemos hacer; el mantenimiento va revelando lo que hemos aceptado cuidar.</p><p>Para alguien con experiencia técnica, esa misma herramienta puede ahorrar mucho esfuerzo. La diferencia invita a mirar más allá del momento en que aparece un resultado en pantalla. ¿Cuándo podemos decir que el trabajo terminó? El profesor seguía necesitando evaluar. La plataforma seguía necesitando ajustes. Los procedimientos, en cambio, habían abierto espacio para trabajar con las personas que debían usarlos.</p><p>También se habló de tokens y de su relación con el entregable. Tiene sentido mirar ese consumo, aunque una cifra de uso deja sin responder qué recibió alguien a cambio. Un informe que ayuda a decidir puede valer más que una carpeta llena de informes que nadie alcanza a leer. Y reconocer ese valor requiere volver a las personas y a lo que necesitaban hacer.</p><p>Quisiera dejar la pregunta ahí por ahora: cuando la IA nos devuelve tiempo, ¿en qué manos termina y para qué alcanza? Antes de celebrar todo lo que acabamos de producir, quizá valga la pena pensar en quien está al otro lado del documento. Alguien tiene que leerlo.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=856eb9d0edd9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/alguien-tiene-que-leerlo-856eb9d0edd9">Alguien tiene que leerlo</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Confiar en una IA que puede equivocarse]]></title>
            <link>https://medium.com/gbm-tech/confiar-en-una-ia-que-puede-equivocarse-c56ec70dbdcd?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/c56ec70dbdcd</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-risk-managment]]></category>
            <category><![CDATA[responsible-ai]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Pedro OM]]></dc:creator>
            <pubDate>Thu, 12 Nov 2026 19:39:42 GMT</pubDate>
            <atom:updated>2026-11-20T20:56:50.709Z</atom:updated>
            <content:encoded><![CDATA[<h4><em>AI Tech Court | Reflexión I de IV</em></h4><p>Estas cuatro entregas nacen de lo que se conversó en el <a href="https://medium.com/gbm-tech/ai-tech-court-cuatro-rondas-para-debatir-sobre-ia-a2757a7a6b15?utm_source=chatgpt.com">AI Tech Court</a>, un encuentro en GBM durante Mexico Tech Week. Se pusieron a debate cuatro afirmaciones sobre inteligencia artificial, con posturas enfrentadas y un público que también preguntaba y votaba.</p><p>Quiero volver a esos intercambios con un poco más de calma, seguir los desacuerdos y explorar las preguntas que dejaron abiertas. Empiezo por una que atraviesa mucho de lo que hacemos con la IA: qué significa confiar en ella.</p><p>La primera afirmación era bastante directa:</p><blockquote>«Los agentes de inteligencia artificial son demasiado impredecibles para ejecutar procesos críticos de negocio».</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*aVsUa75QobW5eAOmKN_Y5g.png" /></figure><p>Es fácil imaginar una primera reacción. Si una IA puede equivocarse, ¿para qué ponerla a cargo de algo importante? Pero una de las respuestas de la mesa introdujo una dificultad: las personas a las que hoy encargamos ese trabajo también se equivocan. Aun así, confiamos en ellas.</p><p>La pregunta empieza a cambiar cuando precisamos qué les encargamos, dentro de qué límites y quién puede intervenir si algo sale mal.</p><h3>Con quién estamos comparando</h3><p>En el debate se defendió que evaluar a un agente contra una persona perfecta sería ponerle una prueba que nadie más tiene que pasar. Los procesos actuales incluyen olvidos, interpretaciones distintas y decisiones tomadas con información incompleta. Un sistema nuevo podría fallar y, aun así, funcionar mejor que lo que ya hacemos.</p><p>La objeción tiene fuerza porque nos obliga a mirar la operación real. Si una tarea hoy genera errores frecuentes, conservarla intacta también tiene consecuencias. La prudencia puede evitar un problema nuevo y, al mismo tiempo, prolongar uno conocido.</p><p>Pero del otro lado apareció algo que una comparación de porcentajes deja fuera. Una persona puede darse cuenta de que una instrucción, aunque parezca correcta, no tiene sentido en ese momento. Puede reconocer una excepción, hacer una llamada o detenerse. Parte de lo que valoramos al confiar en alguien es precisamente que sepa cuándo dejar de seguir el procedimiento.</p><p>Eso tampoco ocurre siempre. Las personas se confían, interpretan mal las señales y toman atajos. El desacuerdo no se resuelve idealizando a quien ya está haciendo el trabajo.</p><p>Quizá por eso resulta difícil responder qué tan confiable es una IA sin hablar del proceso que la rodea. ¿Alguien revisa lo que hace? ¿Puede corregirse una decisión antes de que afecte a otra persona? Dos sistemas con un porcentaje parecido de aciertos pueden producir consecuencias muy distintas si uno permite detener un error y el otro lo deja avanzar.</p><p>La confianza que ponemos en una persona rara vez existe fuera de ese contexto. Confiamos en alguien para una tarea, con cierta información y dentro de ciertos límites. Parece razonable hacer esa misma distinción con un agente.</p><h3>El nombre en el documento</h3><p>Hubo un ejemplo en la conversación que ayuda a aterrizar todo esto: escribir mal un nombre. Si ocurre en una credencial para entrar a un parque de diversiones, probablemente haya una forma relativamente sencilla de arreglarlo. Si ocurre en un acta de nacimiento, la corrección puede convertirse en un problema mucho más largo.</p><p>Desde el punto de vista de la tarea, estamos haciendo algo muy parecido. Desde el punto de vista de quien recibe el documento, la diferencia es enorme.</p><p>La discusión sobre procesos críticos se fue abriendo por ahí. Para una empresa, conseguir prospectos puede ser crítico porque de eso depende una parte importante de su negocio. Evaluar una solicitud de crédito también puede serlo. Pero los errores en cada proceso afectan cosas distintas, y no necesariamente los paga quien decide automatizar.</p><p>Eso vuelve insuficiente decir que un sistema acierta casi siempre. Si estamos entre las personas a las que les tocó el error, el promedio no explica cómo vamos a resolverlo.</p><p>También permite imaginar una delegación menos tajante. Preparar información para una decisión y ejecutarla son tareas diferentes. Un agente podría ayudar a identificar documentos faltantes sin recibir autoridad para decidir el resultado de una solicitud. Podría avanzar una parte del trabajo y detenerse cuando lo que sigue exige una autorización distinta.</p><p>Al poner el ejemplo del nombre junto a la afirmación inicial, la pregunta se vuelve más concreta: ¿qué consecuencias tendría un error y cómo podríamos repararlo? La respuesta puede cambiar aunque usemos el mismo modelo y le pidamos exactamente la misma operación.</p><h3>Lo que sabemos sin haberlo escrito</h3><p>Otra parte del debate se detuvo en el conocimiento que vive en las personas. El procedimiento dice una cosa, pero alguien sabe que hace falta confirmar un dato antes de continuar o que cierta solicitud necesita una revisión adicional. Ese conocimiento no siempre aparece en el manual.</p><p>Un agente puede apoyarse en patrones aprendidos durante su entrenamiento para responder a instrucciones incompletas. Eso puede resultar útil. También puede llevarlo a completar un vacío con una suposición que no corresponde a lo que la organización necesita.</p><p>La preocupación que se planteó era muy práctica: un proceso poco claro no se vuelve claro por encargarle su ejecución a una IA. Podemos conseguir que avance más rápido y seguir sin haber acordado qué tendría que hacer ante una excepción.</p><p>Pero tampoco conviene tratar todo conocimiento tácito como algo que debe preservarse tal cual. A veces contiene experiencia valiosa. Otras veces contiene contradicciones que nadie ha tenido que explicar. Intentar delegarlo puede servir para distinguir una cosa de la otra.</p><p>¿La persona que resuelve una situación está aplicando un criterio que podríamos compartir o está compensando, por su cuenta, un proceso que no funciona? Esa pregunta nos devuelve a la organización antes de llevarnos al modelo.</p><p>En la mesa también se habló de adaptar modelos con datos propios. Se planteó que acercarlos al contexto de una empresa podría ayudar, aunque eso no eliminaría por sí solo los errores ni los sesgos. Incluso con un modelo mejor preparado, seguiríamos necesitando decidir qué prácticas queremos que aprenda y cuáles preferimos corregir.</p><h3>Hasta dónde llega la confianza</h3><p>La comparación con los seres humanos encontró otra objeción: la escala. Un agente conectado a varias herramientas podría repetir un error muchas veces o pasar una suposición equivocada a otro sistema que la tome por buena. Comparar únicamente el acierto en una tarea dejaría fuera ese alcance.</p><p>Por eso, la discusión sobre autonomía también termina siendo una discusión sobre límites. Permitir que un agente proponga una acción no equivale a permitirle ejecutarla sin revisión o repetirla sin límite. Y darle un objetivo no asegura que hayamos anticipado todas las maneras en las que podría intentar cumplirlo.</p><p>Pensemos en un ejemplo hipotético: pedir que una atención al cliente termine más rápido. Podemos estar buscando menos esperas. Si el sistema interpreta que lo importante es cerrar la conversación, quizá obtenga un buen resultado para esa medida y uno muy malo para la persona que todavía necesitaba ayuda. El problema empieza en lo que decidimos contar como éxito.</p><p>La primera ronda recuperó el valor de trabajar entre disciplinas. Quien conoce el modelo puede ver un problema distinto del que detecta quien entiende la operación o sus consecuencias para las personas. La confianza se vuelve más exigente cuando dejamos que esas preguntas se encuentren.</p><p>De vuelta a la afirmación inicial, había razones para defender más de una respuesta. En ciertos trabajos, los agentes podrían ofrecer una mejora frente a errores que ya aceptamos. En otros, lo que falta entender o lo que costaría reparar un fallo obliga a ser mucho más cuidadosos.</p><p>Tal vez una forma de continuar la conversación sea precisar qué estamos delegando cada vez que decimos que confiamos. Podemos confiar en una respuesta y todavía querer revisarla. Podemos confiar en un agente para preparar una decisión y reservarnos el momento de tomarla.</p><p>La pregunta queda en manos de quien delega: cuando el agente se equivoque, ¿quién podrá detenerlo y quién tendrá que hacerse cargo?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c56ec70dbdcd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/confiar-en-una-ia-que-puede-equivocarse-c56ec70dbdcd">Confiar en una IA que puede equivocarse</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[La IA está ampliando el espacio de soluciones. ¿Y el problema?]]></title>
            <link>https://medium.com/gbm-tech/la-ia-est%C3%A1-ampliando-el-espacio-de-soluciones-y-el-problema-64cb10d75d95?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/64cb10d75d95</guid>
            <dc:creator><![CDATA[Leon Palafox]]></dc:creator>
            <pubDate>Thu, 05 Nov 2026 18:47:45 GMT</pubDate>
            <atom:updated>2026-11-05T18:39:47.023Z</atom:updated>
            <content:encoded><![CDATA[<p>Cada vez es más fácil crear productos. Todavía hace falta entender para qué los necesita alguien.</p><p>«¿Un recomendador en el home? Puede ser».</p><p>Pero ¿qué sabemos del que se fue sin comprar? Yo no arrancaría por el modelo. Si lo que le molestó fue el envío, podemos ordenar el catálogo como queramos y va a seguir sin comprar.</p><p>Digamos que a esa tienda le urge vender más. Alguien propone recomendaciones porque ya las vio en otro sitio. Con IA, la demo sale rápido; eso ayuda mucho. Mi duda es si vamos a usar el tiempo que nos ahorramos para entender al cliente o para pedirle al equipo el siguiente carrusel.</p><p>Ya en la reunión, la discusión puede irse por otro lado: «Ese producto no lo pondría arriba», «¿Y si quitamos una tarjeta?», «¿Esto se actualiza solo?». Y hay que contestarlo, claro. Para dejar lista esa pantalla vamos a necesitar decidir muchas cosas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t4yfFAy2lEgOd6WRhUUNkA.png" /></figure><p>La pregunta por el cliente se puede quedar para después. Es lo que yo trataría de evitar.</p><p>La tienda es inventada. Elegí un carrusel porque es una función de lo más normal, sin nada especialmente ambicioso. Lo mismo nos puede pasar con algo mucho más pequeño. En algún momento tendríamos que volver a la razón por la que empezamos.</p><h3>Lo fácil que es empezar a construir</h3><p>En esa tienda podríamos hacer un buscador, un comparador o un recomendador. Eso es lo que tengo en mente con espacio de soluciones. Y la lista crece. Antes dejábamos fuera varias ideas porque había que escoger en qué gastar el tiempo del equipo. Hoy podríamos montar algunas en pequeño y ver qué pasa. No me gustaría desperdiciar esa posibilidad.</p><p>Antes de escoger de esa lista me faltaría entender por qué la gente se va. Igual el sitio funciona bien y lo que falta es que bajemos el envío. O ni siquiera somos la tienda donde pensaba comprar. Eso es lo que me interesa del espacio del problema: poder decir qué está pasando, sin tener que terminar la explicación con una función nueva.</p><p>Yo sí pondría un prototipo frente a un comprador para ver qué pasa. Ahí podemos descubrir algo. Me cuesta más justificarlo cuando lo revisamos solo entre nosotros y cada revisión se convierte en una lista de pendientes para lanzarlo. Después de cambiar colores, tarjetas y textos, cuesta aceptar que quizá nos convenga dejarlo. Ya le dedicamos tiempo y se nota.</p><p>La primera tarde es una parte chiquita del costo. ¿Qué hacemos con el recomendador el mes siguiente? Alguien va a tener que cuidar que el inventario siga llegando y revisar un pedido que salió mal. Si se cae el servicio, tendremos que mostrar otra cosa. Eso requiere tiempo aunque el código inicial lo haya escrito una IA y haya quedado muy bien.</p><p>Por eso no me entusiasma mucho contar funciones lanzadas para demostrar que la IA nos hizo más productivos. Podemos llenar la aplicación de cosas que alguien tendrá que cuidar después. Yo querría saber qué mejoró para quien la usa. Y usaría una parte del tiempo que ahorramos para hablar con esa persona antes de encargar otra función.</p><h3>El cliente tiene algo que resolver</h3><p>Con Jobs to Be Done yo preguntaría qué estaba pasando en la vida de esa persona cuando decidió comprar. Lo describe el <a href="https://www.christenseninstitute.org/theory/jobs-to-be-done/">Christensen Institute</a> como buscar un progreso en ciertas circunstancias. En la cafetera, además de hacer café, está el pendiente de recibir gente y no quedar mal. Eso también entra en la compra. A mí me interesaría preguntar por esa parte, aunque en los datos del sitio no aparezca.</p><p>Supón que el sábado se quedan amigos en tu casa. La cafetera dejó de funcionar y necesitas otra para entonces. Ves varias en la tienda, pero ni sabes cuál saldrá buena ni tienes muchas ganas de dedicar la noche a compararlas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xDaA8Zlga01yabwC2Wnehw.png" /></figure><p>Yo llamaría trabajo a eso que necesitas resolver: elegir una con confianza y tenerla el viernes. También quieres recibir bien a tus amigos y quitarte esa preocupación. Si la tienda entiende esa situación, puede decidir qué información ponerte enfrente para que compres sin tanta vuelta.</p><p>Eso ya nos permite investigar algo más concreto que «ayudar al cliente a descubrir productos». Quizá esa persona termine comprando en una tienda cercana porque no confía en la fecha de entrega. Quizá pida una cafetera prestada. O decida que con la prensa francesa alcanza. También competimos con esas opciones.</p><p>Podrías estar buscando una cafetera por puro gusto. Ver modelos, comparar accesorios, imaginar cómo quedaría la barra. En esa visita quizá quieras ver mucho más. Por eso me cuesta sacar una conclusión con el dato de que dos personas estuvieron mirando la misma categoría.</p><p>Les pediría que me contaran qué hicieron la última vez que compraron. Desde que surgió la idea, sin saltar directamente al momento de entrar a nuestra tienda. Quiero saber qué probaron y qué les dio desconfianza. Si acabaron comprando en otro lado, por algo fue. Me gustaría entenderlo antes de enseñarles mi solución.</p><p>Y puede salir una explicación que no esperábamos: no se fiaba de encontrar refacciones después. Entonces tendremos que ver cómo responder a esa duda. El plan que llevábamos para mejorar la entrega puede ser útil, pero quizá no resuelva lo que le impidió comprar a esa persona.</p><h3>Volvamos a la página de inicio</h3><p>Supongamos que esas conversaciones sí apuntan a la urgencia. La tienda tiene cafeteras que sirven, pero cuesta ver las diferencias y saber cuáles pueden llegar antes del viernes. Ya tenemos una dificultad concreta sobre la que trabajar.</p><p>Y luego va el recomendador y le muestra una cafetera que llega en diez días. Le gustó, sí. Hasta entró a verla. Cuando lee la entrega se acabó la compra: los amigos llegan el sábado. ¿De qué le sirvió que acertáramos en su gusto?</p><p>Si entrenamos el modelo para predecir clics, esa interacción podría parecer alentadora. Anticipamos bien el interés. También hicimos que el cliente dedicara tiempo a una opción que no cumplía con su fecha límite.</p><p>Elegir el objetivo del sistema tiene consecuencias. En su <a href="https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/">explicación del sistema de recomendaciones</a>, YouTube cuenta por qué incorporó otras señales además de los clics, entre ellas el tiempo de visualización y las encuestas de satisfacción. Nuestra tienda necesita hacer su propia investigación para decidir qué señales representan una visita que le sirvió al cliente.</p><p>La primera condición sería que llegue. Yo le pediría a operaciones que nos dijera cuáles cafeteras se pueden entregar el viernes en esa dirección. Si no podemos responder eso, tenemos un pendiente bastante más urgente que el orden de los productos.</p><p>Con esa lista haría la prueba, aunque hubiera que elegir a mano. Pondría tres con sus diferencias y vería qué pasa. Si ayuda a comprar, podemos discutir cómo automatizarlo. Me parece demasiado pronto para encargar un modelo antes de probar esa parte.</p><p>Falta hacer las cuentas. Podemos conseguir una venta pagando nosotros un envío carísimo y recibir la cafetera de vuelta unos días después. El pedido entró, pero ¿nos convino? Yo sentaría a quien conoce esos costos antes de elegir la métrica del experimento. Necesitamos ver cuánto queda después de preparar el pedido, entregarlo, atender la devolución y operar el sistema.</p><h3>Trabajar juntos tiene que cambiar las decisiones</h3><p>Yo querría que alguien de negocio pudiera decirle al equipo del modelo cuánto podemos pagar por esa entrega. Y que esa conversación ocurra antes de elegir la métrica. Es difícil pedir un recomendador que funcione si esas condiciones aparecen cuando ya lo terminamos.</p><p>Y que producto se entere a tiempo si el inventario llega con retraso. Tendríamos que decidir qué le vamos a decir al cliente. Esas son las conversaciones que yo esperaría entre las áreas, mientras todavía se puede cambiar la propuesta. Si esperamos a la entrega del servicio para tenerlas, ya tendremos a varios equipos defendiendo lo que hicieron.</p><p>En el caso de la cafetera, me gustaría que las personas responsables de esas áreas revisaran juntas algunas compras que no se concretaron. Que llevaran las entrevistas, los registros de navegación, la información de existencias y entregas, y los costos de los pedidos. También deberían participar soporte y operaciones: a ellos les tocará responder por una mala recomendación.</p><p>Seguramente habrá desacuerdos. El área comercial puede querer dar salida a productos que no se venden. Producto puede querer reducir las opciones que aparecen en pantalla. Ingeniería puede descubrir que no existen las señales necesarias para distinguir a quien compra con urgencia de quien solo está mirando. Hay que resolver esas tensiones al diseñar el producto. Ponerle «personalización» al proyecto no las resuelve.</p><p>Incluso puede aparecer una posibilidad incómoda: que la siguiente inversión deba ir a actualizar mejor el inventario. Cuesta más lucir ese trabajo en una demo, pero permite confiar en la promesa de entrega. Un equipo que comparte la responsabilidad por el resultado del cliente debería poder tomar esa decisión sin que cada área se atrinchere en su lista de proyectos.</p><p>Dejaría por escrito lo que vamos a comprobar. Se lo podríamos contar así al resto del equipo:</p><blockquote>Nos da la impresión de que algunos compradores se atoran al elegir y al revisar la entrega. Vamos a mostrar unas pocas cafeteras que sí puedan llegar a tiempo y comparar lo que pase. Queremos ver si compran, si se quedan con la cafetera y si el pedido nos conviene. Podemos estar equivocados sobre el motivo; lo revisaremos con la prueba.</blockquote><p>Yo arrancaría la prueba sabiendo quién tiene permiso de pararla y a quién le toca revisar los costos. Y pondría una cita para ver juntos unos pedidos reales. Que no nos pase que el modelo ya está en producción y nadie puede tocar el alcance porque cada equipo prometió otra cosa. Eso también se decide cuando armamos el proyecto.</p><p>La prueba también necesita una forma de reconocer la situación que nos interesa. Tal vez tengamos que preguntarle al cliente para cuándo necesita el producto. Suponer que tiene prisa a partir de su historial de navegación requiere otra comprobación. Y habrá que dejar tiempo para observar cancelaciones, entregas que se retrasan y devoluciones. La confirmación del pedido cuenta solo una parte de la historia.</p><p>Un resumen de entrevistas puede ayudarnos a ordenar lo que escuchamos. Yo volvería a las palabras del comprador si vamos a apoyar una decisión importante en ellas. Quisiera saber si lo dijo así y qué venía antes. La IA puede ayudar con ese trabajo, pero no tiene cómo reemplazar una conversación que nunca tuvimos.</p><p>Me daría gusto que la prueba acabara mostrando que con aclarar la entrega bastaba. Nos habríamos ahorrado bastante mantenimiento. Que la primera idea fuera un recomendador no me parece razón para terminarlo de todos modos. Con el tiempo que ganamos construyendo más rápido, podríamos permitirnos investigar y dejar ideas a medio camino cuando ya no tienen sentido.</p><p>He vuelto varias veces a la fecha de entrega porque, para el comprador del ejemplo, ahí se juega la compra. Podemos recomendarle algo precioso y no ayudarlo en nada. Yo querría que el equipo me explicara qué va a pasar con ese pedido, cuánto nos costará y por qué el cliente volvería. Después vemos si hace falta el carrusel.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=64cb10d75d95" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/la-ia-est%C3%A1-ampliando-el-espacio-de-soluciones-y-el-problema-64cb10d75d95">La IA está ampliando el espacio de soluciones. ¿Y el problema?</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI Tech Court: cuatro rondas para debatir sobre IA]]></title>
            <link>https://medium.com/gbm-tech/ai-tech-court-cuatro-rondas-para-debatir-sobre-ia-a2757a7a6b15?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/a2757a7a6b15</guid>
            <dc:creator><![CDATA[Caro Barreiro]]></dc:creator>
            <pubDate>Thu, 29 Oct 2026 19:20:13 GMT</pubDate>
            <atom:updated>2026-10-29T19:20:12.245Z</atom:updated>
            <content:encoded><![CDATA[<h3>AI Tech Court: cuatro rondas para debatir sobre inteligencia artificial</h3><h3>¿Qué tan impredecible es la inteligencia artificial? ¿Realmente nos está haciendo más productivos? ¿Qué habilidades podrían quedarse obsoletas? ¿Y hasta dónde deberíamos regularla?</h3><p>Durante <strong>Mexico Tech Week</strong>, en GBM nos reunimos para debatir estas y otras preguntas en <strong>AI Tech Court</strong>, un espacio donde pusimos sobre la mesa cuatro afirmaciones sobre inteligencia artificial que, lejos de generar consenso, nos invitaron a cuestionar lo que creemos saber.</p><p>El formato fue sencillo: cuatro rondas de debate, argumentos a favor y en contra, preguntas del público y un jurado formado por quienes nos acompañaron, que pudo votar antes y después de cada discusión.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WcyoYWYba0webKPPMkjyww.jpeg" /><figcaption>Fotografía de <a href="https://medium.com/u/43dbb4a60345">Andrés de la O</a></figcaption></figure><p>Contamos con <a href="https://medium.com/u/ec01684a83c7">Leon Palafox</a> y <a href="https://medium.com/u/cbfae469333d">Victor Grzenda</a>, quienes aportaron su experiencia desde la inteligencia artificial, la innovación y la gobernanza de datos en <strong>GBM</strong>, y con <strong>Enrique Siqueiros</strong>, filósofo y director de Rētor, que nos invitó a mirar los mismos problemas desde una perspectiva más humana y filosófica.</p><p><a href="https://medium.com/u/18f48266218a">Chema Sarmiento</a>, de nuestro equipo de AI, fue el encargado de moderar las cuatro rondas. Y aunque empezamos con cierta formalidad, conforme avanzaron las rondas los argumentos se volvieron más apasionados, las preguntas más difíciles y las posturas más interesantes de defender.</p><h3>Cuatro rondas, muchas preguntas</h3><h4>1. “Los agentes de IA son demasiado impredecibles para ejecutar procesos críticos de negocio”</h4><p>La primera ronda abrió una discusión muy interesante sobre la impredecibilidad de la IA y, sobre todo, sobre la responsabilidad humana detrás de su diseño, configuración y uso.</p><p>Más que pensar que la tecnología es impredecible por esencia, la conversación nos llevó a preguntarnos qué tanto esa impredecibilidad depende de cómo construimos, entrenamos, configuramos y supervisamos estos sistemas. Si un agente está mal configurado, claro que puede comportarse de maneras inesperadas. Pero entonces la discusión más importante no es sólo técnica, sino también humana: <strong>¿en quién recae la responsabilidad?</strong></p><h4>2. “La IA está aumentando la cantidad de trabajo que hacemos en cierto tiempo, pero no nuestra productividad real”</h4><p>Esta ronda nos llevó a distinguir entre hacer más y generar más valor.</p><p>Víctor destacó la importancia del <strong>criterio</strong> para usar estas herramientas de forma productiva, mientras que León puso sobre la mesa algo igual de importante: la <strong>curiosidad</strong> y la necesidad de seguir cuestionando. La IA puede ayudarnos a iterar, explorar y avanzar más rápido, pero eso no significa automáticamente que estemos siendo más productivos en un sentido más profundo o más valioso.</p><p>También surgió una pregunta clave: <strong>¿qué estamos optimizando realmente?</strong> Porque hacer más en menos tiempo no siempre equivale a mejores decisiones, mejor trabajo o mejores resultados.</p><h4>3. “El prompt engineering ya es una habilidad obsoleta”</h4><p>Aquí surgió una de las reflexiones más interesantes del evento: quizá lo que hoy llamamos <em>prompt engineering</em> no sea sólo una habilidad nueva, sino también una nueva forma de poner en práctica algo que sigue siendo profundamente humano: <strong>comunicarnos bien</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l_Di134ISUB7_ezxBXgErw.jpeg" /><figcaption>Fotografía de <a href="https://medium.com/u/43dbb4a60345">Andrés de la O</a></figcaption></figure><p>Formular buenas preguntas, dar contexto, expresar lo que buscamos y evaluar críticamente lo que recibimos de vuelta sigue siendo una capacidad central. Más que desaparecer, algunas habilidades tal vez se están transformando y reconfigurando.</p><h4>4. “Regular la IA hoy frena más la innovación de lo que protege a la sociedad”</h4><p>La última ronda abrió una conversación sobre regulación, innovación y responsabilidad.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CeIxY9EhLGlAwJm7W8j-5Q.jpeg" /><figcaption>Fotografía de <a href="https://medium.com/u/43dbb4a60345">Andrés de la O</a></figcaption></figure><p>¿Estamos tratando de regular la tecnología cuando en realidad deberíamos regular mejor los procesos, decisiones y contextos en los que se utiliza? ¿Cómo ponemos límites sin frenar la innovación? ¿Y cómo evitamos que la falta de criterios o salvaguardas termine generando más riesgos?</p><p>La discusión también nos recordó que la adopción tecnológica no depende únicamente de lo que la herramienta puede hacer, sino de factores como la confianza, las políticas organizacionales y la disposición de las instituciones para cambiar.</p><h3>El debate terminó, la conversación no</h3><p>Después de las cuatro rondas, nos quedamos a platicar, intercambiar perspectivas y convivir con quienes nos acompañaron. Y eso también fue parte valiosa del evento: comprobar que la conversación no termina cuando se apagan los micrófonos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yQaVhNraB67VgJiT7s1O0Q.jpeg" /><figcaption>Fotografía de <a href="https://medium.com/u/43dbb4a60345">Andrés de la O</a></figcaption></figure><p>Nos fuimos con preguntas nuevas, con ideas que vale la pena seguir desarrollando y con la sensación de que discutir sobre IA también implica discutir sobre juicio, responsabilidad, criterio, comunicación y futuro.</p><p>Y como cuatro rondas apenas alcanzan para abrir la conversación, <strong>en los próximos artículos profundizaremos en cada uno de los debates</strong>, retomando los argumentos y preguntas que más nos hicieron pensar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eWqMrJxm2-HDtFa9yoVOfw.jpeg" /></figure><p>Gracias a quienes participaron, cuestionaron, votaron y se quedaron a conversar con nosotros. <br>¡Nos encantó compartir este espacio durante Mexico Tech Week!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a2757a7a6b15" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/ai-tech-court-cuatro-rondas-para-debatir-sobre-ia-a2757a7a6b15">AI Tech Court: cuatro rondas para debatir sobre IA</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Userness Revisited:  de la interacción a la transición. Parte II de IV]]></title>
            <link>https://medium.com/gbm-tech/userness-revisited-de-la-interacci%C3%B3n-a-la-transici%C3%B3n-parte-ii-de-iv-833269d86d0d?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/833269d86d0d</guid>
            <category><![CDATA[ux]]></category>
            <category><![CDATA[ux-research]]></category>
            <category><![CDATA[design-thinking]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Andrés de la O]]></dc:creator>
            <pubDate>Thu, 22 Oct 2026 22:26:24 GMT</pubDate>
            <atom:updated>2026-10-22T22:26:23.352Z</atom:updated>
            <content:encoded><![CDATA[<h3>Userness Revisited: de la interacción a la transición. Parte II de IV</h3><h3><strong>Los fundamentos y los cinco niveles de un marco para pensar cómo las personas, los mensajes y los sistemas se transforman a través de la interacción.</strong></h3><p>En la <a href="https://medium.com/gbm-tech/userness-revisited-el-usuario-ya-no-es-est%C3%A1tico-parte-i-de-iv-9376d077bab5">primera parte de esta serie</a> cuestioné una idea habitual en el diseño de productos digitales: que el usuario puede entenderse como una entidad relativamente estable, representada mediante un perfil, una <em>persona</em> de diseño o un segmento.</p><p>Pero si el usuario cambia a través de la interacción, ¿qué es exactamente lo que cambia? ¿Y cómo podemos diseñar sistemas que consideren ese proceso?</p><p>Para responder, necesitamos volver a la idea original de <em>Userness</em>, desarrollada en dos textos que publiqué en 2019. En ellos propuse entender al usuario no como una entidad permanente, sino como un proceso compuesto por múltiples ocasiones e interacciones. La intención era conectar esa perspectiva con una forma práctica de diseñar experiencias digitales: un marco de trabajo o <em>framework</em> , que permitiera pasar de los componentes de una interacción a la intención de una campaña y evaluar cómo funcionaban en conjunto.</p><p>La propuesta tenía dos dimensiones. La primera era conceptual: entender cómo las personas, los mensajes y los sistemas se transforman a través de la interacción. La segunda era práctica: establecer un lenguaje común para diseñar esas interacciones y conectarlas con una estrategia.</p><p>Ambas siguen siendo relevantes, pero conviene empezar por la primera.</p><h3>Repensar al usuario</h3><p>Cuando pensamos en la tecnología y en la forma en que experimentamos el mundo a través de ella, resulta difícil separar la manera en que conocemos algo de la manera en que lo experimentamos. El conocimiento que obtenemos de una experiencia depende, en parte, de los procesos mediante los cuales participamos en ella.</p><p>Pensemos en una compra en línea. La experiencia no consiste únicamente en seleccionar un producto y completar un pago. Incluye la distribución de información a través de una red, los procesos del <em>software</em>, la visualización de los productos, las decisiones de navegación y las acciones iniciadas por la persona. Todos estos procesos contribuyen a que la compra ocurra y a la manera en que se experimenta.</p><p>No podemos comprender por completo esa experiencia sin considerar los procesos que la hacen posible. La persona actúa sobre el sistema; el sistema responde; esa respuesta modifica lo que la persona percibe y las acciones que puede realizar después.</p><p>Esta perspectiva tiene un antecedente filosófico en Alfred North Whitehead y su filosofía del proceso.</p><p>En <em>Process and Reality</em> (1929/1978), Whitehead describe cada entidad actual como “<em>a throb of experience</em>”, un pulso de experiencia, en traducción propia y sitúa las ocasiones de experiencia y sus relaciones en el centro de su propuesta. No estaba desarrollando una teoría de interacción digital, pero su pensamiento ofrece una base conceptual para cuestionar la idea de que las cosas deben entenderse únicamente como entidades independientes y permanentes.</p><p>Aplicada al diseño digital, esta perspectiva nos invita a observar los acontecimientos y las relaciones que constituyen una experiencia, en lugar de asumir que podemos explicarla a partir de sus componentes aislados.</p><p>Lucy Suchman plantea una cuestión relacionada en <em>Plans and Situated Actions</em> (1987). Su investigación sobre la interacción entre personas y máquinas cuestiona los modelos que explican la acción principalmente a partir de planes previos, sin considerar suficientemente las circunstancias concretas en las que ocurre. El significado de una acción depende también de su situación.</p><p>Un clic, por ejemplo, no explica por sí mismo qué está haciendo una persona. Puede representar curiosidad, comparación, una decisión o un intento de entender una interfaz. Su significado depende del contexto y de la secuencia en la que aparece.</p><p>La interacción, por lo tanto, no es simplemente una relación entre alguien que conoce y una máquina que ejecuta. Es un proceso de acontecimientos en el que las acciones de la persona y las respuestas del sistema participan en la construcción de la experiencia.</p><h3>La audiencia existe por un instante</h3><p>El concepto tradicional de audiencia suele sugerir un grupo relativamente estable: personas que comparten características, intereses o una relación con determinado mensaje.</p><p>Sin embargo, las audiencias digitales no siempre se comportan de esa manera. Las personas interactúan con múltiples plataformas, contenidos y comunidades. Pueden recibir un mensaje, interpretarlo, compartirlo o transformarlo al llevarlo a otro contexto.</p><p>La audiencia que existe en un momento no necesariamente es la misma que existe después de esas interacciones. Incluso si la integran las mismas personas, su relación con el mensaje puede haber cambiado.</p><p>En el marco original, esta idea conduce a entender al usuario como un acontecimiento compuesto por múltiples ocasiones e interacciones. La persona no desaparece, pero la condición desde la que participa sí puede cambiar. La audiencia y la representación del usuario que construye una plataforma se reconfiguran a través de su relación con el mundo y con otros espacios de interacción.</p><p>Esta formulación se apoya en una distinción importante: una persona mantiene una continuidad a lo largo del tiempo, mientras que su participación en una experiencia concreta cambia de un momento a otro. Confundir ambas cosas lleva a tratar una representación parcial: el perfil, el segmento o la audiencia , como si fuera una explicación completa de la experiencia.</p><p>Peter Sloterdijk desarrolla en <em>Bubbles</em>, primer volumen de <em>Spheres</em> (2011), una filosofía de los espacios compartidos y de las condiciones relacionales en las que se desarrolla la existencia humana. Su trabajo no es una teoría de audiencias digitales, pero permite abrir una pregunta útil para <em>Userness</em>: ¿qué sucede cuando una persona participa en distintos espacios, cada uno con sus propios mensajes, relaciones y posibilidades de acción?</p><p>Una persona puede formar parte de múltiples esferas sociales y digitales. La manera en que participa en una de ellas no define por completo cómo actuará en las demás. Al cambiar de espacio, también cambian las relaciones y condiciones desde las que interactúa.</p><p>Esto no significa que los perfiles o las audiencias dejen de ser útiles. Significa que no son descripciones definitivas. Son representaciones parciales de una realidad que continúa desarrollándose.</p><p>Para comprender esa realidad, necesitamos observar no solamente quién participa, sino también cómo se relaciona con el mensaje, qué procesos inicia y qué posibilidades de interacción aparecen a partir de ellos.</p><h3>Userness: la condición de transición</h3><p>En el marco original propuse entender al usuario desde una existencia dual.</p><p>Por un lado, es una persona que experimenta un mensaje o una interacción en un momento determinado. Por otro, puede convertirse en una <em>promoter-persona</em>: alguien que transmite información, comparte una experiencia o lleva el mensaje hacia otra persona.</p><p>La transición entre estas condiciones es fundamental. Una persona puede llegar a una plataforma como observadora y terminar participando activamente. Puede recibir un mensaje y después convertirse en el medio a través del cual ese mensaje llega a otras personas.</p><p><strong>La interacción no garantiza que esto ocurra. Lo importante es que puede crear las condiciones para que suceda.</strong></p><p>A esta condición la llamé <em>Userness</em>: el potencial que emerge de los procesos iniciados por el usuario y que permite transitar entre diferentes estados después de una interacción.</p><p>En la formulación original, el paso de una condición pasiva a una de propagación ocupaba un lugar central. Ese es el punto de partida para examinar las posibilidades de transición que se abren durante una experiencia.</p><p><em>Userness</em> no es solamente el usuario, ni una acción aislada, ni el resultado final de una campaña. Es la condición que surge de la relación entre las personas, sus acciones, los mensajes y los sistemas con los que interactúan.</p><p>Una página web, un formulario o un cupón pueden existir por separado, pero su significado dentro de una experiencia depende de cómo se relacionan con las acciones de una persona. Un formulario puede ser un elemento pasivo hasta que alguien lo utiliza; esa interacción puede establecer una relación con una marca y abrir la posibilidad de una nueva acción, como compartir la experiencia con otra persona.</p><p>Lo que importa no es únicamente cada componente, sino la relación que se forma entre ellos y las posibilidades que esa relación genera.</p><p>En este punto conviene distinguir <em>Userness</em> de conceptos que suelen utilizarse para describir el comportamiento digital. El <em>engagement</em> permite hablar de actividad o involucramiento; la conversión identifica un resultado determinado; la viralidad describe patrones de propagación.</p><p><em>Userness</em> se ocupa de otra cuestión: la condición que hace posible que una interacción transforme la relación de una persona con un mensaje, una marca o un sistema.</p><p>No es una métrica que sustituya a las anteriores. Es una perspectiva para observar las relaciones que pueden producir esos resultados.</p><h3>No existe un usuario aislado</h3><p>Esta perspectiva también cuestiona la idea de que una experiencia digital pueda comprenderse exclusivamente como la relación entre un usuario individual y un programa individual.</p><p>Una experiencia forma parte de una red más amplia de personas, dispositivos, mensajes y puntos de contacto. Las acciones que ocurren en un lugar pueden modificar las condiciones de interacción en otro.</p><p>Un mensaje de marca, por ejemplo, puede aparecer en una plataforma, ser interpretado por una persona, compartirse en una red social y adquirir un significado distinto para alguien que lo recibe después. El mensaje no permanece intacto durante todo el recorrido. Su contexto cambia, su audiencia se transforma y aparecen nuevas posibilidades de interacción.</p><p>Las tecnologías tampoco son un espacio completamente exterior a las personas. Las interfaces, los dispositivos y los sistemas participan en la manera en que se establecen las posibilidades y los límites de la experiencia.</p><p>Por eso, <em>Userness</em> no propone estudiar exclusivamente una experiencia individual. Propone observar la red de interacciones que hace posible que un mensaje circule, que una experiencia se transforme y que una acción dé lugar a otras.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RPXfMNx-JNhaZZP6fBPXAQ.png" /></figure><p>En el contexto de una marca, esto tiene una consecuencia concreta: entregar un mensaje no equivale necesariamente a completar la comunicación. El mensaje puede seguir adquiriendo significado y relevancia mientras las personas interactúan con él, lo incorporan a sus propios contextos y lo transmiten.</p><p>La unidad de análisis deja de ser únicamente el contacto entre una marca y una persona. También incluye las relaciones que se forman después de ese contacto.</p><h3>Del usuario a los componentes de una interacción</h3><p>Esta forma de entender <em>Userness</em> tiene una implicación práctica para el diseño.</p><p>Cuando desarrollamos una experiencia digital, solemos comenzar por los entregables: una página, una campaña, un formulario, un anuncio o una interfaz. Son elementos necesarios, pero no siempre explican con claridad qué esperamos que ocurra entre ellos.</p><p>El marco original surgió precisamente para establecer un lenguaje común entre las personas que participan en un proyecto y conectar la intención estratégica con las interacciones concretas que deben hacerla posible.</p><p>La idea parte de una analogía sencilla: así como un sistema complejo puede componerse de elementos más pequeños, una experiencia digital puede descomponerse en interacciones que, al combinarse, forman estructuras más complejas.</p><p>En <em>marketing</em>, estas interacciones pueden incluir acciones como hacer clic, compartir, comprar, ver o registrarse. El marco también contempla procesos como recordar una marca o reconocer un mensaje, aunque estos no pueden observarse directamente del mismo modo que un clic.</p><p>No todos estos elementos tienen el mismo propósito ni se evalúan de la misma manera, pero cada uno puede ayudar a definir qué debe ocurrir para que una intención se materialice.</p><p>El marco los organiza en cinco niveles: <em>Interaction</em>, <em>User/Userness</em>, <em>Group</em>, <em>Intention</em> y <em>Campaign</em>. Cada nivel cumple una función distinta y permite pasar de una acción concreta a una experiencia más amplia.</p><h3>Los cinco niveles del marco Userness</h3><h3>1. Interaction: la interacción</h3><p>Es el componente básico del marco. Una interacción ocurre cuando una persona realiza una acción en relación con un mensaje o una respuesta del sistema. Puede tratarse de completar un formulario, ver un anuncio, visitar una página o abrir un correo electrónico.</p><p>El marco original también incluye elementos menos visibles, como recordar una marca o reconocer un símbolo dentro de una interfaz. En estos casos, hablamos de procesos o efectos cuya evaluación requiere evidencia adicional al registro de una acción.</p><p>La interacción sirve como unidad de referencia para definir objetivos. Permite preguntar qué acción esperamos, qué respuesta la acompaña y qué condiciones deben existir para que tenga sentido dentro de la experiencia.</p><h3>2. User/Userness: la relación entre usuario e interacción</h3><p>En este nivel, las acciones y la persona se entienden en conjunto. <em>Userness</em> emerge de una colección de ocasiones e interacciones con distintas plataformas, mensajes y puntos de contacto.</p><p>Un formulario, un sitio web y un cupón no constituyen por sí solos una experiencia completa. Es la relación entre estos elementos y las acciones de una persona la que les permite funcionar conjuntamente.</p><p>Esta relación puede transformar la condición desde la que participa el usuario y abrir la posibilidad de nuevas acciones. La unidad relevante no es únicamente el componente ni únicamente la persona, sino la relación entre ambos durante la interacción.</p><h3>3. Group: el grupo</h3><p>Las unidades de <em>Userness</em> pueden combinarse para formar grupos de interacciones. Aquí, “grupo” se refiere a una agrupación de esas relaciones, no necesariamente a un conjunto de personas.</p><p>Un grupo puede incluir las interacciones asociadas con un anuncio, un formulario de registro, una búsqueda y varios canales sociales. También puede estar formado por una misma interacción que se repite en diferentes contextos, como ocurre al explorar una galería de productos.</p><p>Este nivel ayuda a visualizar cómo se relacionan las distintas partes de una experiencia antes de construir la estrategia completa.</p><h3>4. Intention: la intención</h3><p>La intención reúne grupos de interacciones para expresar un propósito más concreto. Es el nivel en el que los componentes comienzan a organizarse alrededor de una estrategia.</p><p>Una intención puede ser facilitar un registro, promover la exploración de un producto o generar participación alrededor de un mensaje. Los grupos proporcionan los elementos necesarios; la intención define cómo deben trabajar juntos.</p><p>Este nivel también permite discutir la estrategia de manera más precisa con clientes y equipos, porque conecta los objetivos generales con las interacciones que deben hacerlos posibles.</p><h3>5. Campaign: la campaña</h3><p>La campaña es la instancia concreta en la que las intenciones se implementan y se ponen a prueba. Es el nivel más tangible del marco y suele concentrar buena parte de las decisiones de ejecución y revisión.</p><p>El nombre corresponde al contexto de campañas en el que nació la propuesta. Aplicarlo a otras experiencias digitales requiere precisar cuál es la implementación que se observará y evaluará.</p><p>Una campaña no debe considerarse un resultado definitivo. Al observar su funcionamiento, podemos regresar a los niveles anteriores y modificar las interacciones, los grupos o las intenciones para responder mejor al contexto real.</p><p>El marco establece así un proceso de ida y vuelta: la estrategia orienta las interacciones, mientras que lo que ocurre durante su ejecución permite revisar la estrategia.</p><h3>De la interacción a la adaptación</h3><p>La importancia de observar secuencias, y no solamente acciones aisladas, también aparece en la investigación sobre sistemas digitales.</p><p>En su revisión de los sistemas de recomendación que consideran secuencias de interacción, Quadrana, Cremonesi y Jannach (2018) explican que los registros de acciones ordenadas en el tiempo pueden ayudar a construir modelos más ricos de los usuarios y descubrir patrones relevantes para las recomendaciones. En lugar de considerar únicamente una preferencia o una interacción, estos sistemas toman en cuenta cómo se relacionan distintas acciones a lo largo del tiempo.</p><p>Este trabajo no propone <em>Userness</em> ni demuestra por sí mismo su planteamiento. Sin embargo, muestra por qué la secuencia de interacciones importa también desde una perspectiva computacional. El orden de las acciones puede aportar información que se pierde cuando cada evento se analiza por separado.</p><p>La conexión que propongo con <em>Userness</em> es conceptual: si la relación entre acciones puede revelar patrones que una acción aislada no muestra, también resulta útil prestar atención a las transiciones que pueden producirse durante una experiencia. Identificar un patrón de comportamiento, sin embargo, no equivale a conocer lo que una persona piensa, comprende o necesita.</p><p>Esto abre la puerta a otra pregunta: ¿cómo pueden los sistemas responder cuando las condiciones de interacción cambian?</p><p>Los sistemas adaptativos y las recomendaciones contextuales ofrecen algunas respuestas posibles. Pueden utilizar señales recientes para ajustar la información que presentan o las opciones que ponen a disposición. Pero la capacidad de adaptación no elimina la necesidad de comprender qué se está observando, qué puede inferirse y qué permanece desconocido.</p><p>Antes de diseñar sistemas que se adapten, necesitamos reconocer que el usuario no puede explicarse por completo mediante una representación fija y que la interacción no es un evento aislado. Es parte de un proceso que se desarrolla en el tiempo.</p><h3>Userness como sistema de relaciones</h3><p>Volver al concepto original permite precisar la tesis.</p><p><em>Userness</em> no es una métrica de participación ni una nueva etiqueta para clasificar usuarios. Tampoco es una secuencia obligatoria por la que toda persona debe pasar. Es una forma de entender el potencial de transformación que aparece cuando las personas, los mensajes y los sistemas interactúan.</p><p>La persona puede cambiar su forma de participar. El mensaje puede llegar a nuevos contextos. Una interacción puede dar lugar a otras. Y el sistema puede revisarse a partir de lo que ocurre durante ese proceso.</p><p>El marco permite conectar esta idea con la práctica. Sus cinco niveles ayudan a descomponer una estrategia en interacciones, organizarlas en grupos y observar cómo se articulan para construir una experiencia. También permiten recorrer el camino inverso: partir de lo que ocurre durante una interacción y utilizarlo para revisar los componentes y las intenciones del sistema.</p><p>No se trata de reducir a las personas a una secuencia de clics ni de asumir que cada cambio puede medirse o predecirse. Se trata de reconocer que las acciones adquieren significado dentro de relaciones más amplias y que una experiencia se construye a través de esas relaciones.</p><p>Si la primera parte de esta serie cuestionaba la idea del usuario estático, esta segunda recupera la estructura que permite pensar más allá de ella: una red de interacciones en la que las personas y los mensajes adquieren nuevas condiciones a medida que la experiencia se desarrolla.</p><p><strong>La interacción es el punto de partida. <em>Userness</em> es el potencial de transformación que emerge de ella.</strong></p><h3>Referencias</h3><p>De la O, A. (2019a) ‘<em>Userness Framework Part I</em>’, <em>Medium</em>, 24 de junio. Disponible en: <a href="https://medium.com/@aojsamurai/userness-framework-part-i-c80ac2e857e">artículo original</a>.</p><p>De la O, A. (2019b) ‘<em>Userness Framework Part II</em>’, <em>Medium</em>, 24 de junio. Disponible en: <a href="https://medium.com/@aojsamurai/userness-framework-part-ii-68f45adb7f77">artículo original</a>.</p><p>Quadrana, M., Cremonesi, P. y Jannach, D. (2018) ‘<em>Sequence-Aware Recommender Systems</em>’, <em>ACM Computing Surveys</em>, 51(4), artículo 66. Disponible en: <a href="https://doi.org/10.1145/3190616">https://doi.org/10.1145/3190616</a>.</p><p>Sloterdijk, P. (2011) <em>Bubbles: Spheres Volume I: Microspherology</em>. Traducción de W. Hoban. Semiotext(e).</p><p>Suchman, L.A. (1987) <em>Plans and Situated Actions: The Problem of Human-Machine Communication</em>. Cambridge University Press.</p><p>Whitehead, A.N. (1929/1978) <em>Process and Reality: An Essay in Cosmology</em>. Edición corregida, editada por D.R. Griffin y D.W. Sherburne. Free Press.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=833269d86d0d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/userness-revisited-de-la-interacci%C3%B3n-a-la-transici%C3%B3n-parte-ii-de-iv-833269d86d0d">Userness Revisited:  de la interacción a la transición. Parte II de IV</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pensamiento sistémico en el desarrollo de software]]></title>
            <link>https://medium.com/gbm-tech/pensamiento-sist%C3%A9mico-en-el-desarrollo-de-software-67f619d9d50c?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/67f619d9d50c</guid>
            <category><![CDATA[software-design-patterns]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[pensamiento-sistémico]]></category>
            <category><![CDATA[systems-thinking]]></category>
            <dc:creator><![CDATA[Paul Medina]]></dc:creator>
            <pubDate>Thu, 15 Oct 2026 18:21:02 GMT</pubDate>
            <atom:updated>2026-10-15T18:21:00.777Z</atom:updated>
            <content:encoded><![CDATA[<h4>Del enfoque lineal al enfoque sistémico</h4><p>Muchos de los fallos graves en producción aparecen cuando cada parte del sistema funciona bien por separado, pero al interactuar entre ellas ocurre algo que nadie había previsto.</p><p>Podemos tener un módulo bien escrito con sus tests que pasan y revisiones aprobadas, y aun así provocar un incidente, esto ocurre porque el comportamiento de un sistema no depende únicamente de sus partes, sino de cómo esas partes interactúan entre sí.</p><p>Entender esas interacciones es el objetivo del pensamiento sistémico, y en mi opinión, es una de las habilidades más infravaloradas en el desarrollo de software.</p><h3>¿Qué es el pensamiento sistémico?</h3><p>Desde que aprendemos a programar nos enseñan a descomponer: dividir el problema, aislar el módulo, resolver la función, este enfoque reduccionista funciona muy bien para escribir código, pero se queda corto cuando el problema es el comportamiento del conjunto.</p><p>El pensamiento sistémico es un enfoque complementario: analizar el sistema como un todo, poniendo el foco en las relaciones entre componentes y no solo en los componentes individuales.</p><p>No sustituye al enfoque reduccionista, ambos son necesarios. La diferencia es que el primero nos lo enseñan desde el inicio y el segundo casi nadie lo practica de forma consciente.</p><p>Donella Meadows, en su libro <strong><em>Pensar en sistemas</em>, </strong>define un sistema como un conjunto de elementos interconectados y organizados de manera que producen su propio patrón de comportamiento a lo largo del tiempo. La parte importante de esa definición es que <strong>el sistema produce su propio comportamiento.</strong> Ni el comportamiento de un componente, ni la suma de los comportamientos de todos, es lo que surge de las conexiones.</p><p>Con los sistemas de software pasa lo mismo: la forma en que se comporta una aplicación no está definida en ningún módulo, lo define la manera en que sus servicios, bases de datos y otros componentes se comunican entre sí.</p><p>Según Meadows, todo sistema se compone de tres elementos:<br><strong>Elementos</strong>: las partes que lo forman. En software serían los microservicios, las bases de datos, las colas, los balanceadores,etc.<br><strong>Interconexiones</strong>: las relaciones y reglas que unen esos elementos. Aquí entran las llamadas entre servicios, los flujos de datos, los contratos de las APIs.<br><strong>Propósito</strong>: la función que el sistema cumple como un todo, más allá de lo que hace cada parte por separado.</p><p>De estos tres, los elementos suelen ser lo más visible y, sin embargo, lo que menos determina el comportamiento del sistema. Cambiar un elemento por otro rara vez altera el patrón general, cambiar las interconexiones o el propósito casi siempre lo transforma por completo. Esta idea, que la estructura interna dicta el comportamiento, es la base del pensamiento sistémico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_kbDhA3hv7duIQ4q-Fav_g.png" /></figure><h3>Cambiando el enfoque</h3><p>La pregunta habitual antes de un cambio suele ser: <strong>¿qué impacto tiene esto en mi módulo o servicio?</strong> La pregunta sistémica es: <strong>¿cómo estoy cambiando el comportamiento del sistema como un todo?</strong> La primera pregunta nos lleva a revisar nuestro código. La segunda nos obliga a mirar más allá de nuestro componente: qué servicios recibirán más carga cuando el nuestro vaya más rápido, qué cola puede llenarse, qué comportamiento del conjunto se modifica.</p><h3>Dos ejemplos: enfoque lineal vs. enfoque sistémico</h3><p>La mejor forma de ver la diferencia es con un ejemplo fuera del software y otro dentro.</p><h4>El tráfico de una ciudad</h4><p>Imaginemos una avenida principal con un embotellamiento severo todos los días.</p><p>Con un <em>enfoque lineal</em>, la conclusión es directa: faltan carriles. Se amplía la avenida con dos carriles más y, a corto plazo, el tráfico mejora. Pero seis meses después la avenida vuelve a estar congestionada. La causa es un fenómeno real llamado demanda inducida: la nueva capacidad atrajo a conductores que antes usaban rutas alternativas o transporte público. Y, de paso, apareció un problema nuevo de falta de estacionamiento en el destino.</p><p>Con un <em>enfoque sistémico</em>, la pregunta cambia: ¿por qué toda esta gente necesita moverse del punto A al punto B a la misma hora? El tráfico se entiende como un síntoma, no como la enfermedad. La solución deja de ser la avenida y pasa a ser el ecosistema completo: sincronizar semáforos en calles aledañas, mejorar la red de transporte público o incentivar el trabajo remoto en las empresas de la zona.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Lx8MilnvnPXDynnAF12GvA.png" /></figure><h4>El sistema de pagos lento</h4><p>En una aplicación de comercio electrónico, los usuarios se quejan de que en ciertos horarios el botón de “Pagar” tarda demasiado en procesar la compra.</p><p>Con un <em>enfoque lineal</em>, el equipo observa que el microservicio de pagos está al tope de su capacidad y le asigna más memoria y más procesadores. El botón de pago se vuelve rápido, pero minutos después la base de datos de inventarios se cae y el sistema de envíos recibe miles de órdenes de golpe que no puede procesar, lo que bloquea toda la operación.</p><p>Con un <em>enfoque sistémico,</em> se mapea el flujo completo y descubre algo importante: la lentitud del pago era en realidad un cuello de botella natural que protegía a una base de datos de inventario antigua. Al quitar ese bloqueo, se inundó el resto de la aplicación. La solución no es darle más recursos a los pagos, sino introducir una cola de mensajes (por ejemplo AWS SQS o Kafka) para procesar las órdenes de forma asíncrona. El usuario recibe un mensaje de “Procesando pago, te notificaremos en breve” y los sistemas de inventario y envíos digieren las órdenes a su propio ritmo, sin colapsar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MkznfwFD7SqLrUE5CEyEAQ.png" /></figure><h4>La diferencia clave</h4><p>En ambos casos, pensar de forma lineal lleva a aplicar un parche rápido que alivia un síntoma local, pero que a menudo crea un problema mayor en otra parte. El pensamiento sistémico busca las causas raíz y las consecuencias de segundo y tercer orden.</p><h3>Conceptos clave del pensamiento sistémico</h3><p>Los dos ejemplos anteriores muestran el patrón, pero para aplicarlo conviene apoyarse en algunos conceptos que dan nombre a lo que estamos observando. Estos son los cuatro que considero más útiles en el día a día:</p><h4>1. Bucles de retroalimentación</h4><p>Los sistemas contienen bucles de retroalimentación, y existen de dos tipos:</p><ul><li><strong>Bucles de refuerzo</strong>: amplifican el comportamiento. Un ejemplo clásico es la tormenta de reintentos: un servicio saturado responde lento, los clientes reintentan, aumenta la carga, aumenta la lentitud y aumentan los reintentos.</li><li><strong>Bucles de balance</strong>: estabilizan el sistema. Un autoescalado o un <em>rate limiter</em> funcionan como reguladores que devuelven el sistema a un estado controlado.</li></ul><p>Bajo esta perspectiva, patrones como <em>circuit breakers, backoff</em> exponencial o límites de concurrencia no son solo &quot;buenas prácticas de resiliencia&quot;, sino que son los bucles de balance que evitan que los bucles de refuerzo se descontrolen.</p><h4>2. Acumulaciones, flujos y retrasos</h4><p>Meadows<em> </em>utiliza la analogía de una bañera para explicar este concepto: un flujo la llena y otro la vacía, y el nivel del agua depende de la diferencia entre ambos. Una cola de mensajes se comporta igual: si entra más de lo que sale, eventualmente se desborda, sin importar qué tan optimizado esté cada extremo.</p><p>Muchos problemas de saturación se entienden mejor como acumulaciones fuera de control que como componentes lentos. Los retrasos también son parte del sistema: el tiempo entre un pico de tráfico y la reacción del autoescalado (muy común en la infra “<em>serverless</em>”), o entre un despliegue y su efecto real, es la causa de muchas oscilaciones en producción.</p><h4>3. Propiedades emergentes</h4><p>Rendimiento, disponibilidad, resiliencia, seguridad y escalabilidad no viven dentro de un componente sino en cómo interactúa el conjunto. Un microservicio no es resiliente por sí solo. La resiliencia aparece cuando <em>timeouts</em>, reintentos, aislamiento de fallos y degradación controlada trabajan de forma coordinada.</p><p>Por esta razón, los atributos de calidad no se agregan como una librería, se diseñan mirando el sistema completo.</p><h4>4. Arquetipos: errores que se repiten</h4><p>Existen patrones sistémicos tan comunes que tienen nombre propio:</p><ul><li><strong>El arreglo que falla:</strong> agregar un caché para ocultar una consulta lenta. Funciona hoy, pero con el tiempo aparecen problemas de invalidación e inconsistencias</li><li><strong>Trasladar la carga:</strong> reiniciar servicios cada noche en lugar de corregir la fuga de memoria. El parche alivia el síntoma y elimina la presión de atender la causa</li><li><strong>La tragedia de los comunes</strong>: varios equipos compartiendo una base de datos, cada uno exigiéndole &quot;solo un poco más&quot;, hasta que falla para todos</li></ul><p>Identificarlos por nombre es el primer paso para detectarlos en un diseño antes de implementarlo.</p><h3>¿Cómo se practica?</h3><p>Algunas formas concretas de ejercitar esta habilidad:</p><ul><li><strong>Dibujar diagramas</strong>: antes de un cambio de arquitectura, representar los componentes como nodos y las relaciones como flechas, anotando en cada una si el efecto es de aumento o disminución, y marcando bucles y retrasos. Casi siempre aparece una relación no considerada</li><li><strong>Preguntar &quot;¿y después qué pasa?&quot; varias veces:</strong> &quot;Acelero este servicio&quot; → entrega más rápido al siguiente → el siguiente recibe más de lo que puede procesar. Ese ejercicio permite ver el incidente en una pizarra en lugar de en una alerta de madrugada</li><li><strong>Revisar cambios pensando en el flujo completo:</strong> no solo qué modifica el cambio, sino qué recibe, qué produce y qué componentes dependen de ese comportamiento</li></ul><h3>Puntos de apalancamiento</h3><p>Una vez que vemos el sistema como un todo, aparece la pregunta práctica: si quiero cambiar su comportamiento, ¿dónde intervengo?</p><p>Meadows llama a estos lugares puntos de apalancamiento: sitios dentro de un sistema donde una pequeña intervención puede producir un gran cambio. Y su hallazgo más interesante es que solemos intervenir en los puntos equivocados. Tendemos a ajustar los más evidentes (números, parámetros, tamaños), que suelen ser los de menor impacto, y descuidamos los más profundos.</p><p>En términos de software, esto se ve todos los días. Subir la memoria de un servicio o ajustar un <em>timeout</em> es intervenir en un parámetro: útil, pero de bajo apalancamiento. Rediseñar cómo fluyen los datos entre componentes, cambiar las reglas de comunicación o replantear el propósito de un módulo son intervenciones sobre las interconexiones y la estructura, y ahí es donde ocurren los verdaderos cambios de comportamiento.</p><p>El punto de mayor apalancamiento, según Meadows, es el paradigma: las suposiciones profundas desde las que se diseñó el sistema. En nuestro mundo equivale a cuestionar decisiones que damos por sentadas, como “esto siempre fue síncrono” o “esta base de datos es el centro de todo”. Cambiar esas suposiciones es lo más difícil, pero también lo que más transforma un sistema.</p><p>Antes de escalar o parchar, conviene preguntarse si estamos interviniendo en un parámetro o en la estructura. Casi siempre, el cambio que buscamos está en un nivel más profundo del que atacamos primero.</p><h3>Conclusiones</h3><p>El pensamiento sistémico no reemplaza el conocimiento técnico de cada componente sino que lo complementa con la capacidad de entender el comportamiento del conjunto.</p><p>Algunos puntos clave a considerar:</p><ul><li>Los incidentes más graves suelen originarse en las interacciones y no en los componentes individuales.</li><li>Los atributos de calidad (disponibilidad, resiliencia, escalabilidad) son propiedades emergentes: se diseñan a nivel de sistema, no de módulo.</li><li>Los bucles de retroalimentación, las acumulaciones y los retrasos explican gran parte del comportamiento de los sistemas distribuidos.</li><li>Los arquetipos sistémicos permiten reconocer errores comunes antes de que nos generen una alerta.</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=67f619d9d50c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/pensamiento-sist%C3%A9mico-en-el-desarrollo-de-software-67f619d9d50c">Pensamiento sistémico en el desarrollo de software</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Gobierno como código: qué cambia cuando versionamos las decisiones de datos]]></title>
            <link>https://medium.com/gbm-tech/gobierno-como-c%C3%B3digo-qu%C3%A9-cambia-cuando-versionamos-las-decisiones-de-datos-9945d4017f0b?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/9945d4017f0b</guid>
            <category><![CDATA[infrastructure-as-code]]></category>
            <category><![CDATA[data-management]]></category>
            <category><![CDATA[data-engineering]]></category>
            <category><![CDATA[data-governance]]></category>
            <dc:creator><![CDATA[Carlos Humberto Sandoval Reyna]]></dc:creator>
            <pubDate>Thu, 08 Oct 2026 18:01:01 GMT</pubDate>
            <atom:updated>2026-10-08T18:01:01.822Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><em>Aprendizajes al incorporar configuraciones de gobierno de datos al ciclo de desarrollo y operación de una plataforma con Amazon DataZone.</em></blockquote><h3>Gobierno no debería llegar al final</h3><p>Primero se construyen plataformas, dominios y productos de datos; después se documentan, se asignan responsables y se incorporan controles. Esa ha sido una forma de tratar el gobierno de datos como una actividad posterior.</p><p>Ese orden genera una distancia difícil de corregir. Las decisiones de gobierno quedan separadas de los equipos que construyen y operan la plataforma. Como consecuencia, pueden aparecer cambios manuales sin suficiente revisión, poca trazabilidad, diferencias entre ambientes y dependencia del conocimiento de unas cuantas personas.</p><p>En GBM comenzamos a explorar otro enfoque: llevar parte del gobierno de datos al mismo ciclo de trabajo que los equipos de ingeniería utilizan para administrar la plataforma. A esta práctica la llamamos <strong>gobierno como código</strong>.</p><p>No significa convertir todas las decisiones de gobierno en software ni reemplazar el criterio de las personas. Significa expresar decisiones previamente definidas y aprobadas mediante configuraciones que puedan revisarse, versionarse y aplicarse de manera controlada.</p><h3>La idea: de cambios manuales a decisiones versionadas</h3><p>Gobierno como código toma principios de la infraestructura como código (<em>Infrastructure as Code</em>, IaC): el estado esperado se expresa mediante una definición declarativa y una herramienta permite aplicarlo de forma repetible. <a href="https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/template-guide.html">AWS CloudFormation</a>, por ejemplo, permite modelar recursos mediante plantillas.</p><p>Sin embargo, el cambio de fondo no consiste en utilizar un archivo determinado; consiste en convertir una decisión de gobierno en un objeto visible y sujeto a control.</p><p>Cuando una definición se administra en un repositorio y su revisión queda documentada, es posible conocer:</p><ul><li>Qué se propuso.</li><li>Cuál era el estado anterior.</li><li>Qué cambió.</li><li>Quién participó.</li><li>Qué revisión recibió.</li><li>Qué decisión fue finalmente aprobada.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gbzW1dABxuL_pNHZMjr4rA@2x.png" /></figure><p>El historial de una configuración muestra los cambios, pero no explica por sí solo su intención. Para conservar la decisión, también deben registrarse la justificación, la discusión y la aprobación que la sustentan.</p><p>La tesis es sencilla: <strong>el principal beneficio no es escribir configuraciones, sino incorporar las decisiones de gobierno a un mecanismo compartido de revisión, aprobación y trazabilidad</strong>.</p><h3>La experiencia de GBM con Amazon DataZone</h3><p>Amazon DataZone funciona como una capa para organizar, descubrir, compartir y gestionar el acceso a datos. Dentro del servicio, los dominios, proyectos, ambientes, fuentes de datos y perfiles permiten estructurar tanto la colaboración como el uso de la plataforma.</p><p>En GBM, la experiencia de gobierno como código abarca más que la definición de unidades de dominio. Parte de la configuración de la plataforma se representa mediante componentes declarativos que incluyen:</p><ul><li>La estructura principal de gobierno.</li><li>Unidades y jerarquías de dominio.</li><li>Espacios de colaboración para equipos.</li><li>Configuraciones y perfiles de ambiente.</li><li>Ambientes asociados a los proyectos.</li><li>Condiciones, etiquetas y referencias necesarias para el despliegue.</li></ul><p>La documentación de CloudFormation muestra que Amazon DataZone dispone de recursos declarativos para dominios, unidades de dominio, proyectos, ambientes, perfiles, fuentes de datos, conexiones, formularios de metadata y políticas, entre otros componentes. <a href="https://docs.aws.amazon.com/AWSCloudFormation/latest/TemplateReference/AWS_DataZone.html">AWS mantiene la lista oficial de recursos compatibles</a>.</p><p>Esta experiencia nos permitió observar que una plataforma de gobierno también puede construirse mediante componentes pequeños y relacionados. Cada objeto representa una parte del modelo operativo: dónde se organiza el trabajo, quién participa, qué ambiente utiliza y cómo se conecta con el resto de la plataforma.</p><p>El valor no está en reproducir toda la organización dentro de una herramienta. La estructura implementada debe responder a un modelo de gobierno previamente definido, Amazon DataZone no debería crear una clasificación paralela; debería materializar de manera operativa las decisiones de Gobierno de Datos.</p><h3>GitHub como mecanismo de gobierno</h3><p>GitHub suele asociarse con el almacenamiento de código, pero en este contexto cumple una función adicional: se convierte en el lugar donde una decisión puede ser propuesta, discutida y aprobada antes de aplicarse.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YvOuBzN9qUeLWklZZXESAA@2x.png" /></figure><p>Para que esto ocurra, es necesario definir quién revisa los cambios, qué validaciones son obligatorias y bajo qué condiciones pueden incorporarse y desplegarse. El repositorio ofrece el mecanismo; el equipo establece las reglas.</p><p>La solicitud de cambio, conocida como <em>pull request</em> (PR), reúne la propuesta, las diferencias respecto de la configuración anterior y la discusión de quienes la revisan.</p><p>Esta relación acerca a Gobierno e Ingeniería sin confundir sus responsabilidades. Gobierno aporta significado, estándares, responsabilidades y criterios de uso. Ingeniería aporta conocimiento sobre dependencias, seguridad, despliegue y operación. <strong>El PR no reemplaza la conversación entre ambos; la vuelve visible y trazable.</strong></p><h3>Tres niveles de Gobierno como Código</h3><p>No todos los componentes de Gobierno de Datos pueden ni deberían tratarse de la misma manera. Una distinción útil consiste en separar lo declarable, lo automatizable y lo que requiere decisión humana.</p><p>Estos niveles no son etapas de madurez ni categorías excluyentes. Pueden coexistir: una decisión humana, como asignar un responsable, puede materializarse después mediante una configuración declarativa.</p><h3>Nivel 1. Declarable como código</h3><p>Incluye objetos cuyo estado esperado puede representarse mediante infraestructura como código:</p><ul><li>Dominios y unidades de dominio</li><li>Jerarquías</li><li>Proyectos y membresías.</li><li>Configuraciones, perfiles y ambientes.</li><li>Conexiones y fuentes de datos.</li><li>Tipos de formularios de metadatos</li><li>Concesiones de autorización.</li><li>Destinos de suscripción, que definen dónde se concede el acceso a los datos suscritos.</li></ul><p>Las plantillas también pueden incorporar etiquetas, parámetros y condiciones para organizar el despliegue.</p><p>Estos componentes pueden revisarse y desplegarse como parte de una configuración versionada. Aun así, que un objeto pueda declararse técnicamente no significa que su contenido deba decidirse de manera automática.</p><h3>Nivel 2. Automatizable mediante APIs y pipelines</h3><p>Otros procesos pueden apoyarse en scripts, interfaces de programación de aplicaciones (APIs) o secuencias automatizadas de tareas (<em>pipelines</em>), aunque no se administren exclusivamente como recursos de infraestructura:</p><ul><li>Glosarios y términos de negocio.</li><li>Enriquecimiento de metadatos.</li><li>Publicación de activos.</li><li>Asociación entre términos y activos.</li><li>Actualización de fuentes.</li><li>Registro de eventos de linaje: el origen y las transformaciones de los datos.</li><li>Validación de metadatos obligatorios.</li><li>Integración de reglas y resultados de calidad.</li><li>Validaciones de nomenclatura.</li><li>Detección de diferencias entre configuraciones.</li><li>Generación de evidencia y documentación.</li></ul><p>Estas automatizaciones pueden combinar <a href="https://docs.aws.amazon.com/datazone/latest/APIReference/API_Operations.html">APIs de Amazon DataZone</a> con scripts y otros servicios. No todas son capacidades nativas del servicio; su alcance depende de las integraciones implementadas.</p><p>En este nivel, GitHub puede conservar reglas, definiciones y automatizaciones. El objetivo no es eliminar la intervención humana, sino reducir tareas repetitivas y aplicar los estándares de manera consistente.</p><h3>Nivel 3. Decisiones que deben permanecer bajo responsabilidad humana</h3><p>Existen decisiones cuyo resultado puede registrarse en una plataforma, pero cuyo criterio no debería delegarse completamente:</p><ul><li>Determinar quién debe asumir el rol de responsable del dato (<em>Data Owner</em>) o de su gestión cotidiana (<em>Data Steward</em>).</li><li>Aprobar una definición de negocio.</li><li>Clasificar la sensibilidad de un dato según su contexto.</li><li>Determinar qué elementos de datos son críticos (CDE, por sus siglas en inglés).</li><li>Establecer umbrales aceptables de calidad.</li><li>Aprobar accesos sensibles.</li><li>Certificar un producto de datos.</li><li>Aceptar riesgos o excepciones.</li><li>Autorizar cambios con impacto.</li><li>Interpretar obligaciones regulatorias.</li></ul><p><strong>El código puede exigir que exista un responsable, pero no debería elegirlo. Puede verificar que haya una clasificación, pero no sustituir el análisis de negocio que la justifica.</strong></p><h3>La experiencia deja cuatro aprendizajes principales.</h3><h4>1. La trazabilidad comienza antes del despliegue</h4><p>La evidencia no se limita a registrar que ocurrió un cambio: conserva la intención, la discusión y la aprobación que lo hicieron posible. Para ello, esos elementos deben formar parte de la revisión y quedar documentados.</p><h4>2. El gobierno se fortalece cuando comparte artefactos con Ingeniería</h4><p>Una definición versionada ofrece un punto común para discutir dependencias, responsabilidades e impacto. Esto ayuda a que el gobierno de datos deje de operar únicamente mediante documentos separados de la plataforma.</p><h4>3. Automatizar no equivale a delegar la responsabilidad</h4><p>Una plataforma puede aplicar políticas, validar campos y desplegar objetos. Sin embargo, la decisión sobre qué debe existir, quién responde y bajo qué condiciones sigue perteneciendo a las personas.</p><h4>4. Versionar una inconsistencia no la convierte en un estándar</h4><p>Guardar una configuración en GitHub no garantiza un buen gobierno. Antes de automatizar es necesario definir nomenclaturas, responsabilidades, criterios de creación y retiro, reglas de aprobación y mecanismos de validación.</p><p>Gobierno como código tampoco elimina los riesgos de cambio. Una modificación declarativa puede afectar recursos relacionados. Por eso siguen siendo necesarios el análisis de impacto, la revisión técnica, la aprobación humana y la validación posterior.</p><h3>Empezar por decisiones acotadas</h3><p>La adopción no necesita comenzar con todo el modelo de gobierno. Resulta más útil elegir un objeto concreto, definir el estándar que debe cumplir y comprobar si expresarlo como código mejora su revisión, trazabilidad y aplicación.</p><p>La pregunta inicial no debería ser “¿Cómo llevamos todo el gobierno de datos a código?”, sino:</p><blockquote><strong><em>¿Qué decisión de gobierno podríamos hacer más visible, consistente y revisable si la versionáramos?</em></strong></blockquote><p>Gobierno como código no consiste en automatizar todas las decisiones. Consiste en convertir una parte de las decisiones definidas y aprobadas en configuraciones trazables, revisables y reproducibles, manteniendo el criterio y la responsabilidad en las personas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lfU0jEdGWpj-a6kPOilyZQ@2x.png" /><figcaption>Decisiones de Gobierno de Datos que pasan por un proceso de versionamiento y aprobación humana antes de convertirse en una estructura de datos gobernada.</figcaption></figure><p>Para GBM, esta práctica abre una forma de colaboración más cercana entre Gobierno de Datos e Ingeniería. GitHub conserva la historia de la decisión cuando su justificación y revisión quedan documentadas; las herramientas de despliegue la materializan; Amazon DataZone la vuelve operativa; y la aprobación humana mantiene el propósito y la responsabilidad.</p><p>Ese equilibrio: automatización con estándares, trazabilidad con contexto y velocidad con control, es lo que puede convertir una implementación técnica en una práctica sostenible de gobierno.</p><h3>Referencias</h3><p>Amazon Web Services (s. f. a) <em>Amazon DataZone resource types</em>. Disponible en: <a href="https://docs.aws.amazon.com/AWSCloudFormation/latest/TemplateReference/AWS_DataZone.html">https://docs.aws.amazon.com/AWSCloudFormation/latest/TemplateReference/AWS_DataZone.html</a> (Consultado: septiembre de 2026).</p><p>Amazon Web Services (s. f. b) <em>Domain units and authorization policies in Amazon DataZone</em>. Disponible en: <a href="https://docs.aws.amazon.com/datazone/latest/userguide/working-with-domain-units.html">https://docs.aws.amazon.com/datazone/latest/userguide/working-with-domain-units.html</a> (Consultado: septiembre de 2026).</p><p>Amazon Web Services (s. f. c) <em>Actions</em>. Amazon DataZone API Reference. Disponible en: <a href="https://docs.aws.amazon.com/datazone/latest/APIReference/API_Operations.html">https://docs.aws.amazon.com/datazone/latest/APIReference/API_Operations.html</a> (Consultado: septiembre de 2026).</p><p>Amazon Web Services (s. f. d) <em>Working with CloudFormation templates</em>. Disponible en: <a href="https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/template-guide.html">https://docs.aws.amazon.com/AWSCloudFormation/latest/UserGuide/template-guide.html</a> (Consultado: septiembre de 2026).</p><p>GitHub (s. f.) <em>About protected branches</em>. Disponible en: <a href="https://docs.github.com/en/repositories/configuring-branches-and-merges-in-your-repository/managing-protected-branches/about-protected-branches">https://docs.github.com/en/repositories/configuring-branches-and-merges-in-your-repository/managing-protected-branches/about-protected-branches</a> (Consultado: septiembre de 2026).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9945d4017f0b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/gobierno-como-c%C3%B3digo-qu%C3%A9-cambia-cuando-versionamos-las-decisiones-de-datos-9945d4017f0b">Gobierno como código: qué cambia cuando versionamos las decisiones de datos</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Userness Revisited: el usuario ya no es estático. Parte I de IV]]></title>
            <link>https://medium.com/gbm-tech/userness-revisited-el-usuario-ya-no-es-est%C3%A1tico-parte-i-de-iv-9376d077bab5?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/9376d077bab5</guid>
            <category><![CDATA[user-experience]]></category>
            <category><![CDATA[personalization]]></category>
            <category><![CDATA[user-behavior]]></category>
            <category><![CDATA[product-design]]></category>
            <category><![CDATA[ux-research]]></category>
            <dc:creator><![CDATA[Andrés de la O]]></dc:creator>
            <pubDate>Thu, 01 Oct 2026 18:01:02 GMT</pubDate>
            <atom:updated>2026-10-01T18:01:01.959Z</atom:updated>
            <content:encoded><![CDATA[<h3>Tal vez las plataformas modernas deberían considerar no solo los segmentos, sino también las transiciones del usuario</h3><p>Durante años, gran parte de los sistemas digitales fueron construidos alrededor de una idea relativamente estable del usuario.</p><p>Audiencias, segmentos, personas, <em>cohorts</em> o perfiles intentaban describir comportamientos consistentes en el tiempo para anticipar decisiones, optimizar experiencias y personalizar interacciones. <br>La lógica detrás de estos modelos era simple:<strong> si entendíamos suficientemente bien al usuario, podríamos predecir cómo actuaría dentro de un sistema.</strong></p><p>Esa idea definió gran parte de la evolución del internet moderno.</p><p>Plataformas sociales, motores de recomendación, medios digitales, <em>e-commerce</em> e incluso productos financieros han sido diseñados bajo la premisa de que los usuarios pueden clasificarse y entenderse como entidades relativamente fijas. <strong>Pero la interacción digital contemporánea parece funcionar de otra manera.</strong></p><p>El mismo individuo puede pasar, en cuestión de minutos, de observador pasivo a participante activo; de explorar contenido a compartirlo; de ignorar un sistema a amplificarlo activamente. <br>El contexto modifica comportamiento. Las interfaces alteran decisiones. Los sistemas moldean participación.</p><p>El usuario no permanece estático durante la interacción. <strong>Se transforma.</strong></p><blockquote><em>Tal vez el problema no sea que los sistemas de personalización todavía sean insuficientes.</em></blockquote><blockquote><em>Tal vez el problema sea que el concepto mismo de “usuario” ya no describe correctamente la naturaleza de la interacción digital moderna.</em></blockquote><blockquote><strong>Los usuarios no son entidades estáticas. Son entidades capaces de transicionar de estado a través de la interacción.</strong></blockquote><h3>El problema del usuario estático</h3><p>Hace algunos años propuse el concepto de <em>Userness</em> como una forma de pensar al usuario no como una identidad permanente, sino como una condición emergente de la interacción entre personas, sistemas y contexto.</p><p>En ese momento, muchas de estas ideas parecían abstractas o incluso excesivamente teóricas. Hoy, sin embargo, los sistemas digitales modernos comienzan a hacer visibles muchas de estas dinámicas.</p><p>La condición de <em>Userness</em> emerge cuando la interacción transforma al usuario de observador pasivo a propagador del sistema.</p><p><strong>La interacción digital no solo produce acciones. Produce transiciones de estado.</strong></p><h3>La interacción como transformación</h3><p>Esta idea es importante porque gran parte del lenguaje digital actual sigue describiendo a los usuarios mediante atributos relativamente estáticos:</p><ul><li>características demográficas</li><li>segmentos</li><li>intereses</li><li>métricas de <em>engagement</em></li><li>intención de compra</li><li>perfiles de comportamiento</li></ul><p>Pero muy pocos <em>frameworks</em> describen al usuario como una entidad capaz de cambiar de estado a través de la interacción.</p><p>Y esa diferencia importa.</p><p>Porque un clic no es solamente un clic. Un <em>share</em> no es solamente un <em>share</em>. <strong>Una recomendación aceptada, una búsqueda repetida o incluso un mensaje ignorado pueden representar cambios en atención, confianza, intención o participación.</strong></p><p>En este sentido, el usuario deja de entenderse únicamente como un perfil y comienza a comportarse más como un estado transicional continuamente moldeado por sistemas digitales.</p><p>Esto se vuelve todavía más evidente en plataformas modernas donde la experiencia ya no es completamente lineal ni estática. Los sistemas reaccionan constantemente al comportamiento de las personas. Los motores de recomendación reorganizan la relevancia del contenido. Los <em>feeds</em> modifican la visibilidad del contenido en tiempo real. Las interfaces adaptan experiencias dinámicamente.</p><p>La interacción deja de ser un simple intercambio entre usuario y plataforma. <strong>Se convierte en un sistema continuo de adaptación mutua.</strong></p><p>Décadas atrás, teorías sobre estructuración ya describían cómo los sistemas y los agentes se transforman mutuamente a través de la interacción recursiva. Más adelante, la economía digital convertiría la atención humana en uno de los recursos más escasos dentro de internet.</p><blockquote>Pero quizá la atención ya no es la unidad más importante.<br>Quizá las transiciones lo son.</blockquote><h3><em>Userness</em></h3><p>Un usuario explorando contenido educativo no necesariamente se encuentra en el mismo estado que uno comparando alternativas, tomando decisiones o compartiendo información minutos después. La identidad puede parecer consistente; la condición de interacción no lo es.</p><p>La audiencia, en muchos sentidos, solo existe por un instante. El segmento puede mantenerse; lo que cambia de un momento a otro es <strong>lo que el usuario necesita.</strong></p><p>Y eso desafía una de las premisas más profundas detrás de las plataformas digitales modernas: la idea de que los usuarios pueden entenderse completamente como entidades estables.<br>Esto no elimina el valor de la segmentación. Los segmentos ayudan a comprender patrones e historial, pero no bastan por sí solos para identificar qué necesita el usuario en una interacción concreta.</p><p><strong>La condición de <em>Userness</em> emerge cuando la interacción transforma al usuario de observador pasivo a propagador del sistema.</strong></p><h3>¿Qué es <em>Userness</em>?</h3><p><strong><em>Userness</em> no describe quién es el usuario. Describe cuándo una interacción cambia su estado dentro de un sistema digital.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4kcdy8UFBaVJK-ZG93rHYg.png" /></figure><p>La interacción deja de ser únicamente una acción y se convierte en un mecanismo de transición.</p><ul><li>Observa.</li><li>Interactúa.</li><li>Participa.</li><li>Comparte.</li><li>Amplifica.</li></ul><p><strong>La transformación puede importar tanto como el perfil.</strong></p><p>El perfil y el estado del usuario aportan información distinta. Además de entender quién es el usuario y cómo se ha comportado, importa reconocer qué necesita en ese momento y cómo la interacción puede cambiar su participación; por ejemplo, al pasar de observador a propagador.</p><p><em>Userness</em> intenta describir precisamente esa condición.</p><p>No como <em>engagement</em>.<br>No como lealtad.<br>No como viralidad.</p><p>Sino como <strong>el potencial dinámico que tiene un usuario de transicionar entre estados a través de la interacción.</strong></p><p><strong>Tal vez el futuro de los sistemas digitales no depende únicamente de entender usuarios, sino de comprender las transiciones que continuamente los transforman.</strong></p><p>Esta es la primera parte de una serie de cuatro artículos sobre <em>Userness</em>, interacción y sistemas adaptativos.<br>En las siguientes partes exploraré cómo las transiciones entre estados pueden convertirse en una nueva forma de entender la interacción digital, qué implica esto para la personalización y cómo podemos diseñar sistemas capaces de adaptarse continuamente.</p><p><strong>Continuará.</strong></p><h3>Referencias</h3><p>Anderson, C. <em>The Long Tail: Why the Future of Business Is Selling Less of More</em>. Hyperion, 2006.<br>Davenport, T. H., &amp; Beck, J. C. <em>The Attention Economy: Understanding the New Currency of Business</em>. Harvard Business School Press, 2001.<br>Giddens, A. <em>The Constitution of Society: Outline of the Theory of Structuration</em>. University of California Press, 1984.</p><p>Conceptos originales adaptados de <em>Userness Framework</em> <em>Parts I &amp; II</em> por Andres De La O.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9376d077bab5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/userness-revisited-el-usuario-ya-no-es-est%C3%A1tico-parte-i-de-iv-9376d077bab5">Userness Revisited: el usuario ya no es estático. Parte I de IV</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Más IA no significa transformar más]]></title>
            <link>https://medium.com/gbm-tech/m%C3%A1s-ia-no-significa-transformar-m%C3%A1s-59ea138d8bee?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/59ea138d8bee</guid>
            <category><![CDATA[future-of-work]]></category>
            <category><![CDATA[ai-adoption]]></category>
            <category><![CDATA[process-improvement]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[digital-transformation]]></category>
            <dc:creator><![CDATA[Caro Barreiro]]></dc:creator>
            <pubDate>Thu, 24 Sep 2026 18:01:02 GMT</pubDate>
            <atom:updated>2026-09-24T18:01:02.287Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Training, usage y adoption</em> miden cosas diferentes. <br>Entender qué nos dice cada una puede cambiar la forma en que pensamos la transformación con inteligencia artificial.</p><p>La estrategia de inteligencia artificial generativa empieza a verse así en muchas organizaciones: ponemos herramientas a disposición de todos, lanzamos cursos y talleres, definimos como objetivo que cada vez más personas utilicen IA y medimos usuarios activos. <br>Al cierre del trimestre, el dashboard está en verde.<br><strong>¿Adoptamos IA?</strong></p><p>La respuesta: depende de qué queríamos conseguir. <br>Si el objetivo era alfabetizar, las métricas de <em>training</em> son útiles. Si buscábamos familiaridad y experimentación, <em>usage</em> importa. Pero si la ambición era <strong>transformar cómo opera la organización</strong>, ninguna de las dos demuestra por sí sola que hubo adopción.</p><p>En este artículo uso <strong>adopción organizacional</strong> para referirme a un <strong>cambio sostenido</strong> en la forma en que se ejecuta el trabajo, no únicamente al uso individual de una herramienta. <em>Training, usage y adoption</em> están relacionados e impactan de diferentes formas a la adopción de una herramienta en una organización; eso es lo que exploraremos a continuación.</p><h3><strong>Training, usage y adoption no son sinónimos</strong></h3><p><strong><em>Training</em></strong> nos dice si la organización está desarrollando conocimiento y capacidades. Responde a una pregunta básica: ¿nuestra gente sabe usar IA? Es el punto de partida para reducir barreras, construir criterio y dar a las personas un lenguaje común en formas de trabajo.</p><p><strong><em>Usage</em></strong> nos dice si las personas efectivamente están incorporando esas herramientas a su trabajo. Ayuda a entender si la IA salió del curso y entró al día a día. Pero una persona activa puede usarla para una tarea marginal, para experimentar o para acelerar una actividad que sigue funcionando exactamente igual.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rkebUu0L4Li7Jwpgzo7ymQ.png" /></figure><p><strong><em>Adoption</em></strong> empieza cuando la IA modifica de manera sostenida cómo se realiza el trabajo: qué procesos existen, cómo se toman decisiones, dónde intervienen las personas, cómo se conectan los equipos y qué resultados se pueden lograr.</p><p>No hay que escoger una de las tres. <strong><em>Training</em> puede habilitar <em>usage</em>; <em>usage</em> puede crear condiciones para <em>adoption</em>.</strong> El problema aparece cuando detenemos la medición antes de llegar a la tercera y declaramos victoria.</p><h3>Incorporar IA a un proceso no significa transformarlo</h3><p>Un proceso es la forma en que una organización conecta personas, información, sistemas y decisiones para generar un resultado. Por eso, incorporar IA a una actividad puede mejorarla sin cambiar la manera en que funciona el proceso completo.</p><p>Transformar un proceso implica mirar más allá de la tarea intervenida. La IA puede permitirnos eliminar actividades que dejaron de aportar valor, integrar tareas antes fragmentadas, reducir transferencias de información entre equipos, replantear la forma en que se toman decisiones o desarrollar capacidades que antes no eran posibles.</p><blockquote>Esto exige mirar más allá de la tecnología.</blockquote><p>Un proceso transformado puede requerir nuevas responsabilidades, mecanismos de colaboración, controles y formas de intervención humana. No se trata únicamente de sustituir trabajo manual por automatización, sino de rediseñar cómo interactúan las personas y los sistemas para generar valor.</p><h3><strong>Un dashboard verde puede contar una historia incompleta</strong></h3><blockquote><strong>90% trained → 80% active users → <em>0 procesos transformados</em></strong></blockquote><h4><em>Escenario hipotético</em></h4><p>No sería necesariamente un fracaso. Una organización con personas capacitadas y usuarias recurrentes ya redujo barreras importantes. El error sería interpretar esos números como evidencia de transformación.</p><p>Podríamos haber llegado, simplemente, a <strong><em>el mismo trabajo con esteroides</em></strong>: redactar el mismo correo más rápido, resumir el mismo documento en menos tiempo o producir una primera versión con menor esfuerzo.</p><p>Eso genera valor. Puede ahorrar tiempo, aumentar capacidad o mejorar calidad. Pero sigue siendo una etapa distinta.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yNwBbvi7orP-XgvQZeGVaw.png" /></figure><p>Pensemos, por ejemplo, en un proceso de generación de reportes. Utilizar IA para recopilar información o redactar conclusiones puede reducir el tiempo de elaboración. Sin embargo, si seguimos recopilando los mismos datos, generando los mismos documentos, esperando las mismas aprobaciones y distribuyendo la información de la misma manera, ¿qué cambió realmente en el proceso?</p><p>Ahora imaginemos que replanteamos su funcionamiento: la información se integra continuamente; la IA identifica anomalías y genera análisis cuando son necesarios; las personas intervienen para interpretar situaciones complejas y tomar decisiones. Quizá ya no necesitamos producir el mismo reporte, con la misma frecuencia ni bajo las mismas condiciones.</p><p>En el primer escenario, optimizamos actividades existentes. En el segundo, reconsideramos el propósito del proceso, sus componentes y la forma en que genera valor.</p><p>Esta diferencia también nos obliga a mirar los resultados de principio a fin. Una tarea puede ejecutarse mucho más rápido sin que disminuya el tiempo total del proceso. Podemos automatizar actividades individuales y mantener intactos los cuellos de botella, las dependencias entre equipos o las decisiones que retrasan el resultado. <strong>La eficiencia de una tarea no equivale necesariamente a la transformación de un proceso.</strong></p><p>Si el proceso conserva las mismas tareas, secuencias, aprobaciones, decisiones y transferencias entre equipos, probablemente aceleramos el trabajo actual; todavía no lo rediseñamos.</p><h3><strong>La pregunta que mueve de eficiencia a transformación</strong></h3><p>Durante la primera etapa solemos preguntar: <strong>¿cómo puedo hacer esta tarea más rápido con IA?</strong></p><p>Es una buena pregunta. Genera confianza y permite descubrir posibilidades concretas.</p><p>Pero no debería ser la última. La siguiente es más incómoda y mucho más valiosa: <strong>¿cómo debería funcionar este trabajo ahora que existe IA?</strong></p><p>Responderla implica volver al propósito y mirar el sistema completo: qué necesidad debe resolverse; qué trabajo podría dejar de existir; qué decisiones puede apoyar o ejecutar la IA; dónde sigue siendo indispensable el juicio humano; y qué roles, controles o interacciones tendrían que cambiar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_brM51K9RMECKUj5coZyNQ.png" /></figure><p><strong>La IA deja entonces de ser el objetivo y se vuelve un medio para diseñar una forma distinta de operar.</strong></p><h3><strong>Medir lo que realmente queremos conseguir</strong></h3><p>Cada etapa necesita métricas diferentes.</p><p>Para <em>training</em>, podemos observar cobertura, aprendizaje demostrado y capacidad para aplicar lo aprendido. Para <em>usage</em>, recurrencia, profundidad y diversidad de usos. Para <em>adoption</em>, necesitamos mirar cambios en el trabajo y en sus resultados: tiempo de ciclo, calidad, costo, capacidad, errores, experiencia o nuevas posibilidades que antes no existían.</p><p>Esto no significa que toda iniciativa de IA deba transformar un proceso completo. A veces hacer una tarea más rápido es exactamente el resultado que necesitamos. La clave está en nombrarlo correctamente y medirlo contra la intención original.</p><p>Capacitar no es adoptar. Usar tampoco es transformar. Pero ambos pueden ser pasos necesarios. Una estrategia madura no los confunde: conecta capacidades, comportamientos y resultados.</p><p>Si nuestro dashboard termina en usuarios activos, sabemos que la IA entró al trabajo cotidiano. Todavía no sabemos si cambió la empresa.</p><p>Para responder eso, la pregunta no es solo <strong>cuántas personas usaron IA</strong>, sino <strong>qué funciona de manera diferente gracias a ella</strong>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=59ea138d8bee" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/m%C3%A1s-ia-no-significa-transformar-m%C3%A1s-59ea138d8bee">Más IA no significa transformar más</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Cada nueva herramienta de IA me recuerda lo lejos que estamos]]></title>
            <link>https://medium.com/gbm-tech/cada-nueva-herramienta-de-ia-me-recuerda-lo-lejos-que-estamos-d78f105898c4?source=rss----b86356bd5648---4</link>
            <guid isPermaLink="false">https://medium.com/p/d78f105898c4</guid>
            <dc:creator><![CDATA[Alejandro Correa Bahnsen]]></dc:creator>
            <pubDate>Fri, 18 Sep 2026 16:31:59 GMT</pubDate>
            <atom:updated>2026-09-18T16:31:59.599Z</atom:updated>
            <content:encoded><![CDATA[<p>Qué significa realmente ser AI-Native y por qué el trabajo difícil empieza después de la demo</p><p><em>Por Alejandro Correa Bahnsen</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1022/1*6usH4RS-jSJ-w2odH8fX7g.png" /><figcaption>La demo es la parte fácil. Transformar la operación es el verdadero trabajo.</figcaption></figure><p>Cada vez que aparece una nueva versión de Claude Cowork, ChatGPT Work o cualquier plataforma de agentes, veo la misma reacción: ahora sí llegó la herramienta que va a transformar la empresa.</p><p>Yo, en cambio, me frustro un poco.</p><p>No porque estas herramientas no sirvan. Sí sirven. Yo mismo las uso. Ahorran tiempo, conectan fuentes, preparan entregables y permiten hacer cosas que hace poco habrían requerido varios perfiles y muchos días de trabajo. El problema es confundir ese valor con una transformación real.</p><p>Conozco el final de esa película: instalamos una tecnología muy sofisticada encima de la misma organización, los mismos procesos, los mismos permisos, los mismos handoffs y, muchas veces, el mismo Excel en el centro. Después nos sorprende que la productividad mejore un poco, pero la empresa siga operando igual.</p><p>Mi expectativa con este artículo es sencilla: que al terminar puedas explicar con tus propias palabras qué significa que un área sea AI-Native, por qué estamos mucho más lejos de lo que sugieren las demos y por qué el camino es bastante más complejo que desplegar otro agente.</p><p>También quiero dejar algo claro desde el principio: AI-Native no significa una empresa sin personas ni una búsqueda ciega de autonomía. Significa rediseñar la operación para que la IA absorba contexto y coordinación, mientras las personas definen objetivos, políticas, riesgos, excepciones y responsabilidad.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/1*7Ou6W_39BbB4bwlCkv1OhQ.png" /><figcaption><em>Muchas herramientas pueden convivir sin cambiar el proceso que está debajo.</em></figcaption></figure><h3>La primera confusión: productividad no es transformación</h3><p>Imaginemos un proceso de Customer Service. Un cliente tiene un problema, contacta a la empresa y un especialista abre varias herramientas para entender qué ocurrió. Revisa el CRM, busca transacciones, consulta interacciones anteriores, copia información a un ticket y prepara una respuesta.</p><p>Ahora le damos acceso a un modelo. La persona puede resumir el historial, redactar el mensaje y clasificar el caso mucho más rápido. Hay valor. Probablemente también hay una mejor experiencia para el empleado.</p><p>Pero el trabajo sigue empezando cuando el cliente se queja. La persona todavía debe reunir el contexto, decidir qué hacer, coordinar los sistemas y cerrar el caso. El proceso no cambió; solo aceleramos algunas tareas dentro de él.</p><p>Una prueba que uso con frecuencia es esta: <strong>si mañana apagamos la herramienta, ¿la operación vuelve a ser esencialmente la misma, solo que más lenta?</strong></p><p>Si la respuesta es sí, tenemos una mejora de productividad. Puede ser importante y vale la pena capturarla. Pero todavía no tenemos una transformación del modelo operativo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*7ES7ADhvPvEahRUjBXtwBQ.png" /><figcaption><em>Equipos usando AI independientemente</em></figcaption></figure><h3>Cuatro formas distintas de usar IA</h3><p>Durante mucho tiempo, estos conceptos tampoco fueron claros para mí. Hablábamos de copilots, RAGs, agentes y orquestación como si cada nueva tecnología nos empujara automáticamente hacia una empresa más madura. No funciona así.</p><p>La madurez no depende del nombre del producto ni de qué tan nuevo sea el modelo. Depende de quién inicia el trabajo, quién decide qué importa, quién coordina el proceso y cómo aprende la organización. Con esa lógica, terminé estructurando cuatro niveles.</p><h3>1. AI-Automation: mejorar tareas existentes</h3><blockquote>Una persona invoca la IA para resumir, redactar, clasificar, buscar o generar. También puede existir automatización tradicional mediante reglas. El beneficio se concentra en una tarea y, en muchos casos, en un usuario individual.</blockquote><h3>2. AI-Agents: acelerar un workflow</h3><blockquote>Un agente mantiene una responsabilidad persistente. Puede reaccionar a un evento, consultar varias fuentes y ejecutar una secuencia delimitada. Ya no necesita un prompt para cada paso, pero el flujo, el objetivo y sus límites siguen siendo definidos por personas.</blockquote><h3>3. AI-Embedded: integrar la inteligencia al proceso</h3><blockquote>La IA deja de vivir en una cuenta aislada y se integra en los sistemas, datos y conocimiento compartido de un área. Varios equipos utilizan el mismo contexto, los mismos estándares y los mismos controles. La producción se vuelve más consistente y conectada.</blockquote><blockquote>Sin embargo, el equipo todavía define la agenda. Las personas identifican el problema, crean la audiencia, diseñan el flujo o solicitan el análisis. La IA ejecuta y escala esas decisiones.</blockquote><h3>4. AI-Native: reinventar cómo opera la función</h3><blockquote>Una operación AI-Native se diseña alrededor de una capa de inteligencia capaz de observar señales, mantener contexto, detectar una necesidad, priorizar trabajo, coordinar agentes y sistemas, actuar dentro de límites y aprender de los resultados.</blockquote><blockquote>La IA ya no participa solamente en la ejecución. También ayuda a administrar la agenda. Las personas dejan de coordinar cada paso y pasan a definir estrategia, políticas, tolerancia al riesgo, criterios de escalamiento y decisiones que deben permanecer bajo responsabilidad humana.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/947/1*OPIXoNIWct8iGHqf-RnOUQ.png" /><figcaption><em>Framework conceptual de evolución: el mayor salto de valor aparece al rediseñar el trabajo end-to-end. Los rangos son ilustrativos; no representan una promesa de ROI.</em></figcaption></figure><p>Este marco no es una escalera que toda tarea deba subir hasta el último nivel. Algunas actividades funcionan perfectamente con asistencia individual. Otras nunca deberían operar con alta autonomía. Tampoco existe una organización que sea AI-Native en bloque: distintas áreas pueden convivir en niveles muy diferentes.</p><p>La pregunta útil no es “¿qué nivel tiene la empresa?” sino “¿cómo opera esta función y qué nivel necesita para producir el resultado que buscamos?”</p><h3>Un mismo ejemplo: Customer Service de punta a punta</h3><p>Volvamos al cliente del ejemplo inicial. Imaginemos que su comportamiento empieza a cambiar: intenta completar una acción varias veces, consulta una página de ayuda, abandona un flujo y reduce su actividad. Todavía no ha presentado una queja. Veamos qué ocurre en cada nivel.</p><h3>AI-Automation: responder mejor cuando el problema llega</h3><p>El cliente contacta a la empresa. Un especialista usa IA para resumir el historial, clasificar la intención y redactar una respuesta. La atención es más rápida, pero sigue siendo reactiva. El cliente detecta el problema, el humano inicia el trabajo y el sistema ayuda a producir el mensaje.</p><h3>AI-Agents: ejecutar partes del flujo</h3><p>Un agente detecta el ticket, reúne información de fuentes autorizadas, propone una siguiente acción y lo enruta al equipo correcto. Incluso puede ejecutar pasos de bajo riesgo dentro de un flujo predefinido. El workflow se acelera, pero una persona diseñó por anticipado qué eventos importan y qué debe ocurrir después.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wGorQm-ve0ZO6J8h7Ocwaw.png" /><figcaption><em>En un modelo AI-Agents, la inteligencia artificial integra datos, genera un resumen y entrega al humano.</em></figcaption></figure><h3>AI-Embedded: conectar la experiencia</h3><p>La IA comparte memoria entre servicio, producto, operaciones y canales. El especialista ya no debe reconstruir el contexto en cada interacción. El área puede crear una audiencia, definir un flujo y permitir que agentes lo ejecuten con consistencia en distintos puntos de contacto.</p><p>Es un avance enorme. Pero el equipo humano todavía analiza el problema, crea la audiencia y diseña el flujo. La inteligencia está dentro del proceso; la agenda sigue siendo humana.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jxq9R7f3xXCbXs9kCh7iFg.png" /><figcaption><em>En un modelo AI-Embedded, la inteligencia artificial integra datos en tiempo real, prioriza necesidades críticas, coordina la ejecución de respuestas y optimiza continuamente la operación bajo la supervisión estratégica del equipo humano.</em></figcaption></figure><h3>AI-Native: pasar de flujos automatizados a relaciones adaptativas</h3><p>En el siguiente nivel, el sistema no espera la queja. Mantiene un modelo vivo del cliente y detecta que la combinación de señales representa una necesidad probable. Evalúa el contexto, define la audiencia relevante, selecciona el mejor flujo, elige el canal, ejecuta acciones autorizadas y ajusta la respuesta según lo que ocurre.</p><p>Si la acción es simple y reversible, puede resolverla automáticamente. Si afecta dinero, derechos, privacidad o una decisión sensible, prepara la evidencia y escala al rol adecuado. Después mide no solo si envió un mensaje, sino si resolvió la necesidad sin agregar fricción.</p><p>Las personas siguen siendo centrales. Definen qué significa una buena experiencia, cuántas veces se puede contactar a alguien, qué datos pueden usarse, qué acciones requieren consentimiento, qué riesgos no son aceptables y quién responde cuando el sistema se equivoca.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MgvSvDCwUrHgg9Uu3PuPXA.png" /><figcaption><em>En una experiencia AI-Native, la IA conecta señales, decide qué requiere atención, coordina la respuesta y aprende bajo objetivos y controles humanos.</em></figcaption></figure><p>La diferencia no está en que el chatbot escriba mejor. <strong>Está en que la operación detecta, prioriza, coordina y aprende de una forma que antes dependía de personas conectando manualmente cada pieza.</strong></p><h3>Entonces, ¿por qué Claude Cowork o ChatGPT Work no son suficientes?</h3><p>Porque una herramienta horizontal puede ofrecer capacidades extraordinarias sin cambiar por sí sola el sistema operativo de una empresa. Su categoría comercial tampoco define nuestra madurez: el mismo producto puede funcionar como asistencia individual, como agente dentro de un flujo o como componente de una operación más amplia.</p><p><strong>Acceso no es contexto.</strong></p><p>Una licencia permite consultar una herramienta. No garantiza que la IA entienda al cliente, el caso, el producto, el riesgo, el historial y las políticas con información actualizada y permisos correctos.</p><p><strong>Capacidad no es autoridad.</strong></p><p>El modelo puede proponer una acción, pero si no puede ejecutarla en sistemas reales, o nadie ha definido cuándo está autorizado a hacerlo, la coordinación continúa siendo humana.</p><p><strong>Muchos agentes no son orquestación.</strong></p><p>Crear un agente para cada tarea puede producir otra capa de fragmentación. Una operación necesita responsabilidades claras, memoria compartida, dependencias, permisos, recuperación de fallos y mecanismos de escalamiento.</p><p><strong>Un output no es un outcome.</strong></p><p>Producir más reportes, mensajes o alertas no significa mejorar el negocio. La operación debe medir si resolvió una necesidad, evitó una pérdida, tomó una mejor decisión o redujo fricción.</p><p><strong>Automatizar un proceso roto puede hacerlo más rápido, no mejor.</strong></p><p>Si el trabajo tiene datos duplicados, controles redundantes, decisiones ambiguas y handoffs innecesarios, agregar agentes puede esconder el problema durante un tiempo. No lo elimina.</p><p>Estas herramientas sí tienen un papel importante. Permiten aprender, democratizar capacidades, descubrir oportunidades y capturar quick wins. El error es presentarlas como el destino cuando apenas son una parte del camino.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*dpFc56BSSMAMqzTmmUWCOA.png" /><figcaption><em>Democratizar la creación de outputs no garantiza productividad organizacional ni mejores outcomes.</em></figcaption></figure><h3>El humano no sale del proceso: cambia de nivel</h3><p>Una operación AI-Native no busca que una persona apruebe cada acción. Eso eliminaría gran parte del valor. Tampoco busca que ningún humano pueda intervenir. Eso sería irresponsable.</p><p>La solución es diseñar la autonomía según el riesgo.</p><p>Acciones simples, reversibles y de bajo impacto pueden ejecutarse automáticamente. Acciones moderadas pueden correr con monitoreo o muestreo. Decisiones sensibles necesitan aprobación. Baja confianza, información contradictoria o una excepción deben provocar escalamiento.</p><p>En ese modelo, el trabajo humano cambia: de buscar información a interpretar; de copiar entre sistemas a decidir; de coordinar tareas a establecer políticas; de revisar todo a revisar excepciones; de producir cada output a gobernar la calidad y el resultado.</p><p>Esto no significa que el cambio sea fácil. Algunas tareas desaparecen, otras se combinan y otras requieren nuevas capacidades. Los managers pierden parte del control que antes ejercían mediante aprobaciones y seguimiento manual. Los equipos deben aprender a confiar sin dejar de cuestionar. Y la organización debe medir resultados, no actividad.</p><p>El mayor reto humano no es aprender a escribir prompts. <strong>Es rediseñar el contrato entre personas, procesos y decisiones.</strong></p><h3>El mismo cambio en otras áreas</h3><p>Customer Service permite ver el modelo completo, pero el patrón aparece en funciones muy distintas. Estos ejemplos no pretenden cerrar el diseño; buscan abrir la conversación.</p><h3>Creatividad: de producir piezas a orquestar conversaciones</h3><p>Generar textos o imágenes aisladas acelera la producción. Una operación AI-Native conecta conocimiento, preguntas de clientes, prioridades y desempeño; detecta historias relevantes, crea una narrativa central, la adapta por canal, distribuye y aprende. El equipo editorial conserva la voz, la sensibilidad y los criterios de aprobación.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_erH6qRAvXRtN3v6e4qnnA.png" /><figcaption><em>Una operación de Creatividad AI-Native convierte señales y conocimiento en una narrativa coordinada, adaptada a distintos canales y conectada con resultados.</em></figcaption></figure><h3>Anti Fraude: de revisar alertas a prevenir en tiempo real</h3><p>Las reglas estáticas pueden automatizar alertas sin entender relaciones. Una operación más avanzada mantiene un grafo vivo de clientes, cuentas, contrapartes, dispositivos y eventos; actualiza riesgo, detecta patrones emergentes y decide cuándo permitir, autenticar, retener o bloquear. Las personas investigan excepciones y decisiones materiales con evidencia ya organizada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eCR14Wc1-ottKA7R0mAqxw.png" /><figcaption><em>En fraude, el salto ocurre al pasar de alertas aisladas a una red de contexto, decisiones y acciones en tiempo real.</em></figcaption></figure><h3>Asesoria: de buscar información a anticipar necesidades</h3><p>Un asistente puede responder preguntas, pero aporta poco si el asesor todavía debe reconstruir al cliente en varios portales. Una operación AI-Native mantiene un modelo vivo de objetivos, portafolio, riesgo, interacciones y contexto; detecta una necesidad, prepara una siguiente acción y libera al asesor para aportar criterio, empatía y confianza.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*V-stg9CYv9cdWmTzi6ZYDg.png" /><figcaption><em>En Asesoria, el humano se ve potencializado por el AI.</em></figcaption></figure><h3>No todo tiene que ser AI-Native</h3><p>También debemos evitar convertir AI-Native en el siguiente buzzword. El nivel cuatro no es moralmente superior ni siempre es económicamente razonable. Una tarea ocasional puede resolverse muy bien con un copilot. Un proceso regulado puede necesitar límites estrictos. Una decisión profundamente humana puede no beneficiarse de más autonomía.</p><p>La madurez consiste en escoger conscientemente dónde rediseñar, dónde integrar, dónde automatizar y dónde no usar IA. El objetivo no es maximizar la tecnología; es mejorar el resultado sin perder responsabilidad.</p><h3>La pregunta incómoda</h3><p>La mayoría de las organizaciones ya usa IA. La pregunta ya no es si sus equipos tienen una licencia, un chatbot o un agente.</p><p>La pregunta es si la IA solamente ayuda a ejecutar trabajo que las personas ya definieron, o si la organización está construyendo la capacidad para observar, decidir, coordinar, actuar y aprender de forma responsable.</p><p>Para saberlo, yo haría cinco preguntas muy concretas: ¿quién detecta que algo requiere atención? ¿quién decide la prioridad? ¿quién reúne el contexto? ¿quién coordina la acción? ¿el resultado regresa al sistema y cambia la siguiente decisión?</p><p>Si todas las respuestas siguen dependiendo de una persona conectando manualmente herramientas y equipos, todavía estamos usando IA dentro de una organización tradicional. Probablemente con más velocidad. Tal vez con mejores outputs. Pero no de una forma AI-Native.</p><p>Y sí: estamos lejos. El camino exige datos, integración, arquitectura, gobierno y modelos confiables. Pero, sobre todo, exige rediseñar procesos, roles, autoridad, métricas e incentivos. Ese es el trabajo complejo. También es donde está el valor que ninguna instalación puede capturar por sí sola.</p><p>Instalar IA puede mejorar una tarea. <strong>Transformar una organización exige reinventar cómo empieza el trabajo, cómo se decide, cómo se ejecuta y quién responde por el resultado.</strong></p><h3>AVISO LEGAL</h3><blockquote><em>El contenido de este blog tiene fines informativos y refleja únicamente la perspectiva del autor. No constituye asesoría profesional, financiera, legal ni de inversión. GBM no garantiza la exactitud, integridad ni actualidad de la información publicada. Cualquier mención a productos, servicios o tecnologías no implica recomendación por parte de GBM. El acceso y uso de este contenido es responsabilidad exclusiva del lector. Para información oficial, consulte los canales institucionales de GBM.</em></blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d78f105898c4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbm-tech/cada-nueva-herramienta-de-ia-me-recuerda-lo-lejos-que-estamos-d78f105898c4">Cada nueva herramienta de IA me recuerda lo lejos que estamos</a> was originally published in <a href="https://medium.com/gbm-tech">GBM Tech</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>