Potenciación = Experiencia × IA
Casi el 90% de las empresas ya usa IA, pero solo el 6% saca un provecho real de ella. La diferencia no está en la herramienta: está en quién la usa.
Por Annder Rey · 5 min de lectura
Llevo meses repitiendo la misma frase hasta que terminó dándole nombre a este sitio: Potenciación = Experiencia × IA. No la repito porque suene bonita. La repito porque cada vez que reviso un proyecto —el mío o el de alguien que me pide ayuda— termino viendo lo mismo: la IA no arregla lo que uno no entiende, lo multiplica. Para bien y para mal.
Durante un tiempo esto fue solo una intuición mía. Ya no hace falta que lo sea, porque los números la confirman.
Los números ya no dejan dudas
McKinsey acaba de publicar su reporte anual sobre el estado de la IA en las empresas, y el resumen es casi incómodo: el 89% de las compañías ya usa IA en al menos un área de su operación, y el 80% de los empleados dice que su productividad personal subió con ella. Hasta ahí, todo bien. El problema es lo que viene después: solo el 37% de esas mismas empresas ve ese avance reflejado en sus resultados financieros reales. Y de ese grupo, apenas el 6% logra lo que McKinsey llama "alto desempeño": un impacto medible de verdad en sus utilidades.
Léelo otra vez. Nueve de cada diez empresas tienen la herramienta. Menos de una de cada quince consigue algo con ella.
Esa brecha es exactamente la multiplicación de la que hablo. Casi todo el mundo tiene acceso a lo mismo. Casi nadie saca el mismo provecho.
No es una suma, es una multiplicación
Si esto fuera una suma, cualquiera podría compensar la falta de experiencia poniéndole más IA encima. Pero es una multiplicación, y en una multiplicación, si un lado es cero, el resultado es cero, sin importar qué tan grande sea el otro número.
Lo contrario también aplica. Alguien con mucha experiencia que no toca la IA sigue haciendo bien su trabajo, solo que más lento, y dejando sobre la mesa horas que podría recuperar.
El ejemplo que más uso: "hazme una página web"
Esta es la parte que más me cuesta explicarle a la gente que recién está empezando con esto, así que voy a ser bien directo.
Hoy cualquier persona, sin saber una línea de código, le puede pedir a una IA que le construya una página web, y muy probablemente lo va a conseguir. Le va a entregar algo que carga, que se ve bien, que tiene su formulario de contacto. Hasta ahí, impresionante de verdad.
El problema empieza justo después de eso. Esa persona no sabe qué le acaban de entregar. No sabe qué es un dominio ni qué significa "publicar" o "desplegar" ese sitio para que exista en internet. No entiende por qué dejó de funcionar cuando tocó sin querer un archivo que ni sabía que estaba ahí. No tiene cómo revisar por qué los mensajes del formulario no le están llegando al correo, ni cómo reaccionar cuando el navegador empieza a marcarle el sitio como inseguro. La IA le dio el resultado. Nunca le enseñó, porque no hacía falta hasta ese momento, a sostenerlo.
Yo trabajo todos los días en proyectos donde ese conocimiento sí es indispensable: bases de datos, servidores, arquitectura de software. Y lo que veo en carne propia es que la IA me quita de encima muchísimo trabajo repetitivo al escribir código, pero la decisión de cómo estructurar el proyecto, qué conviene automatizar y qué no, y por qué algo se rompió a las tres de la mañana, sigue dependiendo enteramente de lo que yo ya sabía antes de que la IA existiera. Sin ese conocimiento previo, la misma herramienta que a mí me ahorra semanas, a otra persona la deja con un sitio bonito que no va a sobrevivir ni un mes sin ayuda de alguien más.
Cómo lo están haciendo bien las que sí ven resultados
Volviendo a los datos de McKinsey: las empresas que sí ven un impacto real no ganan por tener mejor tecnología. Casi todas compran las mismas herramientas. Ganan porque el 74% de ellas rediseñó primero la forma en que hacía su trabajo, y recién después metió la IA en el proceso ya ordenado. No conectaron un chatbot a un desorden y esperaron que el desorden se arreglara solo.
Ese es el orden que yo también sigo, y el que más le insisto a quien me pregunta por dónde empezar: primero entender el proceso a fondo, después decidir si de verdad hace falta IA ahí, y solo al final elegir la herramienta puntual. Empezar por la herramienta —ver una demo impresionante y salir a buscarle dónde encaja— es el camino más corto para terminar del lado del 94% que no consigue nada.
La experiencia no es solo "llevar años haciendo esto"
Un hallazgo que me pareció especialmente honesto viene de Anthropic, la empresa detrás de Claude: en su investigación sobre cómo distintos usuarios aprenden a sacarle provecho a la IA, concluyen que la herramienta "no reemplaza el conocimiento previo, lo amplifica". Es literalmente la misma idea que vengo repitiendo, dicha por quien construye la tecnología.
Y hay un matiz importante que aportó un estudio de KPMG con la Universidad de Texas, hecho con más de 500 profesionales que recién empezaban su carrera: ni el conocimiento técnico ni la capacidad analítica "de manual" predijeron quién terminaba usando bien la IA. Lo que sí marcó la diferencia fue el tipo de relación que cada persona construyó con la herramienta. Encontraron tres perfiles: quienes dejan que la IA les enseñe sin cuestionarla, quienes le delegan la tarea completa sin revisar nada, y quienes la usan para extender algo que ya sabían hacer —revisando cada respuesta, corrigiéndola, exigiéndole más.
Ese tercer grupo es la potenciación. No depende de los años que llevas trabajando, depende de si usas la IA para pensar por ti o para pensar más rápido lo que ya sabías pensar.
La IA es buena ejecutando lo que uno ya sabe explicar. Si todavía no puedes explicar tu propio proceso, paso a paso, en palabras simples, ese proceso todavía no está listo para automatizarse. Esa sigue siendo, para mí, la única pregunta que importa antes de abrir cualquier herramienta de IA.