Inteligencia simbiótica · Parte II · Capítulo 8
La segunda capa
La adopción empresarial de IA presenta una paradoja.
La adopción empresarial de IA presenta una paradoja.
Las herramientas se difunden con una rapidez extraordinaria. Los empleados las utilizan. Las organizaciones anuncian pilotos, asistentes y agentes. La inversión aumenta. Sin embargo, la transformación sostenida avanza mucho más despacio.
Los datos de 2026 describen con bastante claridad esa distancia. El AI Index de Stanford situó en el 88 % la proporción de organizaciones encuestadas que utilizaban IA en al menos una función y en el 70 % las que utilizaban IA generativa, mientras el despliegue de agentes seguía en cifras de un solo dígito en casi todas las funciones.1 Una encuesta de McKinsey publicada en junio de 2026 encontró que cerca del 90 % de las organizaciones experimentaban con IA, pero solo el 7 % declaraba haberla escalado en toda la empresa.2 El Foro Económico Mundial resumió la tensión con otra cifra: pese a más de 250.000 millones de dólares invertidos globalmente en 2025, solo una cuarta parte de las empresas afirmaba observar un impacto transformador; muchas seguían superponiendo IA a procesos existentes en lugar de rediseñar la operación alrededor de la inteligencia.3
Las cifras proceden de muestras y definiciones diferentes. No deben sumarse como si midieran exactamente lo mismo.
Sí señalan un patrón común:
La adopción de herramientas ha avanzado mucho más deprisa que la integración en la forma.
Qué es una segunda capa
Una segunda capa aparece cuando la IA se añade a un proceso sin modificar la arquitectura que determina su funcionamiento.
El trabajador continúa operando como antes, pero dispone de una ventana adicional. Copia información, pregunta, recibe una respuesta y vuelve a copiarla al sistema principal.
La secuencia puede ser:
sistema real
→ copia manual a la IA
→ generación
→ revisión informal
→ copia manual al sistema realLa IA ayuda. Puede ahorrar tiempo, mejorar una redacción o proponer alternativas. Pero permanece fuera de la forma que conserva identidad, estado y autoridad.
El resultado suele producir alguna de estas situaciones:
- doble registro;
- información que sale del sistema canónico;
- pérdida de trazabilidad;
- dependencia de la habilidad individual;
- repetición de contexto en cada uso;
- outputs que nadie incorpora;
- y beneficios que no sobreviven a la persona que domina la herramienta.
La segunda capa no es inútil. Puede ser una fase de aprendizaje y generar productividad local.
El error consiste en confundirla con transformación organizativa.
La mejora local y el sistema completo
Una tarea puede acelerarse sin que el proceso entregue antes.
Un abogado redacta un escrito en la mitad de tiempo, pero sigue esperando días para localizar documentos o recibir instrucciones. Un programador produce más código, pero la revisión se convierte en cuello de botella. Un departamento genera más informes, pero nadie ha definido quién decide sobre sus conclusiones. Un equipo automatiza la clasificación, pero mantiene manualmente el mismo dato en tres aplicaciones.
La productividad local mide una operación.
La capacidad organizativa depende de la cadena completa.
Puede representarse así:
captura
→ identificación
→ análisis
→ decisión
→ ejecución
→ verificación
→ registro
→ aprendizajeSi la IA acelera solo el análisis, el límite puede desplazarse a la captura, la decisión o la verificación. El sistema produce más material intermedio sin transformar su resultado.
Esto explica por qué algunas organizaciones perciben simultáneamente:
- más velocidad individual;
- más volumen;
- más sensación de avance;
- y una mejora empresarial difícil de demostrar.
La forma antigua absorbe la potencia nueva y la distribuye entre sus fricciones.
La comparación con el ERP
La analogía con los ERP resulta útil si se utiliza con cuidado.
Un ERP no aportó valor principalmente porque permitiera escribir datos en una pantalla. Lo hizo cuando se convirtió en sistema de registro y organizó transiciones entre compras, inventario, facturación, contabilidad, producción y otras funciones.
Su potencia procedía de la integración:
- entidades comunes;
- estados compartidos;
- reglas;
- permisos;
- trazabilidad;
- y una arquitectura que evitaba reconstruir el proceso desde documentos aislados.
La IA generativa plantea un desafío diferente.
Un ERP tradicional ejecuta reglas relativamente deterministas. Un modelo generativo interpreta, propone y actúa probabilísticamente. No debe convertirse sin más en la fuente de verdad ni sustituir los registros que conserva la organización.
La lección del ERP no es «centralizarlo todo en la IA».
Es esta:
La capacidad aparece cuando la inteligencia se integra en las transiciones reales, sin absorber la identidad de los sistemas que conservan evidencia, autoridad y estado.
El ERP sigue siendo ERP. El expediente sigue siendo expediente. El correo conserva el original. SharePoint conserva el documento. Git conserva el código y su historia. La IA opera sobre esas fuentes, las relaciona y propone o ejecuta transiciones bajo reglas.
Eso es integración operativa.
La simbiosis como alternativa a la absorción
La incorporación de IA suele imaginarse entre dos extremos.
En uno, la IA es una herramienta exterior que ayuda cuando alguien la invoca.
En el otro, la IA sustituye el proceso y se convierte en un centro autónomo que decide y actúa.
La inteligencia simbiótica propone una tercera forma.
Las partes conservan identidad y función:
- la persona aporta finalidad, experiencia, criterio, autoridad y responsabilidad;
- el modelo aporta generación, comparación, interpretación y coordinación;
- las fuentes aportan evidencia;
- los sistemas de registro aportan identidad y estado;
- las herramientas ejecutan;
- los procedimientos estabilizan;
- y la verificación comprueba consecuencias.
La integración no consiste en que todo sea IA.
Consiste en que todo pueda operar como una unidad sin dejar de ser distinguible.
Seis niveles de madurez
Para evitar la confusión entre acceso e integración, resulta útil distinguir seis niveles.
Nivel 0 · Sin acceso operativo
La organización no utiliza IA de manera significativa o la prohíbe sin una alternativa.
Puede existir uso oculto por parte de empleados, precisamente porque la necesidad permanece y el sistema no ofrece una vía gobernada.
El problema principal es la ausencia de aprendizaje institucional.
Nivel 1 · Asistencia individual
Las personas utilizan herramientas generales para:
- redactar;
- resumir;
- traducir;
- idear;
- o consultar.
El valor depende de la habilidad de cada usuario. El contexto se reconstruye manualmente. La memoria y la verificación son informales.
Es el nivel de la segunda pantalla.
Nivel 2 · Tarea incorporada
La IA se integra en una función concreta:
- clasificación;
- extracción;
- búsqueda;
- revisión inicial;
- generación de un borrador;
- o análisis de una categoría estable.
Existen inputs y outputs definidos. El sistema puede medir tiempo, calidad y error.
La tarea mejora, pero no necesariamente el proceso completo.
Nivel 3 · Workflow orquestado
Varias tareas se conectan:
entrada
→ extracción
→ recuperación
→ propuesta
→ revisión
→ actuación
→ registroLa IA participa en transiciones reales. Hay herramientas, estado y mecanismos de error.
El workflow puede producir valor sostenido, aunque siga siendo frágil ante excepciones o cambios de contexto.
Nivel 4 · Rediseño de la forma operativa
La organización deja de automatizar el flujo heredado y revisa:
- qué unidad gobierna el proceso;
- qué información debe capturarse;
- dónde se forma criterio;
- qué decisiones pueden delegarse;
- qué autoridad corresponde a cada actor;
- cómo se verifica;
- y qué memoria debe quedar.
La IA forma parte del sistema desde su diseño.
Los estudios empresariales disponibles señalan precisamente el rediseño de workflows como uno de los factores más asociados a la obtención de impacto económico, aunque todavía una minoría de organizaciones declara haber realizado rediseños fundamentales.4
Nivel 5 · Sistema simbiótico de capacidad ampliada
En el último nivel, humano, IA, memoria, fuentes, herramientas y gobierno forman una unidad capaz de aprender y producir capacidades nuevas.
No se limita a ejecutar mejor un proceso definido. Puede:
- detectar diferencias no previstas;
- reorganizar el trabajo;
- producir nuevos artefactos;
- transferir conocimiento;
- y dejar una capacidad que continúa más allá de una interacción concreta.
La persona no desaparece. Cambia de función.
La IA no se limita a obedecer. Participa en la exploración, la propuesta, la crítica y la ejecución dentro de una autoridad situada.
La organización no acumula outputs. Construye memoria y criterio.
Diez condiciones de integración operativa
Un sistema no alcanza integración porque sus aplicaciones estén conectadas. Necesita diez condiciones.
1. Unidad de trabajo
Debe existir un objeto suficientemente estable alrededor del cual se organiza la operación: expediente, cliente, proyecto, producto, caso, investigación o proceso.
La unidad evita que cada interacción empiece desde cero.
2. Fuentes de verdad
El sistema debe declarar dónde vive el original de cada clase de información.
Correo, documento, código, registro, dato financiero, decisión o memoria no son intercambiables.
3. Identidad y estado
La unidad necesita un ID estable y un estado actual. Sin ellos, la IA puede producir textos relacionados sin saber qué transición pertenece al proceso.
4. Transiciones reales
Debe saberse cómo pasa el sistema de:
- recibido a identificado;
- de identificado a analizado;
- de analizado a decidido;
- de decidido a ejecutado;
- de ejecutado a verificado;
- y de verificado a aprendido.
La integración ocurre en esas transiciones.
5. Funciones diferenciadas
Cada componente debe conservar lo que aporta y lo que no puede asumir.
La IA no se convierte en fuente. La herramienta no se convierte en autoridad. La persona no se reduce a aprobador. El registro no se convierte en criterio.
6. Autoridad
Cada decisión debe tener una autoridad reconocible.
La autoridad puede estar distribuida, pero no puede ser indeterminada.
7. Estándares de output
La producción debe adoptar formas reutilizables y verificables:
- documento;
- registro;
- commit;
- tabla;
- informe;
- decisión;
- o actuación.
Un texto plausible sin estatuto no basta.
8. Verificación
Debe comprobarse el resultado en el sistema real.
No basta con que el agente declare que ha terminado.
9. Memoria y aprendizaje
La diferencia relevante debe quedar inscrita de modo que modifique operaciones futuras.
10. Continuidad y retirada
El sistema debe poder continuar cuando cambia el modelo, se retira un consultor o desaparece una conversación concreta.
La dependencia absoluta de una persona o proveedor indica que la capacidad todavía no ha sedimentado.
El caso de PRO 380
PRO 380 permite observar estas condiciones en formación.
El proyecto no se limita a una conversación sobre libros y webs. Tiene:
- un expediente identificado;
- SharePoint como memoria de gobierno;
- fuentes seleccionadas;
- un Manifiesto;
- decisiones registradas;
- lotes de producción;
- GitHub como futuro sistema técnico de construcción;
- Astro como proyección pública;
- Agustín como dirección y autoridad;
- varias IA como capacidad de investigación, escritura y revisión;
- Pepe y Claude como circuito técnico;
- y puertas de cierre antes de publicar.
El sistema todavía está desarrollándose. No debe presentarse como una demostración terminada.
Sí muestra una diferencia: la publicación ya no se produce como una serie de documentos independientes. Se organiza como una operación en la que teoría, contenido, código, fuentes, servicios y aprendizaje quedan relacionados.
La gran publicación no solo hablará de capacidad ampliada.
Será uno de sus primeros resultados públicos.
Por qué la integración cuesta
La segunda capa persiste porque es fácil de iniciar.
No exige revisar autoridad, procesos, sistemas heredados o responsabilidades. Basta con comprar acceso, activar una función o permitir el uso.
La integración operativa, en cambio, obliga a hacer comparecer preguntas que la organización podía evitar:
- ¿cuál es realmente la unidad del trabajo?;
- ¿qué dato es canónico?;
- ¿quién decide?;
- ¿por qué se repite esta tarea?;
- ¿qué parte del proceso existe solo por una limitación anterior?;
- ¿qué error puede tolerarse?;
- ¿qué debe quedar registrado?;
- ¿qué capacidad queremos que permanezca?;
La IA no crea esas preguntas. Las vuelve ineludibles porque amplía la posibilidad de actuar sin haberlas resuelto.
El beneficio no está en la capa
Las organizaciones preguntan cuánto tiempo ahorra la IA.
La pregunta es razonable, pero insuficiente.
El beneficio profundo puede aparecer en otros lugares:
- asuntos que antes no podían abordarse;
- proyectos que un equipo pequeño puede sostener;
- decisiones con más alternativas comparadas;
- memoria que deja de depender de una persona;
- conocimiento que se convierte en herramienta;
- procesos que detectan y corrigen errores;
- y capacidades que pueden transferirse.
La capacidad ampliada no es hacer lo mismo más deprisa.
Es modificar el campo de lo realizable.
Cierre: la tecnología existe, la forma no viene incluida
Al terminar esta parte podemos afirmar cuatro cosas.
Primera: la IA generativa actual ya no es solo un generador de respuestas. Puede formar parte de agentes y sistemas conectados que trabajan con archivos, herramientas, código, aplicaciones, estado y tareas prolongadas.
Segunda: la unidad adecuada no es el prompt aislado. Es una arquitectura de contexto que conserva mandato, identidad, evidencia, memoria, herramientas, permisos, autoridad, verificación y cierre.
Tercera: los fallos ya no son solo alucinaciones. Son fallos de recuperación, trayectoria, memoria, herramienta, seguridad, aprobación, revisión y forma.
Cuarta: la adopción no produce integración. La segunda capa puede aumentar productividad local y, al mismo tiempo, dejar intactas las transiciones que limitan a la organización.
La tecnología existe.
La forma no viene incluida.
Ese es el punto exacto en el que comienza la tercera inteligencia.
No aparece porque un modelo sea suficientemente potente. Aparece cuando componentes distintos se integran operativamente sin perder identidad y el sistema conjunto adquiere una capacidad que puede sostener, verificar y aprender.
La siguiente parte debe construir su teoría.
CUADERNO VIVO · Corte factual de la IA generativa
Fecha de corte: 17 de agosto de 2026.
Este cuaderno acompaña a la Parte II, pero no debe confundirse con su cuerpo estable. Productos, nombres, cifras y capacidades cambian con rapidez. La edición digital deberá revisarlo cerca de cada publicación relevante.
Capacidades disponibles en el campo actual
| Capacidad | Situación observada en 2026 | Consecuencia estructural |
|---|---|---|
| Trabajo con archivos y comandos | Los entornos de agentes pueden inspeccionar archivos, ejecutar comandos y editar código dentro de sandboxes. | El modelo pasa de generar instrucciones a participar en ejecución controlada. |
| Estado y continuidad | Existen runtimes e APIs que conservan historial, entorno y estado entre pasos o tareas prolongadas. | La memoria de trabajo deja de depender únicamente del prompt enviado en cada llamada. |
| Herramientas y conectores | MCP y otros mecanismos estandarizan acceso a datos, herramientas y workflows. | Aumenta interoperabilidad, pero también la necesidad de identidad, permisos y procedencia. |
| Ejecución en segundo plano | Los agentes pueden realizar tareas largas de forma asíncrona y continuar en entornos persistentes. | El control debe desplazarse desde cada microacción hacia mandato, puertas y observabilidad. |
| Sandboxing | Proveedores y plataformas incorporan entornos aislados para código y acciones. | La seguridad se diseña limitando el radio de daño, no confiando solo en la obediencia del modelo. |
| Agentes sobre aplicaciones | Navegación y computer use permiten actuar sobre interfaces. | Procesos antes no integrables por API pueden automatizarse, con mayor fragilidad y riesgo contextual. |
| Multimodalidad | Texto, audio, imagen, vídeo y documentos complejos entran en una misma operación. | El campo de evidencia se amplía y exige nuevos controles especializados. |
Indicadores de adopción e integración
- El Stanford AI Index 2026 sitúa el uso organizativo de IA en el 88 % y el de IA generativa en al menos una función en el 70 %, mientras el despliegue de agentes permanece temprano en la mayoría de funciones.1
- McKinsey informa de una brecha entre experimentación cercana al 90 % y escalado empresarial del 7 % en su encuesta de operaciones de 2026.2
- El Foro Económico Mundial estima que muchas organizaciones siguen superponiendo IA a procesos existentes y que solo una minoría declara impacto transformador.3
- Un estudio basado en declaraciones 10-K estimó que el 11 % de las empresas del S&P 500 tenían IA profundamente integrada en procesos en 2025 y otro 10 % la utilizaba en producción de bienes o prestación de servicios; los autores no encontraron todavía diferencias agregadas claras de productividad o inversión y describieron una curva de transición.5
- Un estudio sobre 35 países europeos encontró adopción laboral media del 12 % en 2024, con gran variación y sin detectar aún reestructuración de tareas atribuible a la adopción temprana.6
Estos datos no prueban una única causa. Sí son compatibles con la hipótesis central del capítulo 8: el acceso se difunde antes que la integración operativa.
NOTAS Y FUENTES PRIMARIAS
Footnotes
-
Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report, capítulo de economía. Según el informe, el 88 % de las organizaciones encuestadas utilizó IA en 2025, el 70 % utilizó IA generativa en al menos una función y el despliegue de agentes permaneció en cifras de un solo dígito en casi todas las funciones. ↩ ↩2
-
McKinsey & Company, Putting AI to work: The operational excellence imperative, 19 de junio de 2026. La encuesta informa de experimentación cercana al 90 % y escalado transversal del 7 %. ↩ ↩2
-
World Economic Forum y Kearney, The AI-First Operating System: A Blueprint for Operating and Business Model Innovation, 23 de junio de 2026. El informe señala más de 250.000 millones de dólares invertidos globalmente en 2025, impacto transformador declarado por el 25 % y persistencia de la superposición sobre procesos existentes. ↩ ↩2
-
McKinsey & Company, The state of AI: How organizations are rewiring to capture value, 2025. El rediseño de workflows fue el atributo más asociado al impacto en EBIT entre los evaluados; el 21 % de quienes utilizaban IA generativa declaró haber rediseñado fundamentalmente al menos algunos workflows. ↩
-
Yang Yu et al., «AI Adoption in S&P 500 Firms», arXiv:2607.08920, 2026. El estudio utiliza declaraciones 10-K para distinguir integración profunda de mención superficial y exige cautela al interpretar productividad y causalidad. ↩
-
Golo Henseke, «Generative AI at Work: From Exposure to Adoption across 35 European Countries», arXiv:2604.18849, 2026. El análisis usa la European Working Conditions Survey de 2024 y describe una fase transicional sin efecto detectable sobre reestructuración de tareas autodeclarada. ↩