9 verdades incómodas sobre IA que ningún consultor te va a decir

Tu ventaja competitiva no será qué modelo usas — todos tendrán acceso a los mismos. Será si tienes datos operacionales limpios que nadie más puede replicar: la temperatura exacta a la que un huésped pide que baje el aire antes de quejarse, el patrón de consumo en buffet que predice satisfacción, los ciclos de mantenimiento que anticipan roturas. Eso no lo tiene Booking. Eso no lo tiene Marriott. Eso lo tiene quien lo capture primero.

Con 25 modelos desplegados y datos no estructurados sin control, el primer paso no es más IA — es un "data census" brutal. Pero ojo: los datos están fragmentados en decenas de sistemas, y muchos son tecnologías legacy que ni siquiera pueden conectarse a un agente de IA. Un agente buscando "dónde tenemos más riesgo en contratos con proveedores" encontrará diez sistemas distintos, y en la mitad encontrará el documento equivocado. Antes de más modelos: inventario de datos, limpieza, y un sistema único de verdad para datos operacionales.

Ejemplo real: automatizas las derivaciones de pacientes a radiólogos. Genial, ya no necesitas operadores telefónicos. Pero la cita sigue siendo dentro de 18 meses porque no hay suficientes radiólogos. Lo único que has hecho es hacer visible la escasez real. En hotelería pasará exactamente lo mismo: automatizarás el pricing dinámico, la asignación de habitaciones, la respuesta a reseñas. Y descubrirás que tu verdadero cuello de botella era otro — quizás la velocidad de decisión del revenue manager, quizás la calidad de los datos de satisfacción, quizás la capacidad de mantenimiento para ejecutar lo que la IA recomienda.

Antes de desplegar más IA, mapea las "restricciones reales" de cada proceso que quieras automatizar. No la tarea manual que desaparece — eso es fácil. Sino: ¿qué paso humano de alto juicio hay detrás que hoy está oculto porque todo es lento? Cuando la IA acelere 10x la generación de propuestas, informes o contratos, ¿quién los revisa? ¿Quién los aprueba? Si no tienes esa respuesta, vas a crear una autopista que termina en un atasco.

Tu equipo de Data podrá producir lo que hoy necesitaría un equipo de 15. Pero el dato más honesto de los mejores usuarios de IA del mundo: con los mejores modelos del mercado, sigues teniendo que modificar un 15% del output. No estamos ni cerca de eliminar al humano del flujo de trabajo. Lo que hemos hecho es cambiar dónde entra el humano: ya no escribe desde cero, pero revisa, corrige, y aprueba a mayor escala. Y eso requiere un tipo de juicio diferente — más exigente, no menos.

Definir qué sistemas son "Tier 1" (donde un error de IA tiene impacto financiero o reputacional directo — pricing, comunicación a huéspedes, compliance) vs. "Tier 2" (donde puedes iterar rápido). Sin un proceso de corrección de errores en modelos, cada modelo desplegado genera contenido incorrecto que nadie revisa. No se necesitan más modelos — se necesita un sistema nervioso que detecte cuándo el modelo falla.

La difusión de la IA va a tardar más de lo que Silicon Valley cree. No es un ciclo de 18 meses — es un ciclo de 10 años de transformación real, igual que fue el cloud. Las empresas tienen presupuestos anuales atados a EPS, equipos de compliance, reguladores que aparecen cuando algo sale mal. No puedes desplegar un agente que genere propuestas para clientes sin que un humano las revise — porque si algo sale mal, no puedes culpar a Anthropic. Alguien tiene que ser responsable. Y el momento en que alguien tiene que ser responsable, necesitas propiedad, accountability, y personas que entiendan tanto la tecnología como el negocio.

El equipo de Data no puede ser un silo técnico que "sirve" al negocio. Necesita business partners de IA embebidos en Revenue, en Operaciones, en Sostenibilidad. Y aquí viene lo que nadie dice: los servicios profesionales de IA van a ser más grandes y más duraderos de lo que la industria cree. Se necesita un socio que entienda tanto los modelos como el PMS, tanto los datos como el yield management en temporada alta. El modelo operativo hay que diseñarlo antes de contratar a nadie más.

Los agentes van a usar tu software 100 veces más que las personas. La pregunta clave para cualquier proveedor de software ya no es "¿cuántas funcionalidades tiene tu interfaz?" sino "¿cuántas APIs tienes, cuánta lógica de negocio está embebida en ellas, y están preparadas para agentes?" Un ERP no es solo una base de datos — tiene décadas de lógica de supply chain, contabilidad, automatización. Eso no desaparece. Lo que desaparece es la pantalla con 93 botones. La interfaz del futuro es un agente que conecta ERP, CRM, HR y repositorio de documentos en background, sin que el usuario toque nada.

Auditar todos los sistemas core con una pregunta simple: "¿puede un agente de IA operar esto sin pantalla?" Tu PMS, tu channel manager, tu sistema de reservas — ¿tienen APIs robustas con lógica de negocio real, o son solo pantallas que consultan una base de datos? La próxima vez que renueves contrato con un proveedor, la cláusula clave no es el precio — es la calidad de su API y si está diseñada para agentes.

Este rol no es opcional — es la pieza que falta entre la tecnología y la transformación real. Alguien técnicamente competente que entiende MCPs, CLIs, sabe escribir skills para agentes. Pero además tiene que entrar en tu equipo de marketing, o de legal, o de operaciones, y decir: "Si queremos sacar partido real a la automatización, tenemos que rediseñar este flujo de trabajo para que el agente haga la mayor parte del trabajo, no la persona." Y cuando caiga un modelo nuevo y el agente se rompa porque cambia la forma en que interpreta las instrucciones, esta persona tiene que saber arreglarlo.

En el equipo de Data, al menos una persona debería tener este perfil. No programador puro. No gestor puro. Alguien que traduce "queremos maximizar RevPAR sin deteriorar satisfacción" en instrucciones precisas para un agente — y luego vigila que lo haga bien. Insight duro: este perfil no existe en el mercado. No puedes contratarlo hecho. Tienes que formarlo internamente con alguien que ya conozca el negocio hotelero, o traer a alguien técnico y sumergirlo en operaciones durante meses.

El coste de los tokens cae un 80% cada año. Pero aquí viene el cambio que ningún CIO ha procesado todavía: el presupuesto de IA tiene que salir de IT y pasar a OPEX del negocio. Históricamente, nunca ha existido una tecnología que pudieras vender fuera del presupuesto de IT corporativo. La IA es la primera. Puedes ir al director de Revenue y decir: "Te ofrezco un agente que aumenta tu productividad un 50% — dame el 5% de tu presupuesto operativo." Eso potencialmente duplica el gasto total en tecnología de la empresa. No es un ajuste — es un cambio de categoría presupuestaria.

Dejar de tratar la IA como "un proyecto de IT" con un presupuesto de IT. Si el agente que optimiza pricing genera un 3% más de RevPAR, eso no es gasto de IT — es inversión de Revenue. Cada modelo desplegado debería tener un mecanismo automático para capturar cuándo acierta, cuándo falla, y retroalimentarse. Con 25 modelos sin proceso de corrección, hay 25 modelos que no aprenden. El governance MVP no es burocracia: es el sistema que convierte gasto en inversión con retorno medible.

Los agentes van a leer cada contrato, generar cada informe, crear cada activo de marketing, escribir cada respuesta a reseñas. La cantidad de datos no estructurados que se generen va a multiplicarse por órdenes de magnitud. Y todo ese contenido necesita gobernarse, securizarse y almacenarse. Le hemos dado a nuestros ordenadores una ametralladora para generar información y trabajar con todos nuestros datos — pero las reglas de quién puede ver qué, quién es responsable de qué, y cómo se audita qué, no han cambiado. La regulación no desaparece porque el output lo escriba un agente.

El problema de datos no estructurados sin control va a empeorar exponencialmente con agentes generando contenido. Antes de desplegar más agentes: un repositorio único para datos no estructurados con control de acceso real, un sistema de versionado (quién generó qué, cuándo, y qué modelo usó), y reglas claras de retención. El governance de IA no es solo sobre modelos — es sobre todo lo que esos modelos producen.

El trabajo de nivel de entrada en Revenue, Legal o IT (extraer datos de contratos, cruzar Excels de tarifas, picar código base) es exactamente el que los LLMs hacen mejor. La tentación matemática es eliminar esas posiciones junior para capturar eficiencia inmediata. Pero el "15% de output que el humano tiene que corregir" requiere intuición de negocio, y esa intuición históricamente se adquiere sufriendo 24 meses haciendo el trabajo aburrido y depurando errores.

Si delegas el 100% de la ejecución básica a los agentes, en 2028 sufrirás una crisis de "des-capacitación" (deskilling): operadores que aceptan ciegamente los resultados de la IA porque nunca construyeron los músculos mentales para detectar una cláusula de proveedor tóxica o un error sutil en la paridad de precios. Es la trampa de la nivelación: producción masiva sin comprensión subyacente.

Rediseñar la trayectoria de formación interna. El valor de un analista o desarrollador de primer año cambia por completo. Implementa una metodología de "Simulador de Vuelo": obliga a los nuevos empleados a operar sin IA durante un trimestre para construir contexto del PMS y la operación real. Luego, los seniors deben inyectar deliberadamente "alucinaciones" o errores lógicos en el output de la IA para auditar si el perfil junior los caza.