Cómo integrar IA en una organización: primero el proceso

Un orden de trabajo para llevar la IA a una empresa: hacer explícito el proceso, nombrar los riesgos y ampliar la autonomía cuando la estructura la sostiene.

Para integrar IA en una organización, empieza por el proceso: haz explícito cómo se hace el trabajo, cómo se deja evidencia y cómo se conoce el estado real de un proyecto, y después mete al agente. La autonomía llega al final, como consecuencia de la estructura que rodea al agente, y no como la primera decisión.

Qué significa integrar IA en una organización

Integrar es más que darle un asistente a la gente. En un marco que escribí en 2023 describí cuatro formas en que un modelo de lenguaje entra a una empresa:

  • Herramientas de productividad para empleados. La gente usa asistentes para mejorar su propia productividad.
  • Una llamada a la API de un modelo. Una aplicación gana una función al llamar a un modelo.
  • Decisiones internas. Un modelo queda detrás de aplicaciones internas que informan decisiones.
  • Aplicaciones de cara al cliente. Lo que escribe el cliente guía el prompt, y la respuesta le llega directo.

Elegir entre ellas importa, pero no es el primer paso. El primer paso es el proceso dentro del cual va a trabajar el modelo.

Por qué el proceso va antes que la autonomía de un agente

En un proyecto donde fui parte de un grupo pequeño de personas, el trabajo no empezó con la idea de darle más autonomía a un agente. Empezó por hacer explícitos los procesos: cómo dejar evidencia, cómo conectar una historia con un cambio, cómo revisar, cómo dar seguimiento y cómo entender el estado real del proyecto.

Muchas de esas prácticas ya existían, repartidas entre personas y herramientas. Volverlas consistentes y observables redujo la ambigüedad del sistema.

Eso cambió la relación con los agentes. Al principio pedían mucha supervisión, instrucciones específicas y una transferencia constante de contexto. Conforme el entorno se volvió más estructurado, el agente ya no tenía que reconstruir todo desde cero. Podía entender dónde estaba el proyecto, qué reglas seguir, qué acciones eran válidas y qué evidencia debía dejar.

La autonomía fue una consecuencia de haber fortalecido el sistema alrededor del agente.

Cómo hacer que un agente de IA pueda leer la información de la empresa

El segundo cambio está en cómo se trata la información. Deja de ser algo que una persona consulta cuando lo necesita. El repositorio, los tickets, los pull requests, los comentarios, los reportes y las decisiones ya no son registros aislados. Juntos forman una representación viva del estado del proyecto.

Sobre esa representación se pueden construir monitores, rutinas, revisiones y agentes, sin que alguien vuelva a explicar todo el contexto.

La etapa siguiente es un entorno persistente que guarda ese conocimiento operativo: las reglas, el contexto, los procesos y la trazabilidad. No pretende ser "el agente principal". Su función es la continuidad. La interfaz puede cambiar y el modelo puede cambiar, y el proyecto conserva su estructura.

La última etapa es una interfaz común. Nadie debería tener que aprender cómo funciona por dentro todo el sistema agéntico para poder usarlo.

Modelo de un tercero o modelo propio: cómo decidir

El marco de 2023 separa dos caminos de despliegue: un modelo de un tercero, o un modelo abierto alojado en casa y entrenado con datos propios. Sus reglas son orientación general, no el registro de un despliegue.

  • Un modelo de un tercero puede traer más riesgos de privacidad y de seguridad de datos, y su costo puede escalar con el tiempo.
  • Un modelo alojado en casa puede traer más riesgos de seguridad, a menos que inviertas en especialistas en aprendizaje automático, seguridad y privacidad.
  • Si una aplicación única del modelo es vital para lo que distingue al negocio, considera desplegar y entrenar un modelo en casa.

Por dónde empezar con IA en una empresa: reglas de decisión

Estas reglas son mi consejo general, a partir de las fuentes de esta guía.

  • Si nadie puede describir cómo se hace hoy un trabajo, escribe el proceso antes de agregar un modelo.
  • Si el estado del trabajo vive en conversaciones y en la memoria de la gente, pásalo a registros que puedan leer una persona y un programa.
  • Si un agente necesita que le expliquen todo el contexto en cada tarea, arregla el entorno antes de cambiar de modelo.

Cómo integrar IA en una organización paso a paso

Los pasos son consejo general. Siguen el orden del ensayo Integrando IA en una organización.

  1. Elige un proceso que la gente ya opera.
  2. Escribe cómo funciona hoy: cómo llega el trabajo, cómo se deja evidencia, quién revisa y cómo se da seguimiento.
  3. Vuelve esas prácticas consistentes y observables entre personas.
  4. Pon los registros donde los lean personas y programas.
  5. Nombra el uso y el tipo de despliegue, y enlista los riesgos que les aplican.
  6. Mete a un agente con supervisión cercana e instrucciones específicas.
  7. Construye monitores, rutinas y revisiones sobre los registros.
  8. Amplía la autonomía del agente conforme el entorno le dé estado, reglas y acciones válidas.
  9. Consolida el conocimiento operativo en un entorno persistente.

Riesgos de usar modelos de lenguaje en una empresa

El marco de 2023 enlista seis categorías de riesgo.

  • Inyección de prompts. Entradas diseñadas a propósito llevan al modelo a acciones no autorizadas o a exponer datos.
  • Fuga de datos. El modelo expone información sensible o detalles propios de la empresa.
  • Envenenamiento de los datos de entrenamiento. Un modelo que aprende de texto comprometido puede desinformar a sus usuarios.
  • Denegación de servicio. Una interacción maliciosa degrada el servicio o dispara el costo de recursos.
  • Cadena de suministro insegura. Sus vulnerabilidades traen sesgos, brechas de seguridad o fallas del sistema.
  • Dependencia excesiva del contenido generado. Depender demasiado de una salida que puede estar mal lleva a desinformación.

El marco nombra los riesgos y no receta un control para cada uno. Para los controles de un tipo de conexión, lee la guía sobre cómo conectar una base de datos de forma segura con MCP.

Qué sale mal cuando la IA llega antes que el proceso

Los primeros tres puntos describen dónde empezó ese proyecto. El último sale del caso de manufactura esbelta.

  • El agente reconstruye el contexto cada vez. Pide supervisión, instrucciones específicas y una transferencia constante de contexto.
  • Las prácticas cambian de una persona a otra. Están repartidas entre personas, herramientas y formas de trabajar, y el agente hereda esa ambigüedad.
  • El conocimiento operativo se transfiere una y otra vez. Cada persona tiene que aprender cómo funciona por dentro el sistema agéntico antes de usarlo.
  • Un promedio esconde la capa débil. Si cuatro capas son fuertes y una es débil, la empresa paga por capacidad que no puede usar.

Un ejemplo resuelto: un método que viajaba por reunión

LeanManufacturing.mx es la plataforma de una práctica de manufactura esbelta con sede en Monterrey. Su método existía desde hace décadas. Un gerente de planta no podía alcanzarlo de noche, en español, sin agendar antes una reunión.

Yo construí la plataforma que lo dejó al alcance. Muestra la misma dependencia en un sistema pequeño: la IA descansa sobre conocimiento escrito.

  • El conocimiento está escrito y abierto. Un acervo de documentación cubre el método, y es también la base de recuperación del asistente del sitio.
  • Personas y agentes leen el mismo material. Un servidor MCP público deja que un agente de IA consulte la documentación que lee una persona.
  • El modelo puede cambiar. La generación corre por una interfaz compatible con OpenAI, así que el modelo que responde se cambia sin reescribir.
  • Un instrumento dice dónde invertir. Un autodiagnóstico hace quince preguntas desde el piso de planta en cinco capas: datos, lógica, interfaz, orquestación y retroalimentación. La capacidad real es el mínimo de las cinco, no el promedio.

Las mismas cinco capas aparecen en Structural Waste in Digital Operations, un paper en revisión que está en la página de investigación. Su resumen plantea tres proposiciones: la separación reduce el desperdicio, el flujo va antes que la automatización y la capacidad está acotada por la capa menos madura. La segunda se parece al orden que sigue esta guía.

Qué muestran estas fuentes y qué no

  • El ensayo sobre proceso y autonomía cuenta el orden en que pasaron las cosas en un proyecto, como trabajo de un grupo pequeño de personas. No mide cuánto bajó la supervisión.
  • El entorno persistente y la interfaz común aparecen ahí como etapas que se están consolidando, no como productos terminados.
  • El marco es de 2023 y no documenta un despliegue.
  • El paper está en revisión y su manuscrito todavía no es público. Según su resumen, la proposición de la capa más débil se demuestra como una banda y, por simulación, se distingue de los modelos aditivos. Un estudio preregistrado de 500 repositorios la puso a prueba, y su criterio congelado no se cumplió. El resumen lee ese resultado como un veredicto sobre el indicador indirecto y no sobre la afirmación entre capas.
  • El caso de estudio describe la plataforma pública de una práctica, no un programa de adopción dentro de una empresa. No da cifras de uso ni de resultados de negocio.

Qué leer después

Preguntas frecuentes

¿Cuál es el primer paso para integrar IA en una organización?

Hacer explícito un proceso antes de elegir un modelo. Escribe cómo llega el trabajo, cómo se deja evidencia, cómo se conecta una solicitud con un cambio, cómo se revisa y cómo se conoce el estado real. En el proyecto donde aprendí este orden, los agentes pedían mucha supervisión al principio, y eso cambió conforme esas prácticas se volvieron consistentes y observables.

¿Por qué el proceso va antes que la autonomía de un agente?

Un agente puesto en un entorno ambiguo tiene que reconstruir el contexto en cada tarea. Cuando el estado del trabajo, las reglas y las acciones válidas están escritos donde el agente puede leerlos, pide menos supervisión. En el proyecto que describo, la autonomía fue consecuencia de esa estructura y no el punto de partida.

¿Conviene usar un modelo de lenguaje de un tercero o alojar uno propio?

Depende del uso y de los riesgos que la empresa pueda manejar. Un modelo de un tercero puede traer más riesgos de privacidad y de seguridad de datos, y su costo puede crecer con el tiempo. Un modelo abierto alojado en casa necesita especialistas en aprendizaje automático, seguridad y privacidad para operar con seguridad. Considera alojar el tuyo cuando un uso único del modelo es lo que distingue al negocio.

¿Cuáles son los principales riesgos de usar modelos de lenguaje en una empresa?

El marco que escribí en 2023 enlista seis: inyección de prompts, fuga de datos, envenenamiento de los datos de entrenamiento, denegación de servicio, una cadena de suministro insegura y la dependencia excesiva del contenido generado. No todos pesan igual en cada uso. Empieza por los escenarios de alto riesgo que aplican a tu caso de uso y a tu tipo de despliegue.

¿Cómo sé qué parte de la operación mejorar primero?

Busca la capa más débil. El autodiagnóstico que construí para LeanManufacturing.mx califica cinco capas y toma el mínimo entre ellas, no el promedio, así que la siguiente inversión va a la más débil. El paper que plantea esa idea está en revisión, y su estudio preregistrado no cumplió su criterio congelado. Usa la regla como instrumento de trabajo y no como una medición confirmada.

Trabajo y evidencia

LeanManufacturing.mx (se abre en una pestaña nueva)

Mi contribución: Construyó la plataforma de una práctica de manufactura esbelta: un acervo abierto de documentación, dos herramientas de trabajo, un asistente de recuperación basado en ese acervo y un servidor MCP.

Qué respalda: Poner IA sobre un método documentado, de modo que personas y agentes lean el mismo material.

Qué no demuestra: Es la plataforma pública de una consultoría, no un programa de adopción dentro de una empresa cliente.

Fuente revisada:

Guías técnicas