Hay un escenario que se repite todos los días en toda la empresa. Un vendedor está a punto de cerrar un acuerdo importante. Quiere saber cuál será su comisión. Escribe la pregunta en ChatGPT o en su asistente de IA favorito. La respuesta es una explicación reflexiva y bien redactada de cómo las empresas de software suelen estructurar la compensación de ventas.
Una cosa que no les dirá es cuál será realmente su comisión si cierran este trato específico. Esa brecha, entre lo que la IA puede razonar y lo que sabe sobre tu negocio, es el desafío definitorio de la adopción de la IA empresarial en este momento.
Yo la llamo la capa de lógica. Y sin ella, la IA ofrece resultados que suenan increíbles, pero que a menudo están desconectados de cómo funciona tu negocio.
Por qué la lógica empresarial yace con el analista
Uno de los mitos más persistentes en el ámbito de la IA es que los analistas están a punto de volverse innecesarios.
La realidad es lo contrario, y la capa de lógica es precisamente la razón.
En una empresa habilitada para la IA, los analistas se vuelven más esenciales porque están más cerca de la lógica y el contexto que rigen el negocio. Saben qué definición de pipeline importa y qué casos límite importan en auditoría, comercialización, finanzas o marketing.
Creo que las empresas que triunfen en la era de la IA no se definirán por la cantidad de IA que implementen, sino por si las personas que comprenden el negocio poseen y controlan la inteligencia que lo impulsa.
Si esa posesión se transfiere completamente a TI o a una caja negra de proveedores, las empresas se arriesgan a escalar sistemas que no pueden adaptar o auditar completamente. Darle a los equipos comerciales las herramientas y el mandato para que sean dueños de su lógica es lo que hace que el sistema de IA sea confiable y responda a cómo funciona tu negocio.
Es por eso que veo a los analistas como los arquitectos de la siguiente fase.
Cómo se ve la capa de lógica en la práctica
Permítanme volver al ejemplo de las comisiones, porque ilustra el concepto con precisión. Ahora, cuando un vendedor necesita saber cuál es su comisión por una venta, le manda un mensaje al analista de comisiones. Ese analista tiene su propia hoja de cálculo, porque los planes de compensación cambian cada trimestre, con incentivos y programas especiales superpuestos. Hace los cálculos manualmente y envía una respuesta.
¿Qué pasaría si ese mismo analista creara una calculadora sencilla y bien definida que codificara la lógica de sus comisiones (las reglas reales de su empresa, sus planes, sus programas) y la conectara a los sistemas de IA que sus vendedores ya usan? Ahora, cuando un representante pregunta cuál será su comisión en una operación específica, obtiene la respuesta correcta. No una explicación genérica de cómo funcionan las comisiones.
Y aquí está el valor compuesto: el agente de planificación anual puede usar esa misma lógica para modelar las implicaciones de costos operativos de diferentes planes de compensación. Puede alimentar el modelo de planificación de escenarios que ejecuta cientos de simulaciones para la planificación financiera. El analista que la creó permite que toda una red de sistemas de IA actúe basándose en una lógica precisa y específica para el negocio.
Esa es la capa de lógica en la práctica: activos de datos y calculadoras seleccionados y creados para un fin específico, y que encapsulan cómo funciona tu negocio, ambos mantenidos por las personas que los entienden e implementables en cada sistema de IA que los necesite.
Lo que requiere la capa de lógica
Aquí es donde creo que la mayoría de las empresas se estancan. Hicieron las inversiones en infraestructuras. Tienen plataformas de datos en la nube y LLM aprobados. Sin embargo, les están pidiendo a esos sistemas que hagan cosas para las que nunca fueron diseñados.
La capa de lógica requiere tres cosas:
Activos de datos creados para un propósito. Un conjunto de datos conciso, claro y bien definido que refleje cómo se mide realmente un proceso empresarial específico.
Lógica empresarial codificada. Esta es la parte que vive en la mente de las personas en este momento: las políticas, los casos límite, el contexto que hace que los datos signifiquen algo.
La capacidad de actualizarla. Nadie dirige un negocio para que permanezca igual. La capa de lógica tiene que ser algo que los expertos de dominio puedan actualizar cuando el negocio cambia.
Un camino pragmático hacia el futuro
La buena noticia es que no tienes que esperar a tener una arquitectura perfecta para empezar a desarrollar una capa de lógica.
Empieza por los procesos de negocio más importantes y recurrentes: aquellos en los que un analista tiene que responder a las mismas preguntas semana tras semana. Estos son los procesos en los que la codificación de la lógica en un activo de datos seleccionado y preparado para la IA ofrece un valor medible inmediato.
Luego, empodera a tus analistas para que ellos sean los dueños de esa codificación, no TI. Ofréceles herramientas de código simple para hacer el trabajo, y el mandato de tratar esa lógica codificada como un activo estratégico que poseen y mejoran a medida que el negocio cambia.
Aquí es también donde importa la postura de liderazgo.
Hace tiempo que vengo diciendo que esto no debería plantearse como una elección entre el área comercial y de TI. Es de ambas áreas. El departamento de TI debe establecer normas, administrar la infraestructura, definir los límites de seguridad y poner a disposición de toda la organización las capacidades de IA aprobadas. Pero TI no debería convertirse en el cuello de botella para cada pieza de lógica de negocio que la empresa necesita operacionalizar.
Si esto te resulta familiar, debería, pues es así. Ya hemos visto este patrón antes en el ámbito de la tecnología empresarial. La infraestructura y las plataformas son importantes. Pero la última milla, la parte que convierte la capacidad en valor empresarial, siempre depende de las personas más cercanas al trabajo.
Con la IA pasa lo mismo.
Las empresas que saquen el máximo provecho de la IA serán aquellas que la traten como un modelo operativo. Automatizarán los flujos de trabajo principales, seleccionarán los datos adecuados y empoderarán a los analistas y expertos en la materia para definir la lógica que hace que la IA sea útil y genere respuestas que la empresa pueda aprovechar.
Recientemente tuve la oportunidad de profundizar en estas ideas en el podcast Talking AI. Si quieres saber más sobre mi perspectiva acerca de la evolución del rol del analista, cómo se conecta la capa de lógica con los flujos de trabajo basados en agentes y por qué creo que los próximos 18 meses serán cruciales para lograrlo, vale la pena escucharlo.