“No sé qué estoy haciendo con la IA”. Esto fue lo que el director ejecutivo de una empresa mediana que cotiza en bolsa me susurró en voz baja a principios de este año. Ya había implementado un conjunto obligatorio de clases de dominio de la IA para toda la empresa. También realizó el curso en línea y se sintió más seguro al iniciar su maestría en Derecho. Pero sabía que debía hacer más. También sabía que debía impulsar a su equipo a utilizar la IA como algo más que un motor de búsqueda potente.
Diez meses después, después de algunas sesiones de análisis profundo con él y su equipo sobre cómo crear bots personalizados, interactuar con indicaciones y tener debates significativos sobre los problemas que realmente estaban tratando de resolver, él y su equipo están en un lugar muy diferente.
Sin embargo, muchos líderes siguen atrapados en la espiral del «no sé lo que no sé», dedicando más tiempo a disimular esta postura que a profundizar en las herramientas y trabajar con sus equipos para identificar los problemas que intentan resolver o los flujos de trabajo actuales que intentan optimizar. Un ejecutivo me comentó recientemente que deseaba que «todo esto desapareciera» y que pudiéramos volver a «como antes».
Ya sabemos que la IA no va a desaparecer. Al contrario, se está fortaleciendo. Pero lo que me impactó al reflexionar sobre este año es que líderes como él no tienen dificultades por falta de información.
Están luchando porque han estado experimentando cuando podrían haber estado explorando.
Maria Popova, en su boletín The Marginalian , me explicó esta distinción: «A lo largo del camino, seguimos confundiendo experimento y exploración. Un experimento prueba o refuta una teoría existente; su resultado son datos, fijos y binarios. Una exploración es una travesía de lo desconocido, de paisajes que ni siquiera sabías que existían, con todo el coraje, la vulnerabilidad y la apertura a la experiencia que eso exige; su resultado es el descubrimiento».
La mayoría de las empresas dedicaron 2025 a realizar experimentos. Lanzaron pilotos con KPI predefinidos, midieron el tiempo ahorrado e informaron los resultados a los directivos. Pero comenzaron con una hipótesis que querían comprobar, buscando cómo podían vincularla con las métricas, especialmente las que indicaban que las cosas iban más rápido en el negocio. Están implementando la estrategia, no ejecutándola.
Muchas empresas experimentaron mucho, pero no estoy seguro de cuánto aprendieron o cambiaron.
Rita Sallam , analista distinguida de Gartner, ha estado monitoreando esta brecha. En su último estudio , predice que, para 2027, el 60 % de los proyectos GenAI se abandonarán tras la prueba de concepto debido a datos inadecuados para IA, gobernanza y controles de riesgos ineficaces, aumento de costos o valor comercial incierto.
Las empresas que se tomaron el tiempo de explorar en 2025 aprendieron mucho más sobre su negocio y hacia dónde deben dirigirse en 2026, principalmente de maneras que no previeron. Esto no significa que no contaran con métricas ni comités de gobernanza. Simplemente significa que no se detuvieron ahí. ¿Recuerdan esos proyectos que tuvieron tiempo de probarse y analizarse a fondo, solo para darse cuenta de que era un problema subyacente que debía resolverse, en lugar del problema inmediato u obvio? Eso es
explorar .
Del fracaso rápido a la eficacia de la IA
Muchos equipos con los que he trabajado saben que detesto las frases típicas de Silicon Valley. «Fallar rápido» está entre las primeras de la lista. En mi trabajo, lo he cambiado discretamente por «aprender rápido», pero ni siquiera eso lo abarca. Lo que realmente intentamos es ejecutar con mayor eficacia. Y la ejecución requiere algo que «fallar rápido» omite convenientemente: cambiar el comportamiento en función de lo aprendido.
Observé cómo las organizaciones acumulaban información a un ritmo impresionante. Implementaron programas piloto. Encuestaron a sus empleados. Compararon sus resultados con los de la competencia. Desarrollaron presentaciones. Informaron a la junta directiva. Y luego siguieron haciendo lo que ya hacían. Algunas incluso trabajan más rápido ahora, gracias a la IA. Pero más rápido no es lo mismo que mejor.
Una empresa me comentó que quería profundizar en Agentic AI. Cuando les pregunté cómo usaban su licencia empresarial de ChatGPT, me respondieron que no. Por eso querían centrarse en Agentic AI. La lógica era desconcertante: saltarse los fundamentos, ir tras lo siguiente y esperar que funcione. Eso no es aprender rápido. Ni siquiera es fracasar rápido. Eso es simplemente esperar que la próxima herramienta resuelva lo que la anterior no pudo.
Experimentar y fallar no modifica los comportamientos ni los procesos de una organización. La exploración y la ejecución basadas en esos aprendizajes y cambios de comportamiento sí lo hacen.
Recientemente hablé con tres líderes que están haciendo esto de manera diferente.
¿Qué es la ejecución de IA?
Entonces, ¿cómo se ve realmente la ejecución? Stacey Taylor, vicepresidenta de Implementación y Cambio de Visa, me contó cómo lideró la implementación de GenAI en toda la empresa con Microsoft 365 Copilot. El resultado: una adopción del 98 % y mejoras de productividad mensurables. Pero si bien el resultado es fantástico, cómo lo logró con su equipo es aún más interesante.
Taylor trató el lanzamiento como una campaña de marketing, no solo como un proyecto de gestión de cambios. Utilizó lo que ella llama el marco «ACT»: Audiencia, Conexión, Sintonización: Sepa con quién está hablando; Genere confianza a través de una comunicación transparente; Escuche e itere según lo que está escuchando. El liderazgo del cambio, idealmente, es iterativo, especialmente el manual de liderazgo del cambio actual. Pero el enfoque de marketing de Stacey siempre se ha basado en la iteración. No lanzan una campaña y la abandonan. Observan lo que funciona, eliminan lo que no y se ajustan semanalmente, a veces a diario. Taylor aplicó esa misma disciplina a la adopción de la IA. Su equipo realizó pruebas A/B para cuantificar el ahorro de tiempo real, no el proyectado. Construyeron bucles de retroalimentación que les permitieron corregir el rumbo en tiempo real.
Cindi Howson , directora de datos y estrategia de IA en ThoughtSpot, me comentó que ella llama a esto una filosofía de «progreso por encima de la perfección». En lugar de debatir interminablemente qué LLM es la opción correcta, elija uno y aprenda de los resultados. Los primeros logros informan sobre mejores decisiones en el futuro. Compartió que en ThoughtSpot creen que «la IA no se trata de IA. Se trata del ROI. Ya sea GenAI o Agentic AI, no se trata del ROI proyectado en una presentación. Se trata de resultados tangibles de proyectos que resuelven problemas empresariales reales».
Pero esto es lo que hace posible ese ciclo: una cultura que no castiga la ignorancia. Howson ha visto lo que sucede cuando esto falta: «Si recurres a los procesos tradicionales, puedes dejar que el miedo y la resistencia al cambio te frenen y te obstaculicen». Las empresas que lo implementaron en 2025 no fueron las que contaban con la mejor estrategia de IA. Eran las que ya habían desarrollado la fuerza cultural para aprender en voz alta, adaptarse rápidamente y cambiar con rapidez, sin esperar permiso.
El cambio necesario hacia la IA
El ritmo no disminuye. Las herramientas mejoran. La presión para adoptar se intensifica. Pero las empresas que se adelanten no serán las que más aprendan. Serán las que dejen de experimentar y empiecen a explorar: desarrollando la fuerza para iterar, ajustar y ejecutar.
Eso requiere comprender dónde se encuentra realmente antes de decidir adónde ir. Taylor no inició el lanzamiento de Visa con un mandato. Empezó por comprender a su público: dónde se encontraban, qué temían, qué necesitaban. La exploración comienza con el estado actual, no con el estado deseado.
Y requiere reconocer qué frena a sus líderes. Howson ve a demasiados ejecutivos estancados en lo que ella llama la respuesta de lucha o huida ante la IA: «Algunos se resisten rotundamente, otros huyen a nuevos puestos ante la volatilidad, y muchos simplemente se paralizan, prefiriendo la inacción al riesgo».
Esa parálisis se refleja en los datos. Sallam también señaló que nadie entiende el sentido de ese estudio viral del MIT que afirma que el 95 % de los pilotos de IA fracasan. El fracaso no fue la tecnología, sino la falta de claridad en la obtención de valor comercial y la insuficiente inversión en las capacidades fundamentales necesarias para el éxito: datos preparados para la IA, procesos intencionales y reelaboración de tareas, junto con la formación y la gobernanza.
Cómo aprovechar la IA eficazmente en 2026
Entonces, ¿qué requiere realmente la exploración en 2026? Algunas cosas:
Empiece por el estado actual, no por el deseado
Antes de pedir a sus equipos que hagan nada más, primero comprendan la situación actual de su personal: qué temen, qué necesitan y qué flujos de trabajo o procesos quieren cambiar. ¿Qué datos tenemos? ¿Qué funciona ya y no necesita cambiarse? ¿Y qué necesitamos o queremos cambiar?
Utiliza las herramientas tú mismo
No puedes liderar la exploración a distancia. Ese director ejecutivo que no sabía por dónde empezar se puso manos a la obra y exploró diferentes maneras de usar las mismas herramientas.
Crea ciclos de retroalimentación que se desarrollen semanalmente, no trimestralmente
Si solo revisas el progreso de la IA en reuniones trimestrales de todo el equipo o, peor aún, en reuniones de la junta directiva, estás experimentando. La exploración requiere ajustes en tiempo real.
Mide el aprendizaje, no solo el ROI
Si tu única métrica es el impacto en las pérdidas y ganancias a los seis meses, abandonarás el trabajo antes de que dé frutos. Monitorea lo que descubres, cómo iteras y qué está cambiando. Es una ventaja si identificas nuevos problemas que solucionen otros tres.
Recompensa la incertidumbre
Si tu cultura castiga la incertidumbre, tus líderes se quedarán paralizados. Asegúrate de decir «Aún no lo sé» en voz alta.
Taylor empezó por comprender a su audiencia. Howson asesora a los clientes de ThoughtSpot sobre cómo adoptar GenAI de forma que se recompense el aprendizaje. Sallam nos sigue señalando lo que realmente muestran los datos. Los tres describen lo mismo en contextos diferentes: cómo se ve explorar en lugar de experimentar.
Lo cual me lleva de nuevo a ese CEO. El antídoto no es más conocimiento. Es la disposición a decir en voz alta lo que me susurró: «No sé qué hago con la IA».
Eso no es una confesión. Es el punto de partida para la exploración de la IA.
