Nik Suresh, consultor para grandes empresas, publica un artículo lleno de anécdotas anónimas sobre cómo la manía de IA está bloqueando las decisiones en las organizaciones con las que trabaja. Merece la lectura porque cuenta algo real que los textos de marketing no dicen.

El dato más claro es un ejecutivo que confiesa nunca haber abierto ChatGPT en su vida, justo después de firmar una estrategia técnica completamente basada en IA para una empresa con ingresos superiores a 2 mil millones de dólares. Un ingeniero cuenta que le pide a la IA reescribir un repositorio entero de Go a Zig mientras él trabaja en otra cosa, solo para “mantener su puesto” en una empresa obsesionada con los rankings de tokens.

Por qué te importa. Si trabajas en una empresa que está “haciendo IA”, el problema no es la herramienta sino la dinámica social que se construye alrededor. Suresh describe el mecanismo con precisión: los ejecutivos de los clientes anuncian ganancias de productividad del 100x, y los vendedores no pueden cuestionarlos porque hacerlo sería percibido como un ataque, pondría en riesgo el contrato enterprise y podría costarte el empleo. El hype se convierte en un pacto silencioso donde nadie tiene interés en decir cómo están realmente las cosas.

Es la versión corporativa del “deja de pedirme que consulte a un LLM” que contamos el 12 de julio: la delegación del criterio a algo que no puede responder, pero en versión colectiva y con un presupuesto de seis cifras. Lo opuesto exacto del método que proponemos aquí: probar en tu caso, medir, decidir con tus propios números. Como recordaban las métricas de ROI que OpenAI publicó el 17 de julio, la forma de salir de la neblina es sustituir afirmaciones con datos verificables. Si no puedes medirlo, tampoco puedes defenderlo ante un ejecutivo que ya ha decidido qué creer.

En detalle

El artículo de Suresh es entretenido e incisivo, pero su valor no está en las anécdotas jugosas: está en que describe un mecanismo social, no un problema tecnológico. Las grandes empresas que compran consultoría se equivocan porque la presión de “hacer algo con IA” ha superado la capacidad de evaluar si eso realmente se necesita, no porque la IA no funcione.

El caso del ejecutivo que nunca ha usado ChatGPT pero firma una estrategia de IA es el extremo de un patrón generalizado. Suresh lo cuenta como anécdota, pero es el resumen de algo que quien trabaja en grandes empresas reconoce: la distancia entre quién decide el presupuesto y quién usa la herramienta se ha vuelto tan grande que el presupuesto se asigna según la narrativa, no según la experiencia.

La segunda anécdota, el ingeniero que reescribe un repositorio entero en otro lenguaje, es el síntoma de la misma enfermedad visto desde abajo. Cuando la métrica interna se convierte en “cuánto usas IA” en lugar de “qué has producido”, las personas racionalmente aprenden a mostrar actividad de IA en lugar de resultado. No es un problema de mala fe: es un problema de incentivos.

La parte más interesante es la dinámica vendedor-cliente. Un vendedor le cuenta a Suresh que los ejecutivos de sus clientes enterprise declaran públicamente productividad 100x, y si él o algún colega del vendor intentara decir que esos números no son plausibles, la consecuencia sería la cancelación del contrato. En la práctica, el hype se autoprotege: quien ha invertido su credibilidad en una promesa exagerada no puede permitir que alguien la cuestione, y quien depende de ese cliente no puede permitirse ser quien cuestiona.

Este es el contexto en el que deben leerse los textos que publican frameworks de medición, como la scorecard de OpenAI sobre la que escribimos el 17 de julio. La pregunta “cómo mido el ROI de IA” tiene sentido solo si hay alguien dispuesto a mirar los números. Si la dinámica organizacional premia a quien promete y castiga a quien verifica, ningún framework es suficiente.

Los límites del artículo hay que dejarlos claros. Las fuentes son anónimas y filtradas a través de un consultor que tiene un punto de vista (y una audiencia a la que entretener). Las anécdotas son verosímiles pero no verificables independientemente. Suresh no propone soluciones sistémicas, y con razón: el problema que describe es estructural y no se resuelve con una herramienta. Lo que puedes hacer tú, en tu ámbito, es mantener abierto el canal de la verificación: usa IA en tus casos concretos, compara resultados, y cuando te pregunten “si funciona” aporta tus números en lugar de tu opinión.