IA para todos: lo que ya hace, lo que puede hacer por ti y lo que podemos hacer con ella
Un recorrido educativo y práctico sobre qué es realmente la inteligencia artificial, por qué este momento es histórico, qué hace hoy, cómo la usan las empresas, dónde encaja Salesforce, cómo puede usarla cualquier persona en su vida y en su trabajo, cómo obtener resultados mucho mejores, qué riesgos trae y cómo —usada con criterio— puede ayudarnos a ser más humanos, no menos.
Resumen ejecutivo
Este insight está pensado para audiencias diversas: operaciones, administración, servicio, mantenimiento, supervisión, oficina. No asume conocimiento técnico, pero tampoco infantiliza. Explica qué es la IA sin tecnicismos, muestra ejemplos reales fuera del chatbot, aterriza casos verificados de clientes de Salesforce, propone un recetario práctico de uso personal y profesional, enseña a conseguir mejores resultados con prompts más completos, discute los riesgos con madurez y cierra con una idea que vale la pena llevarse: la IA puede automatizar lo mecánico para que las personas tengan más tiempo para lo creativo, lo humano y lo que requiere criterio. Es un asset reusable: aproximadamente 85-90% del material funciona para cualquier presentador; las secciones personalizables están marcadas explícitamente.
Statement de apertura
La tesis en una página
La inteligencia artificial no es magia, no es un robot con conciencia y no es solo ChatGPT. Es, hoy, un conjunto de capacidades reales — reconocer, predecir, generar, razonar y empezar a actuar — que se han vuelto accesibles para cualquier persona con un teléfono. Lo verdaderamente histórico de este momento no es la tecnología en sí; es que por primera vez millones de personas que no son ingenieras pueden colaborar con ella todos los días. Lo que decidamos hacer con el tiempo que la IA nos devuelva es el verdadero asunto.
Este documento está escrito para una audiencia diversa: gente que nunca ha abierto ChatGPT y gente que lo usa a diario; personas que trabajan en una oficina y personas que trabajan en una planta, un almacén, un piso de ventas o un camión. No asume formación técnica, pero no simplifica al punto de insultar la inteligencia del lector. Si llega al final, va a entender la IA mejor que antes y, más importante, va a tener cosas concretas que podría empezar a hacer mañana.
Parte 0 · Para todos
Sin tecnicismos: la analogía del asistente que nunca duerme
Imagine que, de un día para otro, cada persona en el mundo contrató a un asistente nuevo. Ese asistente leyó casi todo lo que la humanidad escribió, no se cansa, no se enoja, trabaja a cualquier hora y cuesta muy poco. No sabe nada de usted — hasta que usted le cuenta. Se equivoca con frecuencia, especialmente cuando le hablan corto o sin contexto. Y a veces inventa con tanta seguridad que convence. Esa es, en el fondo, la IA generativa que usamos hoy.
La analogía no es completa, pero sirve. Un asistente nuevo no se vuelve útil porque sepa mucho en abstracto; se vuelve útil cuando empieza a conocer su contexto: a quién le habla, para qué, con qué tono, qué información tiene a mano, qué cosas no debe tocar y qué considera un buen resultado. Lo mismo pasa con la IA. La diferencia entre una respuesta mediocre y una excelente casi nunca es la frase mágica de prompt — es el contexto que usted le dio.
Reconocer, resumir, generar, borrador
Reconoce lo que hay en una foto o en un documento. Resume horas de reunión en una página. Traduce entre idiomas y entre estilos. Genera primeros borradores de casi cualquier texto. Explica una idea compleja en términos sencillos. Compara opciones y le muestra ventajas y desventajas. Simula una conversación para que usted practique antes de tenerla.
Hechos duros, decisiones de alto impacto, cuidado humano
No es una fuente de verdad: puede inventar datos. No reemplaza a un médico, a un abogado o a un contador cuando la decisión es importante. No es confidencial por defecto: no suba información sensible a herramientas públicas. Y no sustituye el acto humano de escuchar, acompañar, enseñar o decidir sobre algo que afecta a otras personas.
Hay una segunda confusión importante: cuando alguien dice `IA`, puede referirse a cuatro cosas distintas. A una capacidad general (un modelo que puede escribir y conversar). A una herramienta concreta (ChatGPT, Claude, Gemini, Copilot). A una función específica dentro de un producto que ya usamos (el autocompletar de la cámara, la sugerencia de Netflix, el asistente del correo). O a un sistema empresarial completo que combina modelo + datos de la compañía + reglas + acciones — eso es lo que Salesforce llama `Agentforce` y volveremos a ese punto más adelante.
Parte 0 · Mapa del documento
El recorrido completo en catorce preguntas
Este insight está escrito como una sola historia, no como una colección de temas sueltos. Cada sección responde a la pregunta que la anterior deja en el aire. Si ya se topó con el tema `IA` demasiadas veces y le quedó la sensación de ruido, este mapa es el antídoto: un recorrido con intención, de la curiosidad al criterio.
Algo cambió — y ya es hora de entenderlo
Qué es realmente la IA. Cómo llegamos hasta aquí sin convertirlo en lección de historia. Qué puede hacer hoy, en concreto. Momentos en los que a mucha gente le toma por sorpresa que la IA ya hace eso.
Qué pasa cuando entra a una empresa
El puente de los ejemplos científicos al mundo del negocio. Dónde encaja Salesforce — explicado sin corporativismo. Casos reales con resultados verificados: antes, qué hizo la IA, qué cambió para las personas.
Qué podría empezar a hacer mañana
Cómo la usa alguien que trabaja cerca de ella (sin volver la lámina sobre esta persona). Qué podría hacer usted en su vida y en su trabajo. Panorama de herramientas por qué-necesita, no por logos.
Cómo obtener resultados mucho mejores
La diferencia no es la frase mágica — es el contexto. Un recetario de hacks de power user organizado por idea, no por técnica. Un ejercicio de antes/después de un prompt para que la mejora sea visible.
Qué sigue y qué podría salir mal
Los próximos cinco años separando lo probable, lo plausible y lo especulativo. Dos escenarios comparados. Riesgos — alucinación, sesgo, privacidad, dependencia — conectados a comportamientos, no a miedo.
¿Para qué queremos la eficiencia?
La paradoja: si la IA puede hacer más de lo que hacíamos, ¿qué queremos ser mejores en hacer nosotros? Un cierre que no es `gracias por su atención` sino una pregunta y un reto de una semana.
Parte 1 · Fundamentos
Cómo llegamos aquí — una historia muy corta
Es tentador tratar la IA como si hubiera aparecido en noviembre de 2022 con ChatGPT. No apareció. Lleva más de setenta años en gestación. Si uno mira la línea del tiempo, no ve una historia lineal — ve una historia que acelera. Los años entre un hito y el siguiente se hicieron cada vez más cortos. Y eso es lo que hace a este momento distinto.
Turing publica `¿Pueden pensar las máquinas?`
Alan Turing, en el journal `Mind`, propone un experimento mental — el `juego de imitación` — que redefine la pregunta de si las máquinas pueden pensar. El campo todavía no se llama inteligencia artificial.
Dartmouth · McCarthy acuña `artificial intelligence`
John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon reúnen a los pioneros del campo en una conferencia de verano en Dartmouth. Nombran la disciplina. Prometen progreso rápido. Les tomará mucho más tiempo del que creían.
Deep Blue vence a Kasparov
El 11 de mayo de 1997, la supercomputadora de IBM gana 3½–2½ al campeón mundial de ajedrez. Primera vez que una máquina derrota al humano más fuerte del mundo en un juego complejo bajo tiempos oficiales. La IA, por un momento, se vuelve noticia global.
AlexNet gana ImageNet
Krizhevsky, Sutskever e Hinton (U. Toronto) ganan la competencia de reconocimiento de imágenes ImageNet con un error top-5 de 15.3% — más de 10 puntos mejor que el segundo. Enciende la mecha del deep learning moderno.
AlphaGo vence a Lee Sedol
DeepMind gana 4-1 al 18 veces campeón mundial del juego de Go. En la partida 2, el movimiento 37 fue tan creativo que ningún humano lo había considerado. Primer indicio de que la IA puede no solo calcular — puede proponer.
`Attention Is All You Need` · nace el Transformer
Investigadores de Google publican el paper que inventa el `transformer`, la arquitectura que está debajo de prácticamente todos los modelos de lenguaje actuales — incluidos ChatGPT, Claude y Gemini. Un cambio técnico silencioso con consecuencias enormes.
GPT-3 · 175 mil millones de parámetros
OpenAI publica el primer modelo de lenguaje grande con capacidad clara de hacer múltiples tareas sin ser entrenado específicamente para ellas. Todavía detrás de una API. Los desarrolladores empiezan a construir con él.
ChatGPT · 30 de noviembre
OpenAI libera un chat gratuito con el modelo. Alcanza un millón de usuarios en cinco días y cien millones en dos meses — el producto digital con el crecimiento más rápido jamás documentado. La IA deja de ser un tema de ingeniería y entra a la conversación cotidiana.
De asistente a agente
Los modelos aprenden a usar herramientas, llamar APIs, leer documentos, invocar sistemas y perseguir objetivos a lo largo de múltiples pasos. Nace el Model Context Protocol (MCP) como estándar abierto. Empresas despliegan agentes en producción. La IA empieza a actuar — no solo a responder.
La verdadera noticia de esta historia no es ningún hito individual. Es la curva: la distancia entre un salto y el siguiente se encogió de décadas a años, y de años a meses. En 1950 Turing hace una pregunta; sesenta años después, un modelo gana en Go; seis años después, millones de personas lo usan a diario; dos años después, los sistemas ya ejecutan tareas de varios pasos en el mundo real.
Parte 1 · Fundamentos
Qué puede hacer hoy la IA — las seis capacidades que conviven
Cuando alguien dice `IA`, puede estar hablando de capacidades muy diferentes. La confusión está en tratar como una sola cosa a lo que, en realidad, son seis olas superpuestas. Cada una resuelve un tipo distinto de problema, y cada una tiene su propio nivel de madurez. Conocer la diferencia le va a ayudar a decidir qué pedirle al modelo y a qué desconfiarle.
Calcular
La ola más vieja: computar números, optimizar rutas, resolver problemas con reglas claras. Es lo que ya hace su GPS, su hoja de cálculo y el ruteo de paquetería. Suele no llamarse `IA` — pero técnicamente lo es. Madurez: completa.
Reconocer
Identificar lo que hay en una imagen, un video, un audio. La cara en una foto. La placa de un auto. El tono de voz de un cliente. Lo que dice un documento escaneado. Madurez: muy alta, está en casi todos los teléfonos.
Predecir
A partir de patrones del pasado, estimar qué va a pasar. Qué cliente está en riesgo de abandono. Qué transacción huele a fraude. Qué equipo va a fallar antes de fallar. Es la IA que las empresas vienen usando desde hace una década — Einstein de Salesforce arrancó aquí en 2016.
Generar
Producir texto, imágenes, audio, video, código. Es la ola de 2022-2024 — ChatGPT, Midjourney, Claude, DALL-E, Suno. Lo que la mayoría de la gente piensa cuando piensa en `IA generativa`. Madurez: alta en texto, acelerando en imagen, video y voz.
Razonar
No solo generar — pensar en pasos. Descomponer un problema. Verificar la propia respuesta. Reflexionar antes de contestar. Esto apareció en 2024-2025 con modelos de razonamiento. Es lo que hace que una IA pase de `respuesta rápida` a `respuesta pensada`. Madurez: media-alta, mejorando rápido.
Actuar
Usar herramientas. Llamar APIs. Leer una base de datos. Enviar un correo. Reservar un vuelo. Actualizar un registro. Hacer un pago. Esto es la ola `agéntica` — la que Salesforce llama Agentforce, y la que trajo el estándar abierto Model Context Protocol en 2024. Madurez: emergente, pero avanzando mes a mes.
Parte 1 · Fundamentos
Momentos de `espera, ¿la IA hizo eso?`
La mayoría de los ejemplos de IA que escuchamos vienen de productos de consumo — un chat, un filtro, una recomendación. Pero una parte del valor de la IA ya no está pasando ahí. Está pasando en laboratorios y en problemas que la humanidad arrastraba desde hace décadas. Los cinco ejemplos siguientes son reales, están publicados en revistas científicas de primer nivel, y cada uno viene con una advertencia: lo que la IA realmente hizo es menos espectacular que la frase viral — pero igual de valioso.
AlphaFold predice la estructura de las proteínas
DeepMind entrenó un modelo que predice el pliegue 3D de una proteína a partir de su secuencia de aminoácidos. La base de datos pública pasó de ~190,000 estructuras resueltas en el laboratorio a más de 200 millones predichas por la IA. En 2024, el Premio Nobel de Química fue para Demis Hassabis y John Jumper (por AlphaFold) junto a David Baker (por diseño computacional de proteínas). Lo que NO hizo: inventar fármacos. Lo que SÍ hizo: eliminar un cuello de botella de décadas en la investigación biomédica.
Vesuvius Challenge · leer un papiro quemado en el 79 d.C.
Tres investigadores (Nader, Farritor, Schilliger) entrenaron un modelo de deep learning sobre tomografías CT de un papiro carbonizado por la erupción del Vesubio hace casi 2,000 años. Reconstruyeron 15 columnas con más de 2,000 caracteres de un texto griego perdido — probablemente un tratado filosófico epicúreo. Lo que NO hizo: leer toda la biblioteca de Herculano — apenas ~5% de un solo rollo. Lo que SÍ hizo: devolver al registro humano un texto físicamente ilegible para ojos humanos.
GraphCast predice el clima mejor que modelos físicos
El modelo de redes neuronales gráficas de Google DeepMind produce pronósticos a 10 días en menos de un minuto en una sola TPU. Superó al modelo HRES del ECMWF (el estándar mundial) en más del 90% de 1,380 variables evaluadas. Caso notable: predijo la trayectoria del huracán Lee hacia Nueva Escocia con nueve días de anticipación, cuando los métodos tradicionales lo tenían con seis. Lo que NO hizo: reemplazar a los meteorólogos ni a las supercomputadoras — se entrena sobre los datos de reanálisis de ECMWF.
Halicin · un antibiótico redescubierto por IA
El equipo de Stokes y Collins en MIT entrenó un modelo con 2,500 moléculas conocidas por inhibir E. coli, luego escaneó una librería de 6,000 compuestos. El modelo identificó una molécula olvidada — originalmente candidata a tratar diabetes — que resultó efectiva contra bacterias resistentes a antibióticos, incluyendo tuberculosis, en pruebas de laboratorio y ratones. Lo que NO hizo: inventar un antibiótico nuevo desde cero. Lo que SÍ hizo: reabrir una línea de investigación que la industria farmacéutica había prácticamente abandonado.
Riesgo temprano de cáncer de páncreas a partir del historial médico
Investigadores de MIT y la Universidad de Copenhague (Placido, Yuan, Brunak et al.) entrenaron un modelo tipo transformer sobre registros médicos del Registro Nacional de Pacientes de Dinamarca (~6.2 millones de personas) y lo validaron con datos del Veterans Affairs de EE.UU. El modelo asigna un puntaje de riesgo de cáncer de páncreas a 3, 6, 12, 36 y 60 meses, usando patrones en secuencias de diagnósticos previos — dolor abdominal, diabetes, pancreatitis — no imágenes. Lo que NO hizo: `detectar el cáncer tres años antes de que exista`. Lo que SÍ hizo: identificar a personas con riesgo elevado antes del diagnóstico, lo cual permitiría enviarlas antes a estudios de imagen — en una enfermedad donde la diferencia entre temprano y tarde es, literalmente, vida o muerte.
La capacidad de los modelos actuales no está sólo en responderle a una pregunta cotidiana. Está en acelerar problemas que la humanidad tenía abiertos — leer textos quemados hace 2,000 años, mapear la estructura de 200 millones de proteínas, mejorar un pronóstico de huracán por tres días, encontrar un antibiótico donde ya nadie buscaba, estratificar riesgo médico antes de un diagnóstico. Si eso no amplía la noción de lo que la IA puede hacer, es porque la frase `IA = ChatGPT` seguía siendo muy pequeña.
Parte 2 · Negocio
Del laboratorio a la empresa — por qué este salto importa
Si la IA puede reconocer, predecir, generar, razonar y empezar a actuar — y si esas capacidades ya están cambiando la ciencia, el clima y la medicina — la pregunta siguiente es obvia: ¿qué pasa cuando esas mismas capacidades se conectan con los clientes, los procesos y los datos de una empresa?
La respuesta corta: una ola distinta a las dos anteriores. La IA predictiva (`¿qué va a pasar?`) y la IA generativa (`crea o explica algo`) seguirán importando, pero por sí solas no cierran el bucle del negocio. La IA agéntica (`persigue un objetivo y toma acciones dentro del sistema`) sí lo cierra — porque la máquina no solo propone, también ejecuta, dentro de reglas y con un humano en los pasos de alto impacto.
`¿Qué es probable que pase?`
El modelo lee datos históricos y predice un número o una categoría. `¿Qué clientes van a dejar de comprar?`, `¿qué transacciones huelen a fraude?`, `¿qué pieza va a fallar en producción?`. Es la IA que casi todas las empresas ya tienen, aunque no la llamen así. Está dentro del CRM, del ERP, del software de operaciones.
`Crea o explica algo`
El modelo produce texto, imágenes, código, resúmenes. `Resume este caso para el agente`, `escribe la primera versión de este correo`, `tradúceme esta política al idioma del cliente`. Es la ola que arrancó con ChatGPT a fines de 2022 y transformó la productividad personal.
`Persigue un objetivo y actúa`
El modelo entiende la intención del usuario, consulta los datos relevantes, razona sobre los pasos, ejecuta acciones en los sistemas de la empresa, escala al humano cuando toca. No reemplaza a los equipos — redefine cómo se divide el trabajo entre máquina y persona.
Esto no es progresión secuencial: las tres olas conviven. Un agente moderno predice (quién tiene riesgo de abandonar), genera (una respuesta propuesta), y actúa (abre un caso, aplica un cupón, agenda una visita). Las empresas que están obteniendo ventaja hoy son las que están orquestando las tres sobre los mismos datos y las mismas reglas de negocio.
Parte 2 · Negocio
Dónde entra Salesforce — sin corporativismo
Salesforce es una compañía que la mayoría de las personas que no trabajan en tecnología nunca han usado directamente. Pero muchas empresas con las que esas personas interactúan todos los días — la aerolínea, el banco, la tienda favorita, el seguro — sí la usan por detrás. Para efectos de esta sesión, basta con una definición sencilla: Salesforce vende la tecnología que las empresas usan para relacionarse mejor con sus clientes y manejar los procesos que giran alrededor de ellos.
El ecosistema actual, sin logos de más
Data 360
Es la plataforma que unifica los datos de todos los sistemas donde vive un cliente — CRM, ERP, data warehouse, canales digitales — en un solo perfil consultable en tiempo real. Sin esta capa, cualquier agente responde con un modelo brillante pero datos vacíos. Con ella, el agente conoce al cliente antes de hablarle.
Agentforce
La plataforma para diseñar, probar, operar y gobernar agentes dentro de Salesforce. Incluye Agent Builder (configuración low-code), Atlas Reasoning Engine (descomposición de tareas), Agent Script (lenguaje de orquestación), Agentforce Voice (canal de voz), Multi-Agent Orchestration, Agentforce Observability y soporte oficial para Model Context Protocol (MCP).
Einstein Trust Layer
La capa que protege lo que entra y sale de los modelos. Enmascara datos sensibles antes de enviarlos al modelo, retiene cero datos en el proveedor (los modelos de terceros no entrenan con sus datos ni los almacenan), detecta toxicidad y filtra contenido. Es lo que convierte un modelo potente en una solución empresarial responsable.
Modelos — abierto y gobernado
Salesforce no entrena cada modelo. Trabaja con proveedores externos (modelos propios de la plataforma, modelos de proveedores que cambian con el tiempo) y permite `Bring Your Own LLM` para empresas que quieren usar un modelo propio. La disponibilidad específica cambia frecuentemente — por eso Salesforce documenta la lista vigente en línea en lugar de fijarla en la licencia.
La diferencia entre `tener un modelo potente` y `tener una solución empresarial de IA` cabe en una línea: un modelo es un cerebro; una plataforma empresarial agrega el contexto (los datos del cliente), las manos (las acciones en los sistemas), las reglas (permisos y gobierno) y el canal (donde la persona interactúa). Confundir cerebro con solución es el error más caro que una empresa puede cometer este año.
La metáfora que vale la pena recordar
El modelo es el cerebro · los datos son el contexto · las acciones son las manos · las reglas son el gobierno · la plataforma los conecta
Un cerebro aislado no puede hacer nada. Necesita saber de qué está hablando (datos), hacer algo con esa conclusión (acciones), bajo criterios conocidos (reglas), y a través de una plataforma que lo mantenga todo coherente, auditado y seguro. Esto es Salesforce.
Parte 2 · Negocio
Qué se ve cuando esto aterriza en la realidad
Los números por sí solos no mueven a nadie. Lo que mueve es ver el patrón: antes, hubo una intervención, cambió algo medible, y detrás del cambio técnico hubo un cambio humano. Los seis casos siguientes están documentados por Salesforce en su página oficial de historias de cliente. Cada uno viene con la fuente directa, la fecha de publicación y la distinción entre resultado de piloto, producción temprana o producción estable.
+18K
empresas corriendo Agentforce
73%
resolución autónoma (OpenTable · prod. temprana)
40%+
mejora vs chatbot previo (Wiley · piloto)
6K+
interacciones primera carrera (Formula 1 · 2026)
OpenTable · agente para restaurantes y comensales
Antes: un chatbot anterior no resolvía más del 33% de las consultas. Intervención: dos agentes Agentforce — uno para los restaurantes partners (B2B), otro para los comensales (B2C) — grounded en 1,500 artículos de la base de conocimiento, con Data 360. Resultado medido: 73% de resolución autónoma en las primeras 3 semanas de operación, 11,000 conversaciones por semana entre ambos agentes, 40% de mejora en resolución vs el chatbot anterior. Beneficio humano: los empleados humanos del centro de servicio dejan de contestar la pregunta #14 por décima vez y se enfocan en las conversaciones donde su empatía importa.
Wiley · soporte a maestros y estudiantes
Antes: cada regreso a clases dispara un pico estacional de solicitudes de servicio que satura al equipo durante semanas. Intervención: Service Cloud con Einstein en producción, Agentforce con Prompt Builder en piloto para la primera ola de regreso a clases. Resultado medido: `40%+ higher case resolution with Agentforce than previous chatbot` (fraseo exacto, piloto), 213% ROI, $230K de ahorro anual, 50% más rápida la incorporación de agentes temporales. Beneficio humano: los agentes nuevos se vuelven productivos la mitad de rápido, bajando la curva de frustración del estudiante que pregunta por tercera vez.
Formula 1 · agente para fans
Antes: una temporada arranca con millones de fanáticos preguntando por reglas, calendarios, pilotos y escuderías; los equipos de servicio no escalan al ritmo del fin de semana de carrera. Intervención: Data 360 unifica el fan context; un agente `Tech Director` responde preguntas sobre el reglamento 2026; Service Cloud redacta respuestas personalizadas. Resultado medido: 6,000+ interacciones Agentforce durante la primera carrera de 2026, resolución 50% más rápida en Service Cloud, 22% más clics en campañas de Marketing. Beneficio humano: el equipo de servicio no sobrevive al fin de semana — lo disfruta.
Fisher & Paykel · tres superficies agénticas
Antes: tres puntos de dolor desconectados — autoservicio débil, agentes humanos con poca información del cliente, técnicos de campo que llegan sin contexto previo. Intervención: Agentforce + Service Cloud + Data Cloud combinados en tres superficies: autoservicio para clientes, asistente agéntico para agentes humanos, apoyo previo a la visita para técnicos de campo. Resultado medido: `80% resolution rate` en autoservicio, 75% de retroalimentación positiva de los agentes sobre el asistente, más reparaciones resueltas en la primera visita. Beneficio humano: el técnico llega preparado — el cliente ahorra una segunda visita, el técnico ahorra un viaje innecesario.
Engine · Eva, asistente virtual
Antes: 800,000+ solicitudes por año y una experiencia de soporte transaccional. Intervención: Eva (Engine Virtual Assistant) sobre Agentforce + Agentforce Voice, live en menos de 3 meses; Data 360 unifica Sales Cloud, Service Cloud, Snowflake, S3 (zero-copy), Google Analytics, Confluence; modelos de Amazon Bedrock vía RAG. Resultado medido: `Eva resolves 50% of incoming chat cases automatically`, 15% de reducción en tiempo de manejo, 16% de aumento en CSAT. Beneficio humano: cuando un viajero corporativo llama a las 3am por un vuelo cancelado, el 50% de las veces no tiene que esperar un humano para desatorar la noche.
Takeda · SEIMEI + AIMI, con humano en el loop
Antes: 25,000+ solicitudes anuales de información médica por profesionales de salud, procesadas por equipos médicos regulados; velocidad de respuesta y precisión en tensión. Intervención: dos agentes — SEIMEI extrae información de literatura clínica y captura la voz del médico redactor; AIMI genera borradores de respuesta citados a profesionales de la salud. MuleSoft + Veeva Vault + Data 360 unificando 3,100+ documentos regulados. Resultado medido: 25,000+ solicitudes HCP atendidas, 8,000 no-médicas, insights transformados `in hours, not weeks`. Clave: cada respuesta pasa por un humano médico antes de salir — no es automatización ciega, es aceleración gobernada. Beneficio humano: los médicos pasan menos tiempo en búsqueda documental y más tiempo en el juicio clínico que es la razón por la que existen en el flujo.
El patrón detrás de los seis casos es el mismo: antes había un cuello de botella humano que crecía más rápido que el equipo que lo atendía; la IA no reemplazó al equipo, redistribuyó la carga; los humanos quedaron libres para los casos de más alto valor o de más alta sensibilidad. En ningún caso la historia termina en `despedimos a la mitad`. Donde eso ocurre — y ocurre — es resultado de una decisión organizacional, no de una capacidad técnica. La tecnología crea la posibilidad; el humano decide qué hacer con ella.
Parte 2 · Negocio
Quién hace que la IA aterrice en la realidad
Hay una pregunta justa que surge después de ver los casos: ¿quién construye estas cosas? La respuesta, en la mayoría de empresas serias que ya desplegaron IA en producción, no es `un data scientist contratado hace tres meses` ni `una consultoría clásica` ni `el CIO solo`. Es un arquetipo profesional distinto, que apareció con fuerza en los últimos tres años: un ingeniero o arquitecto que trabaja muy cerca del cliente, muy cerca del problema de negocio, y muy cerca del código.
En empresas como OpenAI, Anthropic, Palantir y Scale AI, a esta figura la llaman `Forward Deployed Engineer`. En Salesforce, los títulos pueden variar — Arquitecto, Technical Architect, AI Specialist, Enterprise Architect — pero el oficio es el mismo. Lo importante no es el título. Es lo que hace y por qué funciona en la era de la IA.
Cadenas largas, feedback lento
Los proyectos de tecnología seguían, históricamente, una cadena larga: negocio → consultoría → arquitecto → desarrollador → QA → despliegue. Cada eslabón añadía meses y traducciones. El cliente final del requisito original muchas veces ya no recordaba por qué lo había pedido cuando por fin lo veía en producción.
Ciclos cortos, construcción pegada al problema
La IA agéntica favorece un ciclo distinto: `entender → construir → probar → observar → mejorar → repetir`. En días, no en semestres. Esto exige una figura que entienda el negocio y pueda tocar el código al mismo tiempo. No un consultor que escribe un documento, no un desarrollador que recibe el documento — alguien que atraviesa la cadena.
Qué hace en concreto, sin romantizar
- Se sienta con quien tiene el problema y hace las preguntas incómodas antes de proponer la solución.
- Diseña la arquitectura con criterio empresarial — gobierno, seguridad, escala — pero construye un prototipo funcional en días.
- Prueba cosas en vivo. Cambia de rumbo cuando los datos dicen que algo no funciona. No defiende un plan por orgullo.
- Entiende la plataforma (Agentforce, Data 360, APIs, modelos) a nivel de poder modificarla, no sólo de poder explicarla.
- Documenta decisiones y las comunica a múltiples audiencias: operación, tecnología, ejecutivos, usuarios finales.
- Mide impacto real, no entregables. La métrica no es `salimos a producción`; es `cambió el indicador de negocio`.
Parte 3 · Práctica · Personalizable
Cómo la usa alguien que trabaja cerca de ella — patrones generales
En lo personal
Entender temas nuevos
Pedir explicaciones de conceptos no familiares, comparar modelos mentales, pedir analogías propias de mi dominio para aterrizar algo nuevo.
Practicar y afinar
Conversar en un segundo idioma. Pedir correcciones suaves. Afinar tono entre casual y profesional según el canal.
Comparar opciones antes de actuar
Investigar compras importantes, comparar planes, listar trampas típicas, preparar las preguntas correctas para el experto humano al que voy a consultar.
Un viaje, un evento, un proyecto personal
Entregar restricciones (tiempo, dinero, personas, preferencias) y recibir un plan realista. Iterar hasta que calce con lo que de verdad voy a hacer.
Mensajes y textos difíciles
Pedir estructura para una carta sensible, un mensaje incómodo, una respuesta pública. La IA no siente — pero organiza mejor cuando yo estoy bajo emoción.
Investigar temas que me interesan
Pedir fuentes primarias, pedir que separe hecho de inferencia, pedir contraargumentos a lo que creo. Usarla como curadora de lectura.
Imágenes, documentos, pantallas
Subir una foto de un error, de un recibo, de una etiqueta nutricional, de un ingrediente, de una gráfica. Pedir lectura y pregunta siguiente.
Pensamiento disperso en orden
Dictar en voz lo que tengo en la cabeza. Pedir que lo convierta en plan, lista, hoja de ruta. Afinar.
Antes de decidir
Antes de una compra grande, un cambio laboral, una conversación difícil. Pedir que me cuestione, que me señale sesgos, que me ofrezca el escenario que no estoy viendo.
En lo profesional
Preparar un tema que no domino
Pedir mapas conceptuales de un dominio nuevo, fuentes de primera línea, listas de preguntas que me falta hacer antes de proponer.
Explorar opciones de arquitectura
Explicar el problema, los límites, los sistemas involucrados. Pedir tres opciones con pros y contras. Pedir el `anti-patrón` para cada una.
Co-piloto de código
Escribir, revisar, refactorizar, depurar código con el modelo al lado. Pedir que explique por qué una elección es mejor que otra. No aceptar sin leer.
Entender docs ajenas
Pegar la documentación de un API o de un producto nuevo. Pedir resumen, ejemplos aterrizados a mi caso, trampas típicas que la doc no menciona.
Prepararlas y procesarlas
Antes: investigar al prospecto, armar un storyline, listar objeciones probables. Después: convertir notas y transcripciones en resumen, acciones y seguimiento.
Preparar preguntas de cliente
Para una primera reunión: `estos son los hechos públicos del cliente, estos son los hitos recientes, dame tres hipótesis de dolor, cinco preguntas abiertas y qué NO decir`.
Estructura y storytelling
Pedir un hilo narrativo, no una lista de bullets. Pedir una metáfora central. Pedir que critique la estructura antes de desarrollar el contenido.
Materializar una idea en horas
De una idea en una hoja a un prototipo funcional. No sustituye al diseño serio — adelanta la conversación sobre si la idea tiene sentido.
Antes de enviar o decidir
`Léelo como abogado del diablo`, `encuentra tres riesgos que no vi`, `qué asumí sin justificar`, `qué quedaría mal si saliera a la prensa`. Un revisor incansable.
Parte 3 · Práctica
Qué podría hacer usted — en su vida y en su trabajo
Si la pregunta después de esta sesión es `bueno, ¿y qué hago yo mañana con esto?`, aquí está la respuesta. No es una lista de 100 ideas para intimidarlo. Son categorías de uso cotidianas, en vida y en trabajo, pensadas para que al menos tres le hagan sentido inmediato.
En su vida personal
Entender algo nuevo
`Explícame X como si tuviera 12 años`. `Explícamelo con una analogía`. `Hazme tres preguntas para ver si entendí`. La IA es un tutor paciente que no se cansa y nunca lo juzga por preguntar `dos veces`.
Un viaje, una comida, un evento
`Tengo cuatro días en una ciudad, cocino poco, viajo con niños, presupuesto X — propón un plan realista`. Ajustar iterativamente es más rápido que empezar de cero.
Practicar un idioma hablando
`Conversemos en inglés sobre pedir en un restaurante. Corrige mis errores suavemente al final de cada turno`. Tutor conversacional, 24/7, sin pena.
Un contrato, una receta médica, un reporte
Subo el PDF y pregunto `¿qué debo entender de este documento? ¿qué debo preguntarle al profesional antes de firmar?`. No reemplaza al experto — prepara mejor la conversación con el experto.
Comparar opciones
Dos modelos de electrodoméstico, dos planes de seguro, dos propuestas de contratista. `Compara, señala trampas típicas, dime qué preguntas hacer antes de decidir`.
Prepararse para una conversación
`Simula ser el reclutador en una entrevista de trabajo para X puesto. Hazme las preguntas más duras y critícame al final`. Un simulador cognitivo para ensayar algo que importa.
Un mensaje difícil
Una carta de condolencia. Una respuesta a un vecino conflictivo. Un correo para pedir disculpas. La IA no siente — pero sabe estructurar lo que a usted le cuesta ordenar bajo emoción.
Fotos, pantallas, etiquetas
Foto de la lavadora que marca un error raro. Captura de pantalla de un correo sospechoso. La etiqueta de ingredientes de un producto. La IA lee imágenes muy bien.
Pensamiento disperso en orden
`Esto es lo que tengo en la cabeza — organízalo en un plan de la semana con prioridades`. Dicte en voz; pídale orden; afínelo.
En su trabajo — no importa qué haga
La IA no es solo para quien trabaja en una computadora. Las categorías siguientes aplican a mantenimiento, operaciones, servicio, administración, supervisión, ventas, recursos humanos, logística y gestión. El denominador común: hay información que organizar, decisiones que preparar, comunicación que mejorar.
Interpretar un manual o un error de máquina
Foto de la pantalla de error + foto del equipo. `Explícame qué significa y qué pasos de verificación debería hacer antes de llamar al proveedor`. Ahorra llamadas de soporte y acelera el diagnóstico.
Convertir notas en un reporte
Dicta notas crudas en voz. `Conviértelas en un reporte formal con los apartados X, Y, Z, tono directo, para enviar a dirección`. De apuntes dispersos a documento presentable en minutos.
Mejorar respuestas difíciles
`Esta es la queja del cliente. Esta es mi respuesta borrador. Hazla más empática sin quitar la postura de la empresa. Y dame una versión de 20 segundos para WhatsApp y otra para correo`.
Preparar una conversación delicada
`Tengo que llamar la atención a un miembro del equipo por X. Ayúdame a estructurar la conversación: cómo abrir, cómo escuchar, cómo cerrar con acuerdo. Luego pregúntame tres cosas que no te conté y que serían útiles saber`.
Preparar una visita
`Esta empresa es mi prospecto. Esto es lo público que encontré. Dame tres hipótesis de dónde les podría doler, cinco preguntas abiertas para la primera reunión, y qué NO decir en la primera llamada`.
Políticas en lenguaje humano
`Esta es la política de vacaciones en versión formal. Reescríbela para que un empleado nuevo la entienda, con ejemplos cotidianos, en no más de 300 palabras`.
Traducir y adaptar
Un correo recibido en inglés técnico. Un documento en español formal que necesita versión en portugués para un cliente en Brasil. La IA no sustituye traductor jurado, pero resuelve el 80% del trabajo diario.
Interrogar una hoja de cálculo
Pegue las primeras filas o suba el archivo. `¿Qué patrones ves en estos datos de ventas por sucursal? ¿Qué pregunta debería hacerle a este reporte que todavía no estoy haciendo?`. La IA es muy buena como copiloto analítico.
Material de capacitación en minutos
`Convierte este procedimiento operativo en una checklist visual para el equipo, con pasos numerados, imágenes de referencia que debería tomar, y preguntas de autoevaluación al final`.
Parte 3 · Práctica
Panorama de herramientas — organizado por qué necesita, no por logos
La peor forma de empezar con IA es intentar aprender diez herramientas al mismo tiempo. La mejor forma es saber qué quiere lograr y elegir una herramienta para empezar. El panorama cambia cada semestre — modelos nuevos, precios nuevos, capacidades nuevas. Pero las categorías de uso se mantienen bastante estables. Aquí van, ordenadas por `qué necesita hacer`, no por logo.
| Necesidad | Qué buscar | Ejemplos actuales | Disponibilidad típica |
|---|---|---|---|
| Asistente general de IA | Conversar en lenguaje natural; leer archivos; generar texto y análisis | ChatGPT · Claude · Gemini · Microsoft Copilot | Freemium — plan gratuito limitado + plan pagado con más capacidad |
| Investigación con fuentes | Respuestas con citas verificables, no texto genérico | Perplexity · Modos de búsqueda en ChatGPT y Claude | Freemium |
| Aprender de documentos | Subir PDFs, cursos, grabaciones y conversar con ese material | NotebookLM (Google) · Claude Projects · ChatGPT con archivos | Freemium / Pagado |
| Imágenes y diseño | Generar o editar imágenes, variaciones de composición | DALL-E, Midjourney, Google Imagen, Adobe Firefly, Canva Magic | Freemium / Pagado |
| Presentaciones | Convertir ideas en láminas visualmente coherentes | Gamma · Canva · tools nativos en Google Workspace y Microsoft 365 | Freemium / Pagado |
| Reuniones y transcripción | Capturar la reunión, resumir, extraer compromisos | Otter.ai · Fathom · Fireflies · funciones nativas en Zoom, Teams, Meet | Freemium / Pagado |
| Programación | Co-piloto de código dentro del editor | GitHub Copilot · Cursor · Claude Code · Replit | Pagado · algunos planes gratuitos limitados |
| Automatización personal | Conectar servicios y disparar acciones | Zapier · Make · n8n · tools nativas de Google y Microsoft | Freemium |
| IA empresarial agéntica | Agentes conectados a datos corporativos y a procesos del negocio | Salesforce Agentforce · Microsoft Copilot Studio · Google Agentspace | Enterprise · con gobierno de datos y seguridad |
Parte 3 · Práctica
Empiece aquí — una ruta sencilla si está arrancando
No necesita diez herramientas. Necesita una, usada con intención durante dos semanas. La diferencia entre una persona que usa IA bien y otra que no, casi nunca es qué herramienta pagó — es cuánto practicó y qué patrones aprendió. Esta es la ruta recomendada para alguien que recién arranca.
- Elija UN asistente general — ChatGPT, Claude, Gemini o Microsoft Copilot. Cualquiera sirve para empezar. La diferencia entre ellos existe pero no es la que determina su éxito como usuario.
- Decida dos propósitos concretos para la primera semana. Uno personal (`practicar inglés`, `planear un viaje`, `entender este contrato`) y uno de trabajo (`resumir reportes largos`, `preparar mejor mis correos difíciles`, `convertir notas de reunión en acciones`).
- Para cada tarea, invierta cinco minutos en darle contexto antes de pedir. Quien es, qué está haciendo, para quién, qué considera un buen resultado.
- Haga tres rondas de iteración. La primera respuesta casi nunca es la mejor — la mejor viene del tercer o cuarto intercambio.
- Verifique cualquier hecho antes de usarlo. Si la IA le da una cifra o una cita, pídala con fuente. Si no la encuentra en la fuente, no la use.
- Al final de la semana, mire qué le ahorró tiempo y qué no. Doble la apuesta en lo primero, deje lo segundo.
- Hasta aquí, no haya pagado nada. Si al terminar la semana sintió que `ya no puede trabajar sin esto`, considere pagar — es la señal correcta. Si no, pruebe otra herramienta antes de pagar.
Parte 4 · Craft · Para todos
Cómo pedirle mejor — el secreto no es la frase mágica
La mayoría de la gente aprende a usar IA copiando `prompts mágicos` de internet. Funciona a medias. La diferencia entre una respuesta mediocre y una excelente casi nunca es la frase — es el contexto que usted le entregó al modelo. A esto, en el mundo técnico, lo llaman `context engineering`, y es la habilidad práctica más valiosa que puede desarrollar sin ser programador.
Lo que sigue no es una lista de trucos para memorizar. Son principios para interiorizar. Si solo recuerda tres cosas de esta sesión, que sean éstas tres: dé contexto, defina qué es un buen resultado, y use al modelo para que lo critique a usted — no solo para que lo complazca. Todo lo demás son variantes de esos tres principios.
Los tres principios maestros
Dé contexto
Diga quién es usted, para quién es, qué está intentando lograr, qué hay en juego, qué información es relevante y qué cosas evitar. Un modelo sin contexto adivina; un modelo con contexto responde. Si la respuesta le parece genérica, casi siempre es porque el contexto fue genérico.
Defina qué es `bueno`
No solo describa la tarea — describa cómo se ve un resultado excelente. Longitud. Tono. Formato. Idioma. Lector al que va dirigido. Ejemplos de qué cuenta como `sí` y qué cuenta como `no`. Un buen resultado necesita un buen criterio de bueno.
Pida que lo critique
El modelo no es su barra libre de aplausos. Pídale que argumente en contra de su idea, que señale lo que falta, que le muestre dónde se puede equivocar, que actúe como un revisor escéptico. El valor real no está en el primer draft — está en la crítica honesta.
Las técnicas que amplifican los principios
Las técnicas que siguen son variantes concretas de los tres principios anteriores. No se trata de aplicarlas todas en cada conversación — se trata de reconocer cuál amplifica el principio que ya está usando.
Dé ejemplos de lo que `bueno` significa
Pegue dos o tres muestras del tipo de resultado que quiere. Un correo que le gustó cómo quedó. Una estructura de reporte. Un tono. El modelo imita bien lo que puede ver — a menudo mejor que lo que puede imaginarse a partir de palabras.
Pídale que le haga preguntas antes de responder
Cuando no sepa cómo armar un buen prompt, dígale: `Antes de responder, hazme las preguntas que necesites para darme un resultado excelente`. Esto invierte la carga: en vez de adivinar lo que falta, el modelo se lo pregunta.
Use IA para armar prompts para IA
`Convierte lo que te acabo de explicar en el mejor prompt posible para resolver esta tarea`. Esto es meta-prompting. Usted no necesita volverse experto en escribir prompts — necesita saber que el modelo mismo puede ayudarle a escribirlos.
Separe generar de criticar
Una conversación para proponer. Otra, o un segundo mensaje, para revisar lo propuesto. Otra para mejorar. Mezclar las tres cosas en el mismo turno baja la calidad de las tres.
Divida tareas grandes en etapas
`Investigar → organizar → generar → criticar → mejorar`. Un modelo se desempeña mejor en etapas con un entregable claro que en un `hazme todo`. Trate al modelo como trataría a un junior talentoso: dirección por pasos.
Use varios modelos a propósito
Un modelo propone. Otro resuelve el mismo problema de manera independiente. Un tercero (o el primero) compara, cuestiona y sintetiza. Que dos modelos coincidan no prueba verdad — pero la diversidad de perspectiva encuentra errores que uno solo no detecta.
Entregue material fuente, no una pregunta abstracta
Enorme diferencia entre `cuéntame de esto` y `aquí están los documentos, analízalos`. Suba el PDF, el reporte, la foto, el screenshot, el texto. La IA es mucho mejor leyendo lo que usted ya tiene que inventándoselo desde cero.
Exija fuentes y distinga hecho de inferencia
`Separa lo que la fuente dice textualmente de lo que estás infiriendo`. Y para hechos: `cita, fecha y fuente original — y si la evidencia es débil, dilo`. Esto reduce drásticamente las alucinaciones en investigación.
Use fotos y pantallazos
Un error en la pantalla. Una gráfica. La etiqueta de una máquina. Un diagrama a mano. El código de barras de un producto. Una nota manuscrita. Los modelos modernos leen imágenes — y a veces eso es la forma más rápida de darles contexto.
Use voz
Hablar es más rápido y rico que escribir. Dicte el contexto en una nota de voz y pídale a la IA que la convierta en el prompt o el resultado que necesita. En diez segundos de voz cabe más información útil que en diez segundos escribiendo.
Cree plantillas y proyectos reutilizables
Para tareas recurrentes, cree una instrucción fija (`system prompt`, `project instructions`, `GPTs` o equivalente). Un buen set de instrucciones reutilizables ahorra más tiempo que diez prompts geniales de una sola vez.
Use la IA como simulador
Practicar entrevistas de trabajo. Ensayar una conversación difícil con un cliente, un jefe, un familiar. Simular una negociación. Preparar una presentación con objeciones hostiles. El valor es practicar antes de que importe.
Pida varias alternativas
No se conforme con la primera respuesta. `Dame tres versiones con enfoques distintos` casi siempre produce al menos una idea que no se le habría ocurrido ver.
Use rúbricas de evaluación
`Evalúa esto de 1 a 10 en claridad, precisión y persuasión. Señala la mayor debilidad y reescríbelo.` Convierte al modelo en editor crítico, no en aplaudidor.
Diga explícitamente qué NO hacer
Restricciones negativas previenen errores predecibles. `No uses lenguaje corporativo`, `no inventes cifras`, `no asumas género de la persona`, `no ocultes la fuente`. A veces el `no` enseña más que el `sí`.
Preserve al humano en decisiones de alto impacto
Médicas, legales, financieras, de empleo, de seguridad, éticas. La IA ayuda a preparar la pregunta, entender las opciones, organizar la información. La decisión la toma usted, con un humano profesional al lado cuando corresponde.
Proteja la información sensible
No pegue contraseñas, datos personales, información de clientes ni datos confidenciales de la empresa en herramientas públicas. Para uso laboral: respete la política de IA y datos de su organización. Si no está seguro, pregunte antes de pegar.
Sepa cuándo NO usar IA
A veces una búsqueda es más rápida. Una calculadora es más segura. Un experto es necesario. Y a veces el valor es la conversación humana en sí misma — no el resultado. Este principio es tan importante como los demás juntos.
Parte 4 · Craft · En vivo
El antes y el después de un prompt
Para hacer visible lo anterior, tomemos un ejemplo cotidiano: pedirle a la IA que escriba un correo. El mismo caso, mismo modelo, cuatro niveles de contexto. La diferencia no es la IA — es cuánto se preocupó usted por darle con qué trabajar.
Escríbeme un correo para mi jefe diciéndole que necesito más tiempo para entregar el reporte.Resultado típico: un correo genérico, demasiado largo, en tono corporativo, con disculpas excesivas y sin pedir nada concreto. Técnicamente cumple. Humanamente no sirve.
Escríbeme un correo para mi jefe. Soy supervisora de piso en una tienda de retail. Mi jefe es directo, impaciente y valora cuando le llegan soluciones, no problemas. Necesito tres días más para entregar el reporte mensual porque el sistema estuvo caído el fin de semana.El correo ya aparece en primera persona, con tono apropiado al jefe que la supervisora describe, con una razón concreta. Mejoró — pero todavía no sabe qué es un buen resultado.
Mismo contexto. El correo debe: no durar más de 6 líneas; abrir con la propuesta concreta, no con la disculpa; proponer una fecha específica (jueves 10) y qué entrego ese día; cerrar con una línea de solución, no de pena. Tono respetuoso pero firme.El resultado es casi listo-para-enviar. Encaja con cómo la supervisora describe a su jefe. Es corto, concreto, propone una fecha, no se disculpa en exceso.
Antes de darme la versión final: dame tres riesgos de que mi jefe reaccione mal con este correo y cómo redactarlo para evitarlos. Luego dame la versión final.Este es el nivel en el que la IA pasa de ayudar a hacer una tarea a mejorar el juicio del usuario. El resultado final no solo es un buen correo; viene acompañado de la razón por la que es un buen correo, lo que le enseña algo que podrá reutilizar la próxima vez.
Parte 5 · Horizonte
Los próximos cinco años — separando lo probable de lo especulativo
Hablar del futuro con honestidad exige separar tres niveles: lo altamente probable (ya está pasando, solo falta llegar a su plena difusión), lo plausible (hay señales técnicas y de inversión que lo hacen razonable), y lo especulativo (podría pasar, pero predicarlo como certeza es irresponsable). La IA ha convertido la línea entre estos tres niveles en un terreno pantanoso. Vale la pena pisarlo con cuidado.
Interacción multimodal por voz, imagen y texto
Los modelos ya conversan por voz, leen imágenes, analizan video. En los próximos años esto será la forma por defecto de interactuar con sistemas digitales — no la excepción. El teclado va a seguir existiendo. Dejará de ser el canal dominante.
Asistentes personalizados a largo plazo
Un asistente que recuerda sus preferencias, sus prioridades, su historial de interacción. No por chat efímero — por memoria persistente controlada por usted. Ya hay productos moviéndose en esa dirección (ChatGPT memory, Claude projects).
Agentes en operaciones de negocio
Dejar de hablar de `pilotos agénticos` y empezar a verlos en operación real en servicio, ventas, back-office. Benioff ha declarado públicamente que en Salesforce la IA ya realiza entre 30% y 50% del trabajo interno a mediados de 2025 — este patrón se va a replicar.
Educación hiperpersonalizada
Tutores que ajustan el ritmo, el estilo y los ejemplos para cada estudiante. Hay experimentos prometedores, pero depende de política educativa y de calidad pedagógica — no solo de la tecnología.
Descubrimiento científico acelerado
Más AlphaFolds. Más GraphCasts. Más estratificaciones de riesgo médico. La IA va a seguir ayudando a destrabar cuellos de botella en ciencia — pero el `avance científico` sigue requiriendo laboratorios, validación y revisión por pares.
Robótica más capaz y accesible
Modelos entrenados para controlar robots físicos están avanzando (Gemini Robotics, Figure, 1X). Es plausible ver robots útiles en logística y en algunos entornos industriales — menos plausible verlos en los hogares a corto plazo.
`AGI` general — inteligencia a nivel humano
Los líderes de los laboratorios lo discuten. Algunos lo esperan en pocos años. Otros no. Nadie — ni ellos — sabe realmente. Si alguien se lo vende con fecha, desconfíe. Si alguien le dice que es imposible, también.
Autonomía plena en decisiones críticas
La idea de que un agente opere con total autonomía en decisiones médicas, legales, financieras importantes — sin humano en el loop — es especulativa. Más allá de la viabilidad técnica, existen barreras regulatorias, éticas y de responsabilidad que no se mueven solo con mejores modelos.
Transformación radical del empleo en cinco años
Habrá cambios reales — ya los hay. Pero la narrativa de `desaparece el trabajo humano en cinco años` ignora la fricción institucional, cultural y organizacional. La historia de la tecnología sugiere que los cambios reales llegan tarde, luego llegan de golpe, y rara vez se parecen a la predicción de hoy.
Parte 5 · Horizonte
Dos personas, cinco años, dos caminos
Para aterrizar lo anterior, imagine dos personas que arrancan hoy en la misma posición — mismo puesto, misma edad, misma empresa. Las dos leen las mismas noticias sobre IA. Pero reaccionan distinto. Cinco años después, no viven la misma realidad profesional.
La persona que esperó a que `pasara la ola`
Siguió trabajando como antes. Pensó que la IA era un tema de gente joven, de ingenieros, o `cosa de moda`. Su trabajo no desapareció — pero las expectativas sí cambiaron a su alrededor. Lo que antes tomaba un día se espera en una hora. Las personas que lo rodean responden con más velocidad y más calidad. Él responde al mismo ritmo que hace cinco años. El problema no es que lo despidan — es que, poco a poco, deja de ser considerado para los proyectos que importan. Sin un cambio visible. Sin una conversación franca.
La persona que experimentó dos horas por semana
No se volvió ingeniero. No cambió de carrera. Simplemente, hace cinco años, se dio permiso de experimentar dos horas por semana con una IA. Aprendió a pedirle bien. Aprendió a verificar lo que le respondía. Aprendió qué cosas delegarle y qué cosas no. Cinco años después, hace su trabajo con más tiempo libre, más calidad, y con la calma de saber qué cosas tiene que seguir haciendo él mismo porque son el núcleo de su valor. Nunca sintió que la IA lo reemplazara — pero sí sintió que lo liberó.
La brecha competitiva de los próximos cinco años no va a ser, principalmente, entre personas que usan IA y personas que no. Va a ser entre personas que aprendieron a colaborar bien con la IA — pidiéndole con contexto, verificando con criterio, protegiendo lo sensible, delegando lo mecánico — y personas que la trataron como `un chat para probar cosas sueltas`.
Parte 5 · Horizonte
El lado oscuro — riesgos conectados a comportamientos
La IA no es benigna por defecto. Es una tecnología poderosa, y como toda tecnología poderosa, amplifica tanto lo bueno como lo malo. Lo útil, para alguien que la va a usar, no es memorizar una lista larga de riesgos. Es conectar cada riesgo con un comportamiento concreto que lo mitigue. Esto es lo que una persona razonable debería tener presente cuando trabaja con IA.
La IA inventa con confianza
Un modelo puede fabricar una cita, una cifra, una ley o una fuente que suena verosímil. La consecuencia: usted repite la mentira. Comportamiento mitigante: verifique todo hecho crítico antes de usarlo. Pídale fuente. Si no hay fuente verificable, no lo use.
El modelo refleja los sesgos del entrenamiento
Si el corpus de entrenamiento tenía sesgos, el modelo los tiene. En decisiones sensibles — contratación, crédito, atención médica — eso puede amplificar discriminación. Comportamiento mitigante: pida perspectivas alternativas, pídale que argumente desde otro ángulo, pida que señale sus propios supuestos.
La verdad visual deja de ser confiable
Fotos, voces y videos falsos son cada vez más difíciles de distinguir. Comportamiento mitigante: aumente su escepticismo ante medios no verificados. Antes de reaccionar emocionalmente a un video viral, pregúntese quién lo publicó, de dónde viene, y qué fuentes independientes lo corroboran.
Pegar información que no debería salir
Herramientas de consumo pueden retener o usar lo que usted pega. Comportamiento mitigante: nunca pegue contraseñas, datos personales de otros, información médica identificable, ni información confidencial de clientes o empleadores en herramientas no aprobadas. Para uso laboral: use solo las plataformas que su organización haya autorizado.
Dejar de pensar porque la IA piensa
Si delega siempre el borrador, la decisión, la lectura, pierde la habilidad. Comportamiento mitigante: use la IA para aprender, no solo para saltarse el pensamiento. Pídale que le explique el razonamiento, no sólo que le dé la respuesta.
Los modelos son demasiado complacientes
Un modelo entrenado para ser agradable tiende a validarlo a usted más de lo que debería. Comportamiento mitigante: pida activamente que lo critique, que le discuta, que señale lo que falta. El modelo responde — pero usted tiene que pedir.
Pocos actores controlan la infraestructura
Los modelos frontera están en manos de un puñado de empresas. Esto plantea preguntas sobre acceso, competencia y rendición de cuentas. Comportamiento mitigante (como usuario, no como regulador): elija proveedores conscientemente, no por inercia; esté dispuesto a cambiar si cambian las políticas.
Entrenar y operar modelos consume mucho
La infraestructura de IA es energéticamente intensiva. No es su responsabilidad individual resolverla, pero sí vale la pena ser consciente: no todo problema necesita el modelo más grande; no toda conversación necesita cuatro rondas de refinamiento. Usar lo necesario, no todo lo posible.
Delegación irresponsable
Médicas, legales, financieras, de empleo, de seguridad. Comportamiento mitigante: la IA puede ayudar a preparar la pregunta y entender las opciones. La decisión final — y la rendición de cuentas — se queda con un humano calificado. Esto no es nostalgia; es rendición de cuentas.
Parte 6 · El punto
La paradoja humana — ¿para qué queremos la eficiencia?
La IA puede automatizar escribir, analizar, resumir, planear, coordinar — y cada vez más, actuar. Esto genera eficiencia. La pregunta importante no es cuánta eficiencia es posible. Es qué queremos hacer con ella.
La primera reacción, casi reflejo, es: `si ahorro tiempo, puedo producir más`. Es una reacción legítima. Las empresas la van a tener. Los trabajadores la van a tener. Pero no es la única posible — y no es, necesariamente, la mejor.
Hay otra reacción, menos obvia pero más interesante: ¿y si el tiempo recuperado por la máquina se usa, al menos en parte, para lo que la máquina no puede hacer? Pensar en profundidad una idea. Escuchar de verdad a una persona. Enseñarle a alguien que entra al equipo. Acompañar a un cliente en un momento difícil. Imaginar algo que no existe. Hacer con las manos algo que importa aunque sea lento. Cultivar una relación. Jugar con un hijo. Darse el permiso de aburrirse, que es donde a veces nacen las mejores ideas.
El trabajo mecánico
Formatear un reporte. Resumir una reunión. Buscar en documentación. Comparar opciones estándar. Convertir notas en documentos. Traducir material rutinario. Pedir datos y organizar números. Todas estas tareas eran, hasta hace poco, el `trabajo invisible` que consumía horas sin ser el trabajo que creaba valor.
El trabajo humano profundo
Decidir qué pregunta vale la pena hacer. Dar criterio ante información ambigua. Escuchar con empatía real. Enseñar a alguien que apenas empieza. Tener la conversación difícil que nadie quiere tener. Imaginar algo que no existe. Decidir qué merece la pena del tiempo que se tiene. Cuidar a alguien. Crear algo con alma.
La IA crea la eficiencia. El humano decide para qué. Confundir ambas cosas — pensar que la tecnología automáticamente nos hace mejores — es un error que ya hemos cometido con otras tecnologías. El teléfono nos acercó a los que están lejos y, mal usado, nos alejó de los que están cerca. La IA puede acelerar nuestras tareas y, mal usada, puede reemplazar nuestro pensamiento. Las dos cosas son posibles. La elección es nuestra.
Parte 6 · Cierre
El reto de una semana — y la pregunta que vale la pena llevarse
Terminar con `gracias por su atención` sería tirar a la basura la hora anterior. Terminemos distinto. Si esta sesión funcionó, debería dejarlo con algo concreto que hacer esta semana, y con una pregunta que lo acompañe más allá de esta semana.
El reto, en cinco pasos
- Elija UNA tarea repetitiva que tenga esta semana. Puede ser profesional (resumir un reporte largo, preparar un correo complicado, convertir notas en un plan). Puede ser personal (planear una comida, entender un documento, practicar un idioma).
- Elija UNA cosa que siempre quiso aprender pero no ha tenido tiempo. Diez minutos al día es suficiente.
- Pruebe IA para las dos. No con dos herramientas distintas — con una sola. ChatGPT, Claude, Gemini o Copilot. La que ya tenga a mano.
- Para cada una, dedique cinco minutos a dar contexto antes de pedir. Y pídale al modelo que le critique su propio resultado.
- Al final de la semana, mire qué le ahorró tiempo, qué le mejoró el resultado, y qué le enseñó algo. Repita la próxima semana lo que funcionó.
La pregunta final no es `¿cómo uso IA en mi trabajo?`. Esa pregunta la contestarán cien cursos, mil blogs y toda su línea de tiempo. La pregunta final — la que vale la pena llevarse — es más profunda, y no la responde ningún chat: a medida que las máquinas pueden hacer más de lo que hacíamos, ¿en qué queremos ser mejores nosotros, como seres humanos?
“La IA puede crear la eficiencia. Los humanos decidimos para qué sirve la eficiencia. Úsela no solamente para hacer más cosas, sino para crear más espacio para las cosas que nos hacen humanos.”
Para quien va a reusar este material
Guía de reutilización · personalización, demos y adaptación por tiempo
Este insight está diseñado para ser retomado por cualquier colega. ~85% del material funciona tal cual. Esta guía indica qué se queda estable, qué conviene personalizar, cómo adaptar a diferentes slots de tiempo, y qué demos considerar con sus respectivos planes de contingencia.
Qué se queda estable · qué conviene personalizar
| Sección | Reusabilidad | Qué modificar si personaliza |
|---|---|---|
| Tesis · analogía terrenal · mapa | Estable | Nada. Son la bisagra conceptual. |
| Historia breve · qué puede hacer · wait AI did that | Estable | Puede sustituir uno de los cinco ejemplos científicos por otro verificado si tiene más resonancia con su audiencia. |
| Del laboratorio al negocio · dónde entra Salesforce | Estable | Si la audiencia tiene stack específico (Microsoft, Google), agregue un párrafo de contexto sin reemplazar el de Salesforce — es el que carga la credibilidad del presentador. |
| Casos reales | Semiestable | Mantenga los que resuenen con la industria de la audiencia. Reemplace 1-2 por casos recientes si Salesforce publica historias relevantes antes de su sesión. |
| Rol del arquitecto · FDE | Semipersonal | Ajuste a su propio título real (`Enterprise Architect`, `Solution Engineer`, `Technical Architect`, etc.). No lo presente como título oficial Salesforce universal. |
| Cómo la usa un profesional | Personalizable | Marque cuáles categorías aplican a usted. Puede agregar 1-2 patrones propios. Mantenga la lista en lo general (sin casos de cliente, sin anécdotas identificables). |
| Qué podría hacer usted (vida/trabajo) | Estable | Nada. Está pensado para audiencia diversa; sustituir ejemplos los hace menos universales. |
| Panorama de herramientas | Semiestable | Verifique precios y planes vigentes antes de presentar. El panorama cambia cada semestre. |
| Hacks · antes/después de prompt | Estable | Puede ajustar el ejemplo del correo a un escenario más cercano a su audiencia. |
| Horizonte · dos escenarios · riesgos | Estable | Puede añadir un riesgo específico de la industria si es muy marcado (regulación financiera, salud, etc.). |
| Paradoja humana · reto · pregunta final | Estable | No lo modifique. Es el cierre emocional del arco narrativo. |
Plan de demos en vivo · con fallback obligatorio
La IA en vivo falla. Nunca demuestre sin fallback. Las cuatro demos siguientes están probadas, tienen alto valor pedagógico y cada una tiene plan B.
Transformar un correo malo en uno bueno
Setup: ChatGPT o Claude abierto, prompt deliberadamente malo en pantalla. Pida en voz alta a la audiencia que opinen antes de ver la respuesta. Luego mejore el prompt en 3 pasos. Fallback: si el modelo no responde en vivo, tenga 4 screenshots preparados mostrando cada iteración.
Subir foto de un error o etiqueta
Setup: foto preparada en el escritorio (una pantalla con un error de software o una etiqueta nutricional son especialmente visuales). Pedir que la lea y proponga siguiente paso. Fallback: screenshot del output esperado + narración.
Perspectiva diversa en vivo
Setup: dos pestañas abiertas (ChatGPT y Claude, o Claude y Gemini). Misma pregunta compleja — por ejemplo: `¿Cuáles son los 3 riesgos del plan X?`. Compare las dos respuestas con la audiencia. Fallback: una captura con la comparación lado-a-lado preparada previamente.
Role-play en vivo
Setup: pida al modelo que actúe como un cliente difícil para un rol que tenga la audiencia (soporte, ventas, un hijo adolescente). Haga el role-play 2-3 turnos. Fallback: video pregrabado de 30 segundos de la simulación.
Adaptación por slot de tiempo
| Tiempo | Secciones del deck | Omitir |
|---|---|---|
| 15 min | Slides 1-3 · 5-7 · 14 · 15 · 29 · 36-39. | Casos de cliente detallados, hacks power-user (slide 30), riesgos detallados (slide 34). Deje solo la tesis, el porqué del momento, un caso y el cierre. |
| 30 min | Slides 1-7 · 11-14 · 15-17 · 18 (un solo caso) · 22-24 · 27-29 · 36-40. | Omita slide 30 (hacks largos), slides 9-10 (dos de los tres ejemplos científicos — deje solo AlphaFold), slides 19-20 (dos de los tres casos — deje solo OpenTable). |
| 60 min | El deck completo (slides 1-40). | Ninguno. Puede dedicar más tiempo a la Q&A entre Parte 3 y Parte 4. |
| Workshop (90-120 min) | El deck completo + ejercicios activos | Convierta slide 29 (antes/después prompt) en ejercicio activo: cada participante escribe su propio prompt mediocre, lo mejora en 15 min con los principios, lo comparte. Convierta slide 38 (reto) en commitment público al final. |
Referencias
Fuentes verificadas al 2026-10-04
Toda afirmación cuantitativa de este insight — cifra, fecha, resultado de cliente, hallazgo científico — está anclada a una fuente oficial pública. Esta es la lista consolidada. El panorama de IA se mueve rápido; si usted va a reusar este material, verifique de nuevo las secciones sensibles al tiempo (modelos disponibles, nombres de producto Salesforce, cifras de clientes) contra la fuente oficial vigente antes de presentarlo.
Historia de la IA · papers fundacionales
- Alan Turing · `Computing Machinery and Intelligence` (Mind, 1950)
- Dartmouth Summer Research Project on Artificial Intelligence (1956)
- Weizenbaum · ELIZA (MIT, 1966)
- IBM · Deep Blue vs Garry Kasparov (11 May 1997)
- Krizhevsky, Sutskever, Hinton · AlexNet · ImageNet 2012
- DeepMind · AlphaGo vs Lee Sedol (9–15 Mar 2016)
- Vaswani et al. · `Attention Is All You Need` (12 Jun 2017)
- OpenAI · GPT-3 (May/Jun 2020) · GPT-4 (14 Mar 2023)
- ChatGPT public launch · 30 Nov 2022
Ejemplos científicos verificables
- DeepMind · AlphaFold Protein Structure Database
- Jumper et al. · AlphaFold 2 · Nature, Jul 2021
- Nobel Prize in Chemistry 2024 · Hassabis, Jumper, Baker
- Vesuvius Challenge · Grand Prize 2024
- DeepMind · GraphCast · Science, Nov 2023
- Stokes et al. · Halicin · Cell, Feb 2020
- Placido et al. · Pancreatic cancer risk · Nature Medicine, May 2023
Salesforce · plataforma, Einstein Trust Layer, Agentforce
- Salesforce · Agentforce (producto)
- Salesforce · Trusted AI (Einstein Trust Layer)
- Salesforce · Data 360
- Salesforce · Historia de la compañía (incluye Einstein 2016)
Casos de clientes publicados por Salesforce
¿Te resultó útil?
Compártelo con tu equipo o conversémoslo en una llamada de arquitectura.