Álvaro Montero, cofundador y responsable técnico de Docenteo: «Si la inversión termina cuando acaba el proyecto, el impacto será limitado»

La transformación digital no depende solo de implantar nuevas herramientas, sino de lograr que las personas y las organizaciones las adopten de forma natural. Álvaro Montero, cofundador y responsable técnico de Docenteo, analiza en esta entrevista por qué muchas iniciativas de inteligencia artificial se quedan en pilotos sin impacto real, cómo superar las barreras culturales y organizativas que frenan el cambio y qué condiciones permiten convertir la experimentación en una capacidad estable. También reflexiona sobre los nuevos indicadores de éxito tecnológico y explica por qué la verdadera transformación ocurre cuando cambian los comportamientos, las decisiones y la forma de trabajar.

Entrevista con Álvaro Montero, cofundador y responsable técnico de Docenteo

En plena carrera por incorporar inteligencia artificial, nuevas tecnologías y sacar más valor de los datos, ¿por qué muchas empresas siguen sin haber transformado realmente su forma de trabajar?

Creo que aquí se superponen dos fenómenos. El primero es bastante humano. La adopción de una tecnología obliga a las personas a salir de un terreno que dominan y entrar en otro en el que no controlan tanto. Ahí aparece una barrera bastante invisible, difícil de identificar: desconocimiento, miedo a equivocarse, cierta vergüenza a preguntar algo que quizá uno cree que debería saber y, en general, una tendencia natural a seguir trabajando como siempre.

A eso se suma una segunda capa, más organizativa: las áreas no siempre tienen los mismos incentivos. Algunas quieren avanzar rápido y resolver una necesidad concreta, mientras que los equipos tecnológicos tienen que velar también por la seguridad, los costes, la arquitectura y la estabilidad. Las dos posiciones son razonables, pero si no existe una forma buena de colaborar, la tecnología acaba atrapada entre ambas. Y algo que en teoría debía acelerar el trabajo termina encontrando más fricción de la que elimina.

Es una especie de entropía corporativa: cuanto más grande es y más recorrido tiene una organización, más capas, más personas y más fricción aparecen entre una idea y su ejecución. Y la tecnología, por sí sola, no elimina esa fricción.

El segundo fenómeno tiene más que ver con el mercado. Hay muchísimo incentivo para vender la herramienta de moda antes de preguntarse qué merece realmente la pena resolver. El marketing alrededor de la IA, los datos o determinadas plataformas es agresivo y funciona, y eso hace que muchas compañías incorporen funcionalidades, soluciones o lancen casos de uso simplemente porque parece que hay que hacerlo.

Una tecnología que debería simplificar termina añadiendo complejidad. Incorporas más herramientas, más licencias, más costes y más procesos para cosas que quizá no eran necesarias. Muchas terminan infrautilizadas o abandonadas y, lo que es peor, generan desconfianza hacia la siguiente iniciativa que sí podría tener impacto.

¿Cuándo podemos decir que una tecnología ha dejado de ser simplemente una herramienta añadida y ha transformado realmente un proceso de negocio?

En términos generales, cuando deja de ser “herramienta nueva” y pasa a formar parte de la manera natural de trabajar. Ahora bien, tiene que haber una mejora medible. Si hacemos lo mismo en menos tiempo, con menos coste, con menos errores o conseguimos hacer algo que antes directamente no podíamos hacer, hay transformación. Si no somos capaces de encontrar ningún efecto positivo, probablemente lo que hemos hecho es simplemente añadir tecnología.

Existe otro conjunto de estímulos que me resultan igual de interesantes y que son más difíciles de medir. Nosotros los vemos cuando en nuestro equipo, además de dar acceso a una tecnología, facilitamos la formación adecuada, los recursos y, sobre todo, el tiempo y el espacio para cacharrear, equivocarse y aprender.

Cuando eso ocurre percibimos un cambio en la actitud de las personas. Empiezan a colaborar más, a experimentar, a cuestionar procesos que llevaban tiempo haciéndose de la misma manera y a proponer por sí mismas usos que no habíamos imaginado. Y ahí creo que sucede la transformación profunda de verdad. Ya no estás mejorando solamente un proceso concreto, estás aumentando la capacidad de la organización para mejorar los siguientes.

Hemos visto una proliferación enorme de pilotos y pruebas de concepto de inteligencia artificial. ¿Por qué tantas iniciativas funcionan técnicamente, pero después tienen dificultades para llegar a producción y generar impacto real?

Hoy podemos construir en horas una aplicación, una interfaz o un agente que hace unos años habría requerido semanas o meses. Y como quienes venimos de implantar tecnología de una forma más tradicional sabemos lo que costaba llegar hasta ahí, ese salto nos ha descolocado un poco. Es un cambio tan grande que nos ha distorsionado nuestra forma de pensar, creo que no tenemos el tiempo para digerir los cambios y esto nos ha alterado la percepción de la realidad.

Tendemos a pensar que estamos mucho más cerca de un producto final cuando no lo estamos. Simplemente estamos ante un artefacto que demuestra que algo puede hacerse, no necesariamente que pueda integrarse, mantenerse, escalarse o convivir con el resto de la organización.

La cuestión es que estas herramientas pueden crear producto, pero no conocen por sí solas todo el contexto de una empresa ni todas las particularidades que condicionan cómo debe funcionar. Estamos muy cerca (si no estamos ya ahí) de que, si fuéramos capaces de darles todo ese contexto, cada regla, cada excepción y cada condicionante, las herramientas podrían construir productos plenamente funcionales.

El problema es que buena parte de ese contexto no está en ningún documento ni en ningún sistema. Está en la cabeza de las personas: excepciones, reglas informales, decisiones históricas, dependencias entre áreas y formas de trabajar que solo aparecen cuando te sientas con quienes conocen de verdad el proceso, preguntas mucho, pruebas y estresas el caso de uso hasta que empiezan a aflorar.

Recopilar todo eso requiere tiempo, conversación y mucha iteración. La IA puede acelerar enormemente la construcción, pero no elimina la necesidad de entender. Desde el punto de vista técnico, las organizaciones tienen sistemas antiguos, integraciones hechas a medida, modelos de datos, permisos, procesos y restricciones acumuladas durante años. Crear algo nuevo sobre una hoja en blanco es relativamente sencillo, hacerlo funcionar sobre lo que ya existe lo complica.

Cualquiera que haya participado en una migración tecnológica sabe que mover algo aparentemente simple de un sistema a otro puede ser muchísimo más difícil que construirlo desde cero.

En Docenteo defendéis que el reto ya no es únicamente implantar tecnología, sino conseguir su adopción. ¿Qué significa realmente “adoptar” una tecnología como la inteligencia artificial dentro de una empresa?

Para nosotros, adoptar una tecnología es entenderla lo suficiente como para tener criterio sobre ella, es decir, saber qué puede hacer, qué no puede hacer y dónde tiene sentido incorporarla. Normalmente asociamos adopción con saber usar una herramienta, pero creo que es algo bastante más profundo. Un directivo puede impulsar perfectamente la adopción de una tecnología sin saber configurarla ni operarla personalmente. Si entiende su potencial, sus límites y dónde puede generar valor, puede tomar buenas decisiones alrededor de ella.

También ocurre lo contrario. Hay personas que dominan técnicamente una herramienta, saben construir un dashboard o utilizar una plataforma, pero no necesariamente saben para qué hacerlo o qué problema merece la pena resolver con ella. Saber manejar algo no implica haberlo adoptado.

Esto es algo que hemos ido aprendiendo a la fuerza trabajando con empresas. Muchas nos dicen que durante años han recibido formación sobre herramientas que después nunca han podido conectar con sus problemas reales. Hay gente con certificaciones, cursos y muchas horas de formación cuya forma de trabajar apenas ha cambiado. Eso no es adopción.

Si hoy experimentar con inteligencia artificial es más fácil que nunca, ¿qué condiciones tecnológicas y organizativas tienen que darse para convertir esas primeras soluciones en una capacidad real y estable?

A nivel organizativo, me gusta pensar en cómo aprendemos desde pequeños. A un niño le das juguetes y un entorno relativamente seguro para que explore, toque, pruebe y expanda su manera de entender el mundo. Con la tecnología creo que ocurre algo parecido: hay que poner herramientas al alcance de las personas, darles tiempo para probarlas e incentivar que experimenten y nos cuenten qué funciona y qué no.

Por supuesto, cuando aprendemos nos equivocamos. Un niño se cae constantemente antes de aprender a andar. En una organización deberíamos ser capaces de hacer algo parecido y limitar las consecuencias del error, pero permitir que exista. Insistimos mucho en que equivocarse forma parte del proceso de aprender, entender y, finalmente, adoptar una tecnología. Si cada error se paga caro, la gente deja de experimentar. Y sin experimentación es muy difícil que aparezca una capacidad nueva.

Otro ejemplo es cuando un niño consigue hacer algo e insiste en querer enseñártelo, quiere que lo veas y que lo valides. En las empresas también necesitamos eso. Quien descubre una forma distinta de hacer algo debería tener cierta responsabilidad de compartirla, pero sus jefes también tienen que reservar tiempo para escuchar.

Muchas de las mejores aplicaciones probablemente no van a surgir de arriba, sino de personas que conocen muy bien un proceso y de repente descubren que pueden hacerlo de otra manera. Cuando una organización consigue generar ese espíritu de probar sin miedo, compartir lo que funciona y reconocer las buenas ideas, creo que tiene gran parte del camino ganado. Porque aparece la predisposición a poner cosas en marcha, algo difícil de lograr y crítico para avanzar. En la parte tecnológica utilizaría la misma analogía, enfocada en etapas. Primero gateamos, luego caminamos y después montamos en bicicleta. Hay un cierto orden en las capacidades tecnológicas y saltarse etapas suele pasar factura.

Un ejemplo bastante habitual hoy es querer implantar agentes de IA que tomen decisiones o resuelvan procesos y descubrir después que necesitan acceder a datos que no tienen suficiente calidad, no son accesibles, están repartidos entre sistemas inadecuados o no cuentan con las garantías necesarias de seguridad y gobierno.

Puedes construir el agente, incluso hacer una demo espectacular, pero has empezado por montar en bicicleta antes de aprender a andar. Más tarde o más temprano, te va a tocar aprender a andar y trabajar los datos.

Durante años, el éxito de un proyecto tecnológico se ha medido por su entrega en plazo, el cumplimiento del presupuesto o el simple hecho de que la solución funcionara. ¿Qué otros indicadores deberíamos utilizar ahora para saber si realmente ha transformado la organización?

Los indicadores de eficiencia siguen siendo importantes, claro. Pero si de verdad queremos saber si un proyecto ha transformado una organización, creo que hay que mirar también qué ha cambiado fuera del propio proyecto y, sobre todo, qué permanece cuando el proyecto termina.

Te pongo un ejemplo muy sencillo. Uno de los indicadores que nosotros utilizamos para saber si un proyecto ha sido un éxito es que el cliente vuelva y nos pida ayuda con otro reto que guarda relación. Para nosotros, aunque sea difícil de medir, ese sentimiento positivo vinculado que tiene el cliente es transformación, y claramente hay que atribuirle algo al proyecto que se realizó en primer lugar. Creo que, una vez más, tenemos que ampliar un poco el espectro mental y asumir que los marcos de medición están cambiando.

Por un lado, aparecen indicadores que antes ni existían (coste por token, calidad de respuesta de un LLM, nivel de alucinación, etc.), pero además aparecen nuevas maneras de observar fenómenos que antes eran mucho más difíciles de medir, por ejemplo, hoy podemos analizar cómo está posicionada una marca dentro de ChatGPT (a partir de las respuestas que ofrece), compararlo con cómo está en Claude y estudiar qué diferencias hay en percepción, presencia o asociación de conceptos.

Los marcos de medición que hemos ido diseñando, y que seguimos ajustando a medida que aprendemos, los planteamos como un sistema de capas. Cada una recoge señales distintas y a ritmos diferentes, pero todas se relacionan entre sí: se comparan, se alimentan y, en cierto modo, se cuestionan unas a otras.

Si una empresa está planteándose ahora una inversión relevante en inteligencia artificial, datos o tecnología, ¿qué debería preguntarse antes para saber si esa inversión va a traducirse realmente en transformación e impacto?

Si dejamos a un lado los indicadores clásicos de eficiencia (reducción de costes, ahorro de tiempo, etc.), creo que la pregunta importante sería: ¿qué efecto va a tener esta inversión sobre el resto de la organización?

Me viene a la cabeza el modelo de “Calidad Total” de Mercadona, precisamente porque obliga a mirar una iniciativa desde varios ángulos: “El Jefe” (cliente), El Trabajador (empleado), El Proveedor, La Sociedad y El Capital) y no solo desde el retorno financiero inmediato. Esa lógica me parece muy útil aplicada a la tecnología.

Tradicionalmente, hemos elaborado un cálculo demasiado acotado para estas inversiones tecnológicas. Pensamos: si este sistema libera x horas de trabajo a un equipo y el ROI encaja, adelante. Pero rara vez incorporamos al cálculo el tiempo que va a dedicar el resto del equipo, la pérdida temporal de productividad durante la implantación, las frustraciones que puede generar, las dependencias nuevas que crea o incluso cómo puede alterar el equilibrio de un equipo funcional.

La tecnología cambia procesos, responsabilidades, relaciones entre equipos y, muchas veces, hasta expectativas. Por eso, antes de hacer una inversión relevante, yo me preguntaría también si la organización está dispuesta a comprometerse con ella. Porque no consiste en aprobar un presupuesto, comprar una herramienta e implantarla. Hay que dedicar tiempo, atención, personas y capacidad para iterar.

Y, por último, también me preguntaría si estamos financiando un proyecto más o estamos creando el germen de una forma distinta de trabajar. Si la inversión termina cuando termina el proyecto, probablemente el impacto será limitado. Si, en cambio, modifica capacidades, comportamientos y decisiones futuras, entonces sí podemos hablar de transformación.