<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:atom="http://www.w3.org/2005/Atom">
<channel>
<title>Ryan Morrison AI</title>
<link>https://www.ryanmorrisonai.com/es</link>
<atom:link href="https://www.ryanmorrisonai.com/es/rss.xml" rel="self" type="application/rss+xml"/>
<description>Ensayos sobre IA práctica para organizaciones, escritos en Ámsterdam.</description>
<language>es</language>
<item><title>Por qué los equipos frenan la IA, y qué ayuda de verdad</title><link>https://www.ryanmorrisonai.com/es/essays/teams-and-ai</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/teams-and-ai</guid><pubDate>Tue, 17 Nov 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>La resistencia suele ser señal de objetivos poco claros y falta de tiempo. Ambas cosas tienen solución.</description><content:encoded><![CDATA[<p>Toda implementación de IA llega al mismo momento. Las herramientas están listas, el lanzamiento salió bien, y unas semanas después el uso está estancado. La dirección concluye que la gente se resiste al cambio. A veces es cierto. Más a menudo, la organización le pidió a la gente que cambiara sin decirle por qué, para qué ni cuándo.</p>
<p>Estas son las cinco razones que veo con más frecuencia, y lo que ayuda en cada una.</p>

<h2>1. "¿Esto me va a reemplazar?"</h2>
<p>Si la dirección no responde esta pregunta, la gente la responde sola, normalmente con el peor escenario. El silencio se lee como una confirmación.</p>
<p><strong>Qué ayuda:</strong> di con claridad qué debe hacer la IA en tu organización y qué pasará con el tiempo que libere. Si el plan es crecer sin contratar, dilo. Si los roles van a cambiar, explica cómo se apoyará a las personas. No puedes prometer que nada cambiará, pero sí puedes ser honesto sobre la dirección.</p>

<h2>2. "Usa IA" no es una tarea</h2>
<p>Decirle a un equipo que "empiece a usar IA" es como decirle que "empiece a usar internet". Sin una tarea concreta, la mayoría lo prueba una vez, obtiene un resultado mediocre y vuelve a la forma de siempre.</p>
<p><strong>Qué ayuda:</strong> asocia la IA a tareas específicas que la gente ya hace, idealmente las que menos le gustan. "Usa este prompt para el primer borrador del informe mensual" se adopta. "Explora cómo la IA puede ayudarte en tu trabajo", no.</p>

<h2>3. La herramienta agrega trabajo en lugar de quitarlo</h2>
<p>Si usar IA significa copiar datos entre tres ventanas y revisar cada resultado línea por línea, la gente concluirá, con razón, que no vale la pena.</p>
<p><strong>Qué ayuda:</strong> mide la tarea completa, no solo el paso de IA. A veces la solución es un mejor prompt, a veces una pequeña integración, a veces la conclusión de que esa tarea todavía no es adecuada. Las tres son respuestas útiles.</p>

<h2>4. Dudas sobre calidad y responsabilidad</h2>
<p>A los profesionales les importa su trabajo. Si no saben si pueden poner datos de clientes en una herramienta, o quién es responsable si la IA se equivoca, lo seguro es no usarla.</p>
<p><strong>Qué ayuda:</strong> una hoja de reglas breve y clara sobre herramientas y datos aprobados, más un principio simple: quien envía el trabajo es su dueño, lo haya redactado quien lo haya redactado. La claridad hace más valiente a la gente.</p>

<h2>5. No hay tiempo para aprender</h2>
<p>Aprender una nueva forma de trabajar requiere algunas horas de probar, equivocarse y ajustar. Si esas horas tienen que sumarse a una semana ya llena, no van a ocurrir.</p>
<p><strong>Qué ayuda:</strong> dale a la gente tiempo protegido, aunque sean dos horas a la semana durante un mes. Nombra uno o dos referentes de IA por equipo, personas curiosas y no necesariamente técnicas, y deja que compartan lo que funciona en sesiones cortas. Los ejemplos de colegas convencen mucho más que las demostraciones de proveedores.</p>

<h2>El rol de la dirección</h2>
<p>La señal más fuerte es que los líderes usen la IA de forma visible y hablen de ello con honestidad, incluso de lo que falló. Cuando un gerente dice "probé esto para mi informe al directorio, esto funcionó y esto no", le da a todos permiso para experimentar.</p>
<p>Por último, mide lo que importa. Cuenta las horas devueltas y en qué se usaron, no el número de inicios de sesión. La adopción sigue a la utilidad. Si la gente no usa la IA, la primera pregunta no es "¿por qué se resisten?" sino "¿qué les hemos dado que valga la pena usar?"</p>]]></content:encoded></item>
<item><title>Cuando la IA se equivoca, ¿quién responde?</title><link>https://www.ryanmorrisonai.com/es/essays/who-is-accountable</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/who-is-accountable</guid><pubDate>Tue, 20 Oct 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>&quot;Lo hizo la IA&quot; no es una respuesta que vaya a aceptar un cliente o un regulador. Decide quién responde por cada decisión asistida por IA antes de que algo salga mal.</description><content:encoded><![CDATA[<p>Tarde o temprano, un sistema de IA de tu organización se va a equivocar. Un resumen dejará fuera la única frase que importaba. Un borrador de respuesta prometerá algo que no puedes cumplir. Un paso de selección pondrá a un buen candidato demasiado abajo. Cuando ocurra, la primera pregunta será: ¿de quién es la culpa?</p>
<p>Si solo empiezas a responder esa pregunta después del error, la respuesta suele ser "de nadie", que es la peor respuesta posible para un cliente, para un empleado y, cada vez más, para un regulador.</p>

<h2>La máquina no puede responder</h2>
<p>Un modelo de IA puede producir un resultado, pero no puede hacerse responsable de él. La responsabilidad siempre recae en personas: quien usó el resultado, quien configuró el sistema o quien decidió usar IA para esa tarea en primer lugar. El trabajo es decidir de antemano cuál de ellas es.</p>

<h2>Tres roles para cada caso de uso de IA</h2>
<ul>
  <li><strong>El dueño</strong> decidió usar IA para esta tarea y responde por el resultado en su conjunto. Normalmente es quien dirige el proceso, no alguien de TI.</li>
  <li><strong>El constructor</strong> configuró las instrucciones, las conexiones y las revisiones, y es responsable de que sigan funcionando.</li>
  <li><strong>El usuario</strong> actúa a partir del resultado y es responsable de revisarlo antes de que importe.</li>
</ul>
<p>Anota estos nombres para cada caso de uso de IA que toque a clientes, dinero o personas. En un equipo pequeño una persona puede tener dos roles. No hay problema, siempre que todos lo sepan.</p>

<h2>Ajusta la revisión a lo que está en juego</h2>
<p>No todos los resultados necesitan el mismo escrutinio. Un resumen de una reunión interna puede salir con una mirada rápida. Una carta a un cliente sobre su contrato necesita una lectura cuidadosa. Una decisión que afecta el empleo de alguien, su crédito o su acceso a un servicio necesita una decisión humana real, con la IA como un insumo entre varios.</p>
<p>Una regla simple: cuanto más le costaría un error a la persona del otro lado, más independiente debería ser la revisión.</p>

<h2>Deja un registro</h2>
<p>Para los casos de uso que importan, guarda un registro de qué entró, qué salió y quién lo aprobó. Lo vas a necesitar la primera vez que alguien pregunte por qué se tomó una decisión, y es la única forma de saber si un error fue algo puntual o un patrón.</p>

<h2>Lo que agrega la Ley de IA</h2>
<p>La Ley de IA de la UE impone obligaciones específicas a las organizaciones que usan IA en ámbitos de alto riesgo, como decisiones de contratación, crédito o acceso a servicios esenciales. Entre ellas está la supervisión humana por parte de personas con la competencia y la autoridad adecuadas. Si alguno de tus casos de uso se acerca a esos ámbitos, busca asesoría adecuada. El modelo de roles de arriba es un buen punto de partida para esa conversación, no un reemplazo.</p>

<h2>Haz que sea seguro reportar errores</h2>
<p>La última parte es cultural. Si la gente teme que la culpen, los errores de la IA se corrigen en silencio y nunca se reportan, y el mismo error vuelve a ocurrir la semana siguiente. Trata los primeros reportes como información útil, corrige las instrucciones o la revisión y cuéntale a la gente qué cambió. La responsabilidad funciona mejor cuando se trata de aprender, no de buscar a quién culpar.</p>]]></content:encoded></item>
<item><title>Más allá del chatbot: qué es realmente un agente de IA y cuándo necesitas uno</title><link>https://www.ryanmorrisonai.com/es/essays/beyond-the-chatbot</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/beyond-the-chatbot</guid><pubDate>Tue, 15 Sep 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>El chat, los flujos de trabajo con IA y los agentes son tres cosas distintas. La mayoría de las empresas necesitan primero la del medio.</description><content:encoded><![CDATA[<p>"Necesitamos agentes de IA" se ha convertido en el nuevo "necesitamos una app". La palabra se usa para casi todo, desde un chatbot en un sitio web hasta un software que maneja medio departamento. Si tienes que decidir dónde invertir, ayuda separar tres niveles de IA, porque cuestan distinto, tienen riesgos distintos y resuelven problemas distintos.</p>

<h2>Nivel 1: chat</h2>
<p>Es lo que la mayoría conoce: ChatGPT, Claude, Copilot, Gemini. Preguntas, responde, y tú copias el resultado en otro lugar. La persona mantiene el control de cada paso.</p>
<p>El chat es excelente para redactar, resumir, generar ideas y aprender. También es donde se quedan la mayoría de las empresas. El límite es que la IA solo sabe lo que tú le pegas, y no puede hacer nada en tus sistemas. Cada mejora depende de que una persona se acuerde de usarla.</p>

<h2>Nivel 2: flujos de trabajo con un paso de IA</h2>
<p>Aquí los pasos están definidos y diseñados por personas, y la IA se encarga de uno o dos que requieren criterio. Llega un correo, la IA lo clasifica como reclamo, solicitud de cotización o factura, y el flujo lo envía a la cola correcta con un borrador de respuesta adjunto.</p>
<p>Aquí está hoy la mayor parte del valor práctico. El proceso es predecible, puedes probarlo, y cuando la IA duda puedes derivar el caso a una persona. Muchos proyectos de "agentes" que veo estarían mejor construidos como nivel 2.</p>

<h2>Nivel 3: agentes</h2>
<p>Un agente recibe un objetivo en lugar de un guion. Tiene acceso a herramientas, como búsqueda, tu CRM, una planilla o el correo, y decide qué pasos dar, revisa el resultado y vuelve a intentarlo si hace falta. "Prepara un informe sobre este cliente antes de la reunión de mañana" es una tarea de agente: la IA elige qué buscar y en qué orden.</p>
<p>Los agentes son potentes para trabajos que varían mucho de un caso a otro. También son más difíciles de probar, porque el camino es distinto cada vez.</p>

<h2>Las piezas, en lenguaje claro</h2>
<p>Sea cual sea el nivel en que construyas, las mismas pocas piezas deciden si funciona:</p>
<ul>
  <li><strong>El modelo.</strong> El modelo de lenguaje que hace el razonamiento. Importante, pero rara vez ya el factor decisivo.</li>
  <li><strong>Contexto.</strong> Todo lo que el modelo puede ver en ese momento: instrucciones, documentos, la ficha del cliente. La mayoría de los malos resultados vienen de un mal contexto, no de un mal modelo.</li>
  <li><strong>Herramientas.</strong> Lo que la IA puede hacer: leer una base de datos, enviar un correo, crear un ticket. Cada herramienta también es un riesgo que gestionar.</li>
  <li><strong>Memoria.</strong> Lo que conserva entre tareas, como conversaciones anteriores o preferencias de clientes.</li>
  <li><strong>Evaluación.</strong> Un conjunto de ejemplos reales con respuestas correctas conocidas, para comprobar que el sistema sigue funcionando después de cada cambio. Es la pieza que más a menudo falta.</li>
</ul>

<h2>Dónde se atascan los proyectos</h2>
<p>En la práctica, los proyectos de IA rara vez fracasan porque el modelo no sea lo bastante inteligente. Se atascan por el acceso (la IA no llega a los datos que necesita), por las excepciones (el diez por ciento de casos raros para los que nadie diseñó), por falta de evaluación (nadie puede demostrar que funciona, así que nadie se atreve a activarlo) y por falta de dueño (el equipo del piloto pasa a otra cosa y el sistema se queda sin hogar).</p>

<h2>Entonces, ¿cuál necesitas?</h2>
<p>Empieza por preguntarte qué tan predecible es el trabajo. Si los pasos son siempre los mismos, construye un flujo con un paso de IA. Si cada caso es distinto y una persona experta tendría que pensar qué hacer a continuación, un agente puede valer la pena. Y si la gente simplemente necesita ayuda para escribir y pensar, dale buenas herramientas de chat y capacitación.</p>
<p>Cuando un proveedor te ofrezca un agente, haz cuatro preguntas. ¿Qué herramientas puede usar? ¿Cómo se prueba? ¿Qué pasa cuando duda? ¿Quién lo mantiene dentro de seis meses? Las respuestas dicen más que cualquier demostración.</p>]]></content:encoded></item>
<item><title>Cómo saber si la IA de verdad está ayudando</title><link>https://www.ryanmorrisonai.com/es/essays/is-ai-helping</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/is-ai-helping</guid><pubDate>Tue, 21 Jul 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Las horas ahorradas son la cifra que todos piden y la que más engaña. Mide el trabajo, no la herramienta.</description><content:encoded><![CDATA[<p>Seis meses después de empezar un programa de IA, alguien del equipo directivo hace la pregunta obvia: ¿está funcionando? Normalmente la respuesta es una mezcla de cifras de uso de licencias, una encuesta en la que la gente dice sentirse más productiva y algunas buenas historias. Nada de eso está mal, pero nada responde realmente la pregunta.</p>
<p>Esta es una forma simple de medir que se sostiene cuando llega la conversación sobre el presupuesto.</p>

<h2>Uso no es valor</h2>
<p>El número de usuarios activos te dice que la gente abrió la herramienta. No te dice si algo mejoró. Un uso alto puede significar que la herramienta es realmente útil, o que a la gente le dijeron que la usara. Un uso bajo puede significar que no sirve, o que las tres personas que la usan le están ahorrando a la empresa mucho tiempo en una tarea importante.</p>
<p>Sigue el uso, pero tómalo como una señal para investigar, no como el resultado.</p>

<h2>Cuidado con las "horas ahorradas"</h2>
<p>El ahorro de tiempo que la gente declara casi siempre es demasiado alto. La gente recuerda lo que tardaba una tarea en su peor día y lo compara con el mejor día de la IA. Y el tiempo ahorrado solo importa si se usa en algo: más clientes, respuestas más rápidas o trabajo que antes quedaba sin hacer. Veinte minutos ahorrados y gastados en más correo no son un resultado de negocio.</p>

<h2>Mide el trabajo, antes y después</h2>
<p>Para cada caso de uso, elige dos o tres medidas del trabajo en sí y regístralas antes de empezar. Las buenas medidas son cosas que al equipo ya le importan:</p>
<table class="rubric">
  <thead><tr><th>Medida</th><th>Ejemplo</th></tr></thead>
  <tbody>
    <tr><td>Rapidez</td><td>Tiempo desde la pregunta del cliente hasta la primera respuesta útil</td></tr>
    <tr><td>Volumen</td><td>Número de cotizaciones enviadas por semana por el mismo equipo</td></tr>
    <tr><td>Calidad</td><td>Porcentaje de informes devueltos para corregir</td></tr>
    <tr><td>Pendientes</td><td>Número de tickets abiertos al final de la semana</td></tr>
  </tbody>
</table>
<p>Mide lo mismo durante unas semanas antes del cambio y unas semanas después. No tiene que ser un estudio científico. Tiene que ser la misma medida, tomada de la misma forma, antes y después.</p>

<h2>Haz una pregunta honesta</h2>
<p>Junto a las cifras, hazles una pregunta a las personas que hacen el trabajo: "Si mañana te quitáramos esto, ¿te importaría?" Atraviesa la cortesía. Las herramientas que la gente defendería para no perderlas están aportando algo, aunque las cifras todavía tengan ruido. Las que nadie extrañaría se pueden detener.</p>

<h2>Detén cosas a propósito</h2>
<p>Un programa de IA sano detiene cosas. Si un caso de uso no ha mejorado el trabajo después de una prueba justa, termínalo y dilo. Libera presupuesto y atención, y hace más creíbles los resultados que quedan.</p>

<h2>Un informe de una página</h2>
<p>Cada trimestre, pon cada caso de uso en una línea: para qué sirve, las medidas de antes y después, la respuesta a la pregunta "¿te importaría?" y una decisión (escalar, mantener, arreglar o detener). La dirección lo lee en cinco minutos, y convierte "¿está funcionando la IA?" de una sensación en un conjunto de decisiones.</p>]]></content:encoded></item>
<item><title>Cómo elegir referentes de IA, y qué darles</title><link>https://www.ryanmorrisonai.com/es/essays/ai-champions</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/ai-champions</guid><pubDate>Tue, 23 Jun 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Los referentes son la forma más eficaz de extender la IA en una empresa, y la que más se desaprovecha. Elige por curiosidad y confianza, no por cargo.</description><content:encoded><![CDATA[<p>Casi todos los planes de adopción de IA incluyen "una red de referentes". Es una buena idea. La gente aprende nuevas formas de trabajar de colegas en quienes confía mucho más que de un video de capacitación o un correo de TI. Pero en la práctica los referentes se eligen a menudo a la rápida, no reciben nada y quedan olvidados después del lanzamiento.</p>
<p>Así se hace para que funcione.</p>

<h2>Elige por curiosidad y confianza</h2>
<p>Los mejores referentes no siempre son las personas más técnicas ni las de mayor rango. Busca tres cosas:</p>
<ul>
  <li>Ya son curiosos y experimentan, sin que nadie se lo pida.</li>
  <li>Sus colegas acuden a ellos con dudas del día a día.</li>
  <li>Conocen en detalle el trabajo real de su equipo.</li>
</ul>
<p>Pregunta a los líderes de equipo: "¿a quién acude la gente de tu equipo cuando algo no funciona?" Esa persona suele ser mejor referente que la primera que se ofrece.</p>

<h2>Uno por equipo, no uno por empresa</h2>
<p>Un referente funciona porque está al lado del trabajo. Una sola "persona de IA" central no puede saber cómo pasan el día finanzas, ventas y atención al cliente. Apunta a un referente por cada equipo de diez a veinte personas, y asegúrate de cubrir primero a los equipos que hacen más trabajo repetitivo con textos.</p>

<h2>Dales tiempo, por escrito</h2>
<p>Aquí es donde fallan la mayoría de los programas. Ser referente se suma a un trabajo que ya está lleno, así que es lo primero que se cae cuando hay mucho que hacer. Acuerda una cantidad fija de tiempo, por ejemplo de dos a cuatro horas a la semana, y pide a su jefe que lo confirme. Si no hay tiempo, no hay programa.</p>

<h2>Dales mejor acceso y una línea directa</h2>
<p>Los referentes deberían recibir primero las herramientas aprobadas, un presupuesto algo mayor para probar cosas y una línea directa con quien sea responsable de la IA en la organización. Cuando les surja una duda sobre datos o reglas, necesitan una respuesta en un día, no un ticket que queda tres semanas esperando.</p>

<h2>Dales una tarea, no un título</h2>
<p>"Extender la IA" no es una tarea. Dale a cada referente algo concreto para los primeros tres meses:</p>
<ul>
  <li>Encontrar las tres tareas de su equipo que más tiempo hacen perder.</li>
  <li>Probar la IA en una de ellas con dos o tres colegas.</li>
  <li>Compartir lo que funcionó y lo que no, con ejemplos reales, en una sesión corta.</li>
</ul>

<h2>Reúnelos</h2>
<p>Organiza una llamada corta cada dos semanas en la que los referentes compartan lo que probaron. Ahí ocurre el aprendizaje de verdad: la forma en que el referente de finanzas revisa facturas resulta útil para compras, y un prompt que falló en ventas le ahorra una semana a marketing. Mantenlo informal, mantenlo corto y anota las buenas ideas.</p>

<h2>Agradéceles de forma visible</h2>
<p>Menciona su trabajo en las actualizaciones de la dirección, inclúyelo en su evaluación de desempeño y deja que presenten ellos mismos los resultados. Los referentes que se sienten vistos siguen siendo referentes. Los que se sienten usados se convierten en los primeros escépticos.</p>]]></content:encoded></item>
<item><title>Los prompts no son una estrategia: del chat a los flujos de trabajo</title><link>https://www.ryanmorrisonai.com/es/essays/from-prompts-to-workflows</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/from-prompts-to-workflows</guid><pubDate>Tue, 26 May 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>El chat hace más rápidas a las personas. Los flujos de trabajo hacen más rápida a la organización. El paso entre ambos es más corto de lo que parece.</description><content:encoded><![CDATA[<p>La mayoría de las organizaciones conocen la IA a través de una ventana de chat. Alguien escribe una pregunta, recibe una respuesta útil y se ahorra veinte minutos. Multiplica eso por unos cientos de personas y se nota, y es un punto de partida perfectamente bueno.</p>
<p>Pero el chat tiene un techo. Cada persona escribe sus propios prompts, revisa sus propios resultados y copia a mano lo que obtiene en otro sistema. El conocimiento de lo que funciona se queda en historiales de chat individuales. La organización como un todo no aprende nada.</p>

<h2>Qué es un flujo de trabajo</h2>
<p>Un flujo de trabajo es una tarea en la que el paso de IA está integrado en la forma en que ya se mueve el trabajo. La entrada llega desde donde normalmente está (una bandeja de entrada, un formulario, una carpeta, un sistema de tickets), la IA hace un paso definido con instrucciones fijas y el resultado aparece donde la gente lo necesita, listo para revisarlo.</p>
<p>Piensa en los reclamos de clientes. En el chat, un empleado copia un reclamo en una herramienta y pide un resumen. En un flujo de trabajo, cada reclamo que llega se resume, se etiqueta por tema y urgencia y se envía a la cola correcta, con un borrador de respuesta adjunto. El mismo modelo, un efecto muy distinto.</p>

<h2>Cómo detectar un flujo de trabajo en tu uso del chat</h2>
<p>Busca los prompts que la gente escribe una y otra vez. Si tres personas de un equipo le piden a la IA lo mismo cada semana, con pequeñas variaciones, encontraste un flujo de trabajo esperando a ser construido. Una encuesta rápida que pregunte "¿qué prompts reutilizas?" suele revelar unos cuantos buenos candidatos.</p>
<p>Los buenos candidatos comparten tres rasgos: la entrada siempre es del mismo tipo, el resultado tiene una forma clara y alguien puede revisarlo rápido.</p>

<h2>Las cuatro partes que hay que hacer bien</h2>
<ul>
  <li><strong>El disparador:</strong> lo que lo pone en marcha. Un correo nuevo, un formulario completado, un archivo en una carpeta, una hora del día.</li>
  <li><strong>Las instrucciones:</strong> escritas una vez, probadas con ejemplos reales, guardadas en un solo lugar y con una persona responsable.</li>
  <li><strong>La revisión:</strong> quién mira el resultado antes de que importe, y cómo lo corrige.</li>
  <li><strong>El destino:</strong> adónde va el resultado, para que nadie tenga que copiar y pegar.</li>
</ul>
<p>La mayor parte del esfuerzo se va en la primera y la última parte, las conexiones con tus sistemas actuales. El paso de IA en sí suele ser lo fácil.</p>

<h2>Puede que no necesites desarrolladores</h2>
<p>Muchas de las herramientas que ya pagas (tu correo y tu suite ofimática, tu CRM, tu mesa de ayuda) ya incluyen pasos de IA que puedes configurar. Las herramientas de automatización pueden conectarlas sin escribir código. Empieza por ahí antes de encargar algo a medida, y construye solo cuando la vía estándar choque con un límite real.</p>

<h2>Hacia dónde lleva esto</h2>
<p>Cuando ya tienes algunos flujos de trabajo funcionando, aparece un patrón: algunos pasos requieren criterio sobre qué hacer a continuación, no solo una transformación fija. Ahí entran los agentes, y es un paso siguiente natural. Pero solo sale bien cuando lo básico está en su lugar: instrucciones claras, una revisión humana y un responsable claro. Los flujos de trabajo son la forma de aprender ese básico con trabajo que importa.</p>]]></content:encoded></item>
<item><title>Los primeros 30 días de IA en una empresa mediana</title><link>https://www.ryanmorrisonai.com/es/essays/first-30-days</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/first-30-days</guid><pubDate>Tue, 21 Apr 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Olvídate de las licencias y del hackathon. Empieza con un responsable, una lista de tareas reales y tres pruebas pequeñas.</description><content:encoded><![CDATA[<p>La mayoría de las empresas empiezan su camino con la IA de la misma forma. Alguien compra un lote de licencias de ChatGPT o Copilot, unos cuantos entusiastas hacen una demostración a la hora de almuerzo, y tres meses después nadie sabe decir qué cambió. El uso cae, las licencias se cuestionan cuando llega el presupuesto, y la IA pasa a ser, en silencio, "algo que probamos".</p>
<p>El problema rara vez es la tecnología. El problema es que nadie se hizo cargo de la pregunta de qué debía hacer la IA por el negocio. Este es el plan de 30 días que yo aplicaría en una empresa de 100 a 1.000 personas que quiere superar ese punto.</p>

<h2>Semana 1: un responsable, una pregunta</h2>
<p>Nombra a una persona responsable de la IA durante los próximos tres meses. No necesita ser técnica. Sí necesita tiempo (al menos un día a la semana), acceso al equipo directivo y permiso para decir que no a ideas.</p>
<p>Luego acuerden una pregunta, en lenguaje de negocio. "¿Cómo usamos la IA?" es demasiado vago. "¿Dónde perdemos más horas en trabajo repetitivo con textos, documentos o correos?" es una pregunta que la gente puede responder.</p>

<h2>Semana 2: mapea el trabajo, no las herramientas</h2>
<p>Conversa con cinco o seis equipos, 45 minutos con cada uno. Pregunta qué hacen cada semana que sea aburrido, lento o propenso a errores. Buscas tareas, no herramientas. Apunta a una lista de 20 a 30 tareas concretas, como "resumir las quejas de clientes para el informe semanal" o "cotejar facturas de proveedores con las órdenes de compra".</p>
<p>Puntúa cada tarea de 1 a 5 en cuatro aspectos:</p>
<table class="rubric">
  <thead><tr><th>Criterio</th><th>La pregunta que hay que hacer</th></tr></thead>
  <tbody>
    <tr><td>Volumen</td><td>¿Con qué frecuencia ocurre y cuántas personas lo hacen?</td></tr>
    <tr><td>Dolor</td><td>¿Cuánto le molesta a la gente, o qué tan caros son los errores?</td></tr>
    <tr><td>Datos listos</td><td>¿La información ya es digital y accesible, o está en la cabeza de alguien o en papel?</td></tr>
    <tr><td>Riesgo</td><td>¿Qué pasa si la IA se equivoca? (El riesgo bajo recibe puntaje alto.)</td></tr>
  </tbody>
</table>
<p>Las tareas con el puntaje total más alto son tu lista corta. Casi nunca son las ideas más emocionantes, y está bien. Las ideas emocionantes sirven para una charla inaugural. Las tareas de alto volumen y bajo riesgo sirven para un primer proyecto.</p>

<h2>Semana 3: tres pruebas pequeñas</h2>
<p>Elige las tres primeras y prueba cada una con las personas que realmente hacen el trabajo. Mantenlo pequeño: un equipo, ejemplos reales y, cuando sea posible, herramientas que ya tienes. Muchas primeras pruebas no necesitan más que un prompt bien escrito, una carpeta compartida con ejemplos y una herramienta de IA que ya pagas.</p>
<p>Antes de empezar, anota cómo funciona la tarea hoy: cuánto tarda y con qué frecuencia sale mal. Sin ese punto de partida terminarás discutiendo opiniones en vez de cifras.</p>

<h2>Semana 4: medir, decidir y escribir las reglas</h2>
<p>Para cada prueba, haz tres preguntas. ¿Ahorró tiempo? ¿Se mantuvo la calidad? ¿El equipo la seguiría usando sin que nadie lo empuje? Descarta lo que falle en dos de las tres. Quédate con el resto y planifica cómo integrarlo en la forma normal de trabajar.</p>
<p>Esa misma semana, escribe una hoja de reglas de una página: qué herramientas están aprobadas, qué datos se pueden usar en ellas y a quién preguntar en caso de duda. La gente se anima mucho más a experimentar cuando sabe dónde están los límites.</p>

<h2>Lo que deberías tener el día 30</h2>
<ul>
  <li>Un responsable con mandato</li>
  <li>Una lista puntuada de 20 a 30 tareas reales</li>
  <li>Tres casos de uso probados, con cifras de antes y después</li>
  <li>Una decisión sobre cuáles escalar y cuáles detener</li>
  <li>Una hoja de reglas de una página que cualquiera lee en cinco minutos</li>
</ul>
<p>Nada de esto requiere un gran presupuesto ni un equipo de ciencia de datos. Requiere a alguien que se haga cargo de la pregunta, y la disciplina de empezar por el trabajo y no por la tecnología. Una vez que tienes eso, los pasos más grandes (agentes, integraciones, nuevos productos) dejan de ser apuestas.</p>]]></content:encoded></item>
<item><title>Una política de IA de una página que tu gente sí va a leer</title><link>https://www.ryanmorrisonai.com/es/essays/one-page-ai-policy</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/one-page-ai-policy</guid><pubDate>Tue, 24 Mar 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Tu gente ya está usando IA. Una hoja de reglas breve y clara hace más por la seguridad que un documento largo que nadie abre.</description><content:encoded><![CDATA[<p>Si todavía no has escrito ninguna regla sobre IA, tu gente no está esperando. Las encuestas encuentran una y otra vez lo mismo: una gran parte de los empleados usa herramientas de IA en el trabajo, y muchos no se lo cuentan a su jefe. Pegan correos, informes y a veces datos de clientes en la herramienta que tengan abierta en el navegador.</p>
<p>La respuesta no es prohibirlo. Las prohibiciones esconden el uso, y ahí no lo puedes orientar. La respuesta es una política breve que le diga a la gente qué está bien, qué no y a quién preguntar. Una página, en lenguaje claro, que alguien pueda leer con un café.</p>

<h2>Qué va en la página</h2>
<p>Para la mayoría de las organizaciones bastan cinco secciones cortas.</p>
<table class="rubric">
  <thead><tr><th>Sección</th><th>Qué dice</th></tr></thead>
  <tbody>
    <tr><td>Herramientas aprobadas</td><td>Qué herramientas de IA están aprobadas para el trabajo y qué cuenta usar (la de la empresa, no una personal).</td></tr>
    <tr><td>Datos</td><td>Qué se puede ingresar y qué no, con ejemplos: información pública sí, datos personales de clientes no, contratos confidenciales solo en la herramienta aprobada.</td></tr>
    <tr><td>Revisión</td><td>Eres responsable de todo lo que envías o publicas, haya escrito el primer borrador una persona o una máquina.</td></tr>
    <tr><td>Transparencia</td><td>Cuándo decir que se usó IA, por ejemplo en entregables para clientes o en decisiones sobre personas.</td></tr>
    <tr><td>Preguntas</td><td>Una persona o un canal concreto para preguntas, con el compromiso de responder rápido.</td></tr>
  </tbody>
</table>

<h2>Usa ejemplos, no principios</h2>
<p>"Usa la IA de forma responsable" no le dice nada a nadie. "Puedes usar el asistente aprobado para redactar una respuesta a un cliente, pero primero quita su nombre, su dirección y su número de pedido" le dice a la gente exactamente qué hacer. Cada regla de la página debería ir con un ejemplo concreto de tu propio trabajo.</p>

<h2>Haz que la opción segura sea la cómoda</h2>
<p>Las reglas funcionan mejor cuando el camino aprobado también es el más cómodo. Si la herramienta de la empresa es lenta, difícil de usar o le faltan las funciones que la gente necesita, seguirán usando sus cuentas personales, diga lo que diga la política. Reserva presupuesto para una buena herramienta aprobada antes de escribir las reglas.</p>

<h2>También es parte de la Ley de IA</h2>
<p>Según la Ley de IA de la UE, las organizaciones que usan sistemas de IA deben tomar medidas para que su personal tenga un nivel suficiente de alfabetización en IA. Una política clara, junto con una sesión breve de capacitación, es un primer paso práctico en esa dirección. No cubre todo lo que pide la ley, sobre todo si usas IA para decisiones sobre personas, pero demuestra que ya empezaste.</p>

<h2>Revísala cada trimestre</h2>
<p>Las herramientas cambian rápido, así que la página va a quedar desactualizada. Agenda una revisión cada tres meses: qué preguntas llegaron, qué reglas no quedaron claras, qué herramientas nuevas está pidiendo la gente. Actualiza la página y cuéntale a la gente qué cambió.</p>
<p>Una política breve, al día y llena de ejemplos se lee. Una política larga, abstracta y escrita una sola vez se archiva. Solo una de las dos cambia lo que la gente hace el lunes.</p>]]></content:encoded></item>
<item><title>Lo que automaticé primero, y lo que debí automatizar primero</title><link>https://www.ryanmorrisonai.com/es/essays/what-i-automated-first</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/what-i-automated-first</guid><pubDate>Tue, 17 Feb 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>Notas de automatizar mi propio trabajo con modelos de lenguaje: las tareas aburridas valieron la pena, las ingeniosas casi nunca.</description><content:encoded><![CDATA[<p>En los últimos años he automatizado buena parte de mi jornada de trabajo con modelos de lenguaje y agentes. No porque me lo propusiera, sino porque cada vez que algo funcionaba, lo siguiente parecía posible. Mirando hacia atrás, el orden en que hice las cosas fue casi siempre el equivocado. Esto es lo que aprendí, por si te ahorra algunos desvíos.</p>

<h2>Empecé por lo impresionante</h2>
<p>Mis primeros proyectos fueron los que daban para una buena historia: un asistente de investigación que leería todo sobre un mercado y escribiría un informe, un agente que planificaría mi semana. Lucían bien en una demostración y los usé unas dos semanas.</p>
<p>El problema no era la calidad. Era que se trataba de tareas que hacía de vez en cuando, cada vez un poco distinto. Cada ejecución necesitaba instrucciones nuevas, revisiones nuevas y arreglos nuevos. La automatización ahorraba menos tiempo del que costaba cuidarla.</p>

<h2>Lo aburrido valió la pena</h2>
<p>Lo que de verdad cambió mi semana fueron tareas pequeñas y repetitivas que hacía siempre igual:</p>
<ul>
  <li>Clasificar el correo entrante en "me necesita hoy", "me necesita esta semana" y "para consulta"</li>
  <li>Convertir notas de reuniones en un resumen breve con decisiones y próximos pasos</li>
  <li>Escribir primeros borradores de respuestas y actualizaciones rutinarias con mi propio estilo</li>
  <li>Sacar los puntos clave de documentos largos antes de leerlos con calma</li>
</ul>
<p>Ninguna de estas cosas impresiona por sí sola. Juntas me devolvieron horas cada semana, porque ocurren todos los días y siempre tienen la misma forma.</p>

<h2>Escribe las instrucciones, como lo harías para una persona</h2>
<p>La mayor mejora llegó cuando dejé de ajustar prompts sobre la marcha y empecé a escribir instrucciones como si fueran para un colega nuevo: para qué sirve la tarea, cómo se ve un buen resultado, dos o tres ejemplos reales y qué hacer en caso de duda. Una vez escritas, se podían reutilizar, mejorar y traspasar.</p>
<p>También es el hábito más útil para llevar a una empresa. Las instrucciones que viven en el historial de chat de una persona desaparecen cuando esa persona se va de vacaciones.</p>

<h2>Mantén una revisión humana donde los errores salen caros</h2>
<p>Dejo que la máquina clasifique, resuma y redacte. No dejo que envíe, pague ni prometa nada sin que yo lo mire antes. Esa línea se ha movido con el tiempo, a medida que aprendí dónde eran confiables las herramientas, pero nunca ha desaparecido. Una revisión breve cuesta segundos; un correo equivocado a la persona equivocada cuesta mucho más.</p>

<h2>Lo que haría yo en tu lugar</h2>
<p>Haz una lista de todo lo que haces más de tres veces por semana que implique leer o escribir texto. Elige lo más aburrido. Escribe instrucciones bien hechas para eso, pruébalas con ejemplos reales de la semana pasada y usa el resultado durante dos semanas antes de tocar cualquier otra cosa.</p>
<p>Te va a parecer demasiado poco. No lo es. Las victorias pequeñas y repetidas son las que construyen la confianza, y la habilidad, para abordar después las cosas más grandes.</p>]]></content:encoded></item>
<item><title>Cinco preguntas antes de comprar una herramienta de IA</title><link>https://www.ryanmorrisonai.com/es/essays/before-you-buy</link><guid isPermaLink="true">https://www.ryanmorrisonai.com/es/essays/before-you-buy</guid><pubDate>Tue, 20 Jan 2026 08:00:00 GMT</pubDate><dc:creator>Ryan Morrison</dc:creator><description>La mayoría de las compras de IA fallan por preguntas que nadie hizo durante la demostración.</description><content:encoded><![CDATA[<p>Los proveedores de IA se han vuelto muy buenos en las demostraciones. En veinte minutos ves cómo una herramienta resume un contrato, redacta una propuesta y responde preguntas sobre un documento de políticas. Es realmente impresionante, y justamente ahí está el problema: la demostración responde a la pregunta "¿esto puede funcionar?", cuando la pregunta que necesitas responder es "¿esto va a funcionar aquí?"</p>
<p>Antes de firmar nada, haz estas cinco preguntas. Ninguna es técnica, y la mayoría no te las puede responder el proveedor.</p>

<h2>1. ¿Qué tarea, para quién y con qué frecuencia?</h2>
<p>Nombra la tarea en una frase, el equipo que la hace y con qué frecuencia ocurre. "Mejor gestión del conocimiento" no es una tarea. "Responder las mismas veinte preguntas de clientes sobre plazos de entrega, unas 300 veces por semana, en atención al cliente" sí lo es.</p>
<p>Si no puedes escribir esa frase, no estás comprando una solución. Estás comprando una esperanza, y las esperanzas salen caras con una licencia por usuario.</p>

<h2>2. ¿Qué necesita ver la herramienta?</h2>
<p>Una herramienta de IA es tan buena como la información a la que puede llegar. Pregunta con qué sistemas tiene que conectarse, quién tiene que aprobar ese acceso y cuánto suele tardar esa aprobación en tu organización. En muchas empresas la respuesta honesta es "tres meses y una revisión de seguridad", y eso cambia el caso de negocio más que cualquier funcionalidad.</p>
<p>Pregunta también qué pasa con los datos que ingresas. ¿Se usan para entrenar los modelos del proveedor? ¿Dónde se guardan? ¿Puedes borrarlos? Una respuesta clara en una página es buena señal. Un enlace a unas condiciones de cuarenta páginas, no.</p>

<h2>3. ¿Cómo lo hacemos hoy y cuánto nos cuesta?</h2>
<p>Anota cómo funciona la tarea ahora: cuánto tarda, con qué frecuencia sale mal y cuánto cuesta un error. Ese es el punto de partida con el que vas a comparar. Sin él, cada revisión se convierte en un intercambio de impresiones, y gana la opinión más ruidosa.</p>
<p>También te protege de una trampa común: automatizar una tarea que solo toma diez minutos a la semana. Una herramienta puede ser brillante y aun así no valer lo que cuesta.</p>

<h2>4. ¿Quién se hace cargo después de la puesta en marcha?</h2>
<p>Alguien tiene que mantener las instrucciones al día, responder las preguntas de los usuarios, notar cuando baja la calidad y decidir cuándo parar. Si esa persona no existe, la herramienta se irá deteriorando de a poco. Los prompts quedan desactualizados, los documentos de los que depende cambian, y la gente vuelve en silencio a la forma de siempre.</p>
<p>Pregúntale al proveedor cómo se ve esa responsabilidad en sus mejores clientes. Luego pregúntate quién sería esa persona en tu organización, y si tiene el tiempo.</p>

<h2>5. ¿Cómo salimos?</h2>
<p>Esta es la pregunta que nadie hace. ¿Cuánto dura el contrato? ¿Puedes exportar lo que construiste, como instrucciones, plantillas e historial de conversaciones? ¿Cuánto costaría cambiarte a otra herramienta dentro de un año, cuando el mercado haya vuelto a moverse?</p>
<p>El mercado de la IA cambia cada pocos meses. La mejor opción de hoy puede no serlo la próxima primavera. Prefiere contratos cortos, formatos abiertos y herramientas que funcionen con lo que ya tienes.</p>

<h2>Una regla simple</h2>
<p>Si puedes responder las cinco preguntas con claridad, haz un piloto pagado y pequeño con un equipo y trabajo real. Si no puedes responder la primera, detente ahí: ninguna herramienta la va a responder por ti. La buena noticia es que responderla no cuesta nada más que unas cuantas conversaciones con las personas que hacen el trabajo.</p>]]></content:encoded></item>
</channel>
</rss>
