El éxito de la implementación de la inteligencia artificial en el entorno corporativo depende directamente de la capacidad de las empresas para extraer y formalizar el conocimiento tácito de sus empleados. Se trata de aquellas habilidades prácticas, soluciones intuitivas y juicios expertos que se acumulan con los años, pero rara vez se registran en documentos o instrucciones. Este concepto, con raíces en la filosofía de Michael Polanyi («sabemos más de lo que podemos expresar con palabras»), se está convirtiendo hoy en el centro de la carrera de la IA corporativa.
Por qué los modelos universales se estancan en tareas específicas
Los modelos de lenguaje universales muestran resultados impresionantes en áreas con datos abiertos y criterios claros. Sin embargo, cuando se trata del contexto interno de una empresa, procesos de negocio específicos y evaluaciones subjetivas de expertos, las instrucciones escritas por sí solas no son suficientes. Esto recuerda los intentos de Frederick Taylor a principios del siglo XX de sistematizar la experiencia de los trabajadores de fábrica: un proceso laborioso y no siempre eficaz.
Caso Bridgewater: la experiencia como combustible para la IA
Un ejemplo claro es el reciente estudio de Bridgewater AIA Labs y Thinking Machines Lab. Los equipos probaron los principales modelos (Claude Opus, Gemini, GPT) en seis tareas financieras reales. Con instrucciones simples, la precisión osciló entre el 45,6% y el 50,1%. Sin embargo, cuando los expertos de Bridgewater prepararon indicaciones especializadas que reflejaban su propio juicio, la cifra se disparó al 74,3–78,2%. La optimización automática de las instrucciones no proporcionó un aumento adicional: el factor humano resultó decisivo.
El punto culminante fue el ajuste fino del modelo Qwen3-235B con datos etiquetados por los analistas de Bridgewater. Resultado: una precisión media del 84,7%, una reducción del número de errores del 29,8% en comparación con el mejor modelo universal. El costo de procesamiento de tareas se redujo 13,8 veces. Este enfoque, denominado «inteligencia diferenciada», implica calibrar la IA según los procesos únicos de una organización específica.
Ford: salvando la experiencia que se pierde
Paralelamente, Ford demuestra otro aspecto del problema. En tres años, el fabricante de automóviles contrató, ascendió o reincorporó a unos 350 técnicos especialistas experimentados. Su tarea no es solo trabajar, sino transmitir sus conocimientos: revisar diseños, detectar defectos ocultos, capacitar a ingenieros jóvenes y participar en la configuración de sistemas automatizados de control de calidad. El vicepresidente de Ford, Charles Poon, declaró directamente: «La inteligencia artificial es tan buena como la información utilizada para entrenarla». La empresa reconoció que anteriormente no conservaba sistemáticamente el conocimiento de los veteranos que se jubilaban, y ahora tiene que recuperar el tiempo perdido.
Mi análisis
El mercado comienza a comprender una verdad fundamental: la IA no reemplazará a los expertos, pero se convertirá en su asistente ideal si se aprende a «extraer» el conocimiento de ellos. El activo clave de la corporación del futuro no son tanto los algoritmos, sino la capacidad de sistematizar y digitalizar la experiencia única de sus empleados clave. Las empresas que resuelvan este problema obtendrán una ventaja competitiva colosal. Aquellas que sigan confiando solo en datos «en bruto» y modelos generales corren el riesgo de quedarse atrás.