La implementación de la inteligencia artificial en el entorno corporativo entra en una nueva etapa. Como muestran las investigaciones más recientes, el factor determinante del éxito no es tanto la potencia de los recursos informáticos, sino la capacidad de las empresas para extraer y formalizar el conocimiento tácito de sus empleados: esas habilidades prácticas y decisiones intuitivas que se adquieren con los años, pero rara vez se documentan.

Este concepto, que se remonta al filósofo Michael Polanyi y su principio de «sabemos más de lo que podemos expresar con palabras», adquiere hoy una dimensión práctica. Los modelos universales de IA realmente muestran resultados impresionantes en áreas con grandes volúmenes de datos abiertos y criterios de verificación claros. Sin embargo, en tareas donde el contexto interno de la empresa y el juicio experto son críticos, las instrucciones escritas por sí solas resultan insuficientes. La situación recuerda los intentos del ingeniero Frederick Taylor a principios del siglo XX por sistematizar la experiencia de los trabajadores fabriles, solo que ahora la herramienta no es un cronómetro, sino las redes neuronales.

Bridgewater: ajuste de modelos con datos de expertos

Un ejemplo representativo es la investigación conjunta de Bridgewater AIA Labs y Thinking Machines Lab, publicada el 30 de junio. Los equipos probaron los principales modelos de IA (incluyendo Claude Opus 4.6, 4.8, Gemini 3.1 Pro, GPT-5.4 y GPT-5.5) en seis tareas financieras, como el análisis de noticias y documentos de bancos centrales. Al utilizar instrucciones estándar, la precisión de los modelos osciló entre el 45,6% y el 50,1%. Sin embargo, tras aplicar los prompts desarrollados por los expertos de Bridgewater, el indicador se disparó hasta el 74,3–78,2%.

El avance clave se produjo en la etapa de ajuste: el modelo Qwen3-235B, entrenado con datos etiquetados por especialistas de Bridgewater, alcanzó una precisión media del 84,7%. Según los cálculos de los desarrolladores, la cantidad de errores se redujo en un 29,8% en comparación con el mejor modelo universal, y el costo de procesamiento de tareas disminuyó 13,8 veces. Este enfoque, denominado «inteligencia diferenciada», implica la configuración de modelos individuales para procesos y requisitos específicos de una organización concreta.

Ford: el regreso de veteranos para entrenar la IA

Otro ejemplo destacado es la estrategia de Ford. En los últimos tres años, el fabricante de automóviles ha contratado, ascendido o reincorporado a unos 350 técnicos especializados con experiencia. Su tarea es revisar diseños, identificar posibles fallos, capacitar a jóvenes ingenieros y, lo que es especialmente importante, participar en la mejora de las herramientas automatizadas de control de calidad. El vicepresidente de desarrollo de hardware de Ford, Charles Poon, declaró directamente: «La inteligencia artificial es una gran herramienta, pero solo es tan buena como la información utilizada para entrenarla». La empresa reconoce que anteriormente no conservaba de forma sistemática los conocimientos de los ingenieros experimentados, y algunos especialistas abandonaron Ford antes de que su experiencia pudiera transferirse completamente a los procesos internos.

Mi análisis: estamos presenciando un cambio fundamental en la estrategia corporativa de IA. En lugar de perseguir modelos universales cada vez más potentes, las empresas comienzan a comprender que el verdadero valor reside en sus propios datos y experiencia. Aquellos que logren «digitalizar» eficazmente el conocimiento tácito de sus empleados obtendrán una ventaja competitiva sostenible. Esto no es solo una tendencia tecnológica: es una redefinición del papel del capital humano en la era de la inteligencia artificial.