Hola,
Cada semana recibo la misma pregunta de algún gerente de operaciones o de un director comercial: "Javier, ¿cuál IA es mejor, esta o la otra?" Y cada semana respondo lo mismo: esa no es la pregunta que te va a ahorrar tiempo.
La pregunta correcta es otra: ¿estoy resolviendo algo por primera vez, o estoy repitiendo algo que ya sé hacer?
Esa distinción es la que separa a las empresas que usan IA como un juguete nuevo de las que la usan como una herramienta de trabajo de verdad.
El estratega y el operador
Cuando instalamos monitoreo remoto en un silo de cemento o en un tanque de GLP, pasamos por dos momentos muy distintos. El primero es diseñar la lógica: qué sensores, qué umbrales de alerta, qué reglas de negocio tienen sentido para ese cliente específico. Ese trabajo se hace una vez, con calma, pensando bien cada decisión.
El segundo momento es la operación diaria: la plataforma lee el nivel del tanque, compara contra la regla ya definida, y dispara la alerta. Ahí no hay que pensar de nuevo el problema — hay que ejecutar rápido y bien lo que ya se decidió.
Con los modelos de IA pasa exactamente lo mismo, y por eso muchas empresas terminan frustradas: usan el mismo modelo, de la misma forma, para las dos tareas.
Para diseñar un proceso nuevo — algo que tu equipo nunca ha hecho con IA — conviene usar el modelo más capaz que tengas disponible, con el nivel de razonamiento más alto que te ofrezca. Ahí es donde vale la pena que la IA "piense más": estructurar bien un flujo de trabajo una sola vez te ahorra horas todas las semanas siguientes.
Para ejecutar ese proceso ya definido — aplicarlo a los datos de esta semana, redactar el correo de siempre, revisar la cotización de rutina — un modelo más rápido y económico suele bastar, porque el trabajo difícil (decidir el criterio) ya está hecho.
No necesitas memorizar nombres de modelos ni niveles de "esfuerzo". Necesitas separar mentalmente estas dos fases y no pagar el costo de "pensar desde cero" cada vez que la tarea ya es conocida.
Cómo se ve esto en la práctica
Imagina que te acaban de nombrar responsable de la relación con un cliente clave, y heredas un lío: ventas prometió una fecha de entrega, el equipo técnico dice que necesita más tiempo, y el cliente sigue esperando capacitación sobre el equipo instalado.
En vez de resolver esto a pulso cada semana, dale a un modelo con razonamiento alto las minutas de las reuniones recientes, el compromiso comercial y las restricciones técnicas, y pídele algo así:
"Con esta información, ¿cuáles son mis tres prioridades reales? Para cada una, propón un proceso que pueda repetir semana a semana: qué información necesito, qué pasos seguir, y qué debo escalarle a mi jefe."
De ahí normalmente salen dos o tres procesos concretos — por ejemplo, una revisión semanal de plazos entre equipos, o un resumen de viernes con avances y decisiones pendientes. Ese diseño lo haces una vez, con el modelo "estratega".
Las semanas siguientes, le entregas a un modelo más liviano las notas nuevas de esa semana, siguiendo exactamente esas instrucciones ya probadas. No vuelves a explicar el contexto completo. Solo alimentas datos frescos a un proceso que ya funciona.
¿Y cuánto debe "pensar" el modelo?
Muchas plataformas de IA ahora te dejan elegir cuánto tiempo dedica el modelo a razonar antes de responder: mientras más alto el nivel, más "piensa" — y más tarda, más consume.
Aquí va una simplificación que te va a ahorrar dolores de cabeza: para la mayoría de tareas de negocio, el nivel más alto casi nunca compensa el tiempo extra que toma. Los mismos laboratorios que fabrican estos modelos han mostrado que ponerlos a pensar al máximo no siempre mejora la respuesta — a veces solo la hace más lenta. Un nivel alto, sin llegar al tope, suele ser el punto donde la calidad sí sube de forma notoria frente a dejarlo en el nivel por defecto. Para tareas de rutina — la fase de "operador" de la que hablamos arriba — ni siquiera necesitas subirlo: ahí el modelo rápido y económico ya es suficiente porque el criterio difícil ya quedó resuelto.
Un ejemplo que uso yo mismo
En V&J Asesores, cada vez que llega una cotización de seguro de auto, hay que comparar entre cuatro o cinco aseguradoras: coberturas, deducibles, exclusiones, precio. Hacerlo desde cero cada vez — leyendo PDF por PDF y armando la tabla a mano — es exactamente el tipo de trabajo repetido que le cuesta caro a un equipo, no porque sea difícil, sino porque nadie se ha tomado el tiempo de convertirlo en un proceso.
La fase de "estratega" fue definir, una sola vez, qué columnas importan, cómo se compara cada aseguradora, y en qué formato el asesor necesita ver el resultado para tomar una decisión rápida con el cliente. Esa parte tomó tiempo y varias vueltas.
La fase de "operador" es la que se repite todos los días: llegan los PDF nuevos, el proceso ya definido los lee, arma el comparativo, y el asesor solo revisa y envía. Nadie vuelve a explicar desde cero qué es lo que hay que comparar.
Ese mismo patrón aplica a casi cualquier tarea que hagas más de dos veces:
Planificar la semana: define una vez las reglas de qué es urgente según tus responsabilidades (por ejemplo, "todo lo de un cliente con instalación pendiente va primero"). Después, cada lunes, solo alimentas los pendientes nuevos contra esas reglas ya definidas — no vuelves a pensar el criterio.
Responder correos recurrentes: si le escribes lo mismo a proveedores o clientes con variaciones menores, define una vez el tono y la estructura que te representa, y deja que el modelo la siga con la información nueva de cada caso.
Comparar proveedores u opciones de software: como en el caso de las cotizaciones de seguros, define una sola vez qué criterios importan y en qué formato necesitas ver la comparación — y reutiliza ese criterio cada vez que aparezca una opción nueva.
La lección de campo
Llevamos años automatizando monitoreo industrial en LATAM, y el patrón se repite en todos los sectores: el valor no está en la herramienta más nueva, está en el proceso que queda documentado y se puede repetir sin reexplicarlo. La IA no es la excepción — es, quizás, donde esto importa más, porque es tentador tratar cada conversación con el modelo como si empezara de cero.
La próxima vez que tengas que decidir "qué IA usar", pregúntate primero si estás inventando el proceso o repitiéndolo. Y si ya lo repites más de dos veces, guarda las instrucciones que te funcionaron. Esa nota de un párrafo, guardada, vale más que cualquier suscripción nueva.
El conocimiento crece cuando circula.
Un abrazo,
Javier | AVANZA-IA