Ya estás en el top 1% de los usuarios de IA. Sí, hay una brecha entre tú y la gente de la vanguardia. Esos chicos locos que corren 20 terminales a la vez con una base de conocimiento que se reescribe sola después de cada ejecución.
La mala noticia es que jamás vas a alcanzar a esa gente. La buena noticia es que no necesitas hacerlo. Esa brecha, la que tienes frente a ti, es mucho más pequeña que la que queda detrás de ti.
Puede que no sientas que estás en el top 1% porque ves nerds en X levantando flotas de agentes por capricho, pero créeme: estás en el top 1%. Probablemente usas un modelo todos los días, tienes opiniones sobre la mejor forma de usarlo, y quizás hasta experimentas con agentes o has instalado Hermes en tu propia máquina.
Por otro lado, entre tú y el empleado promedio de una gran empresa hay un abismo. Quizás abrió ChatGPT 4 veces en 2 años. Usó 3.5-turbo y decidió que la IA era estúpida, sin darse cuenta de que GPT-5.6 Sol Ultra acababa de producir una prueba de una conjetura de teoría de grafos que llevaba 50 años abierta. Cada artículo o post de estrategia de IA asume que esta persona, este empleado promedio, eventualmente va a ponerse al día.
Te lo digo yo: no lo hará.
Para dar contexto, soy el CEO de @varickagents. Trabajamos con las empresas más grandes del planeta para implementar agentes de IA y estrategia en sus organizaciones, así que sabemos un par de cosas sobre la realidad de la IA en la empresa.
FIGURA 1 - El abismo
La mejor herramienta de IA del mundo no los hizo más rápidos
Hace poco hablé con un líder de la organización de operaciones de una empresa no técnica (miles de personas). Sin IA, me dijo, su equipo se movía a un ritmo decente. Sin quejas importantes ahí.
Luego implementaron Claude Cowork, y ¿y qué crees? El equipo siguió moviéndose al mismo ritmo. Me preguntó por qué.
He visto la misma división en todas las organizaciones. Ni siquiera importa si son 50 personas o 5000, es la misma división cada vez: una barra de pesas. El 5-10% de la gente eran usuarios avanzados. Usaban Cowork todos los días, aprovechando archivos de skill, conectores con Outlook y más. Eran los evangelistas, los que impulsaron Claude Cowork desde el principio porque experimentan con IA fuera del trabajo y ven de primera mano el impacto que puede tener.
Del otro 90%, un 20% lo usaba un par de veces al día, bastante mal. Sacan algo de valor, pero una fracción de lo que obtiene la gente de vanguardia. Y el 70% restante no lo usaba para nada.
FIGURA 2 - Una décima parte de ellos son buenos
Los paneles de su organización indicaban que la implementación contaba como adopción. Pero para él, nada se había vuelto más rápido. Ambas cosas eran ciertas al mismo tiempo.
Usarla y usarla bien son habilidades distintas
Incluso entre los que sí usan IA, la brecha de habilidades es enorme. Los usuarios de IA que no tienen idea de lo que hacen quedan mucho peor después de la IA de lo que estaban antes.
Es trivial instalar Claude, apuntarlo a un repositorio, mandar un prompt de cuatro palabras y ver cómo pasa algo (puede estar bien, puede estar mal).
Usarla bien es otra habilidad. Saber cuándo limpiar el contexto. Saber que lo que acabas de hacer dos veces debería convertirse en un archivo de skill que el modelo lea cada vez, en lugar de un prompt que reescribes. Saber qué 15% del proyecto de automatización requiere un modelo para tomar decisiones y qué 85% solo requiere código determinista. Y lo más importante: leer bien un diff antes de aceptarlo.
Si le das el mismo ticket a dos ingenieros, esta divergencia se nota en los primeros 5 minutos. El primero simplemente pega el texto de Jira en Claude y le da a enviar. El fix tocará seis archivos, y este ingeniero lo revisará por encima, verá que los tests siguen pasando y hará merge del PR. Tres semanas después, cuando producción empiece a fallar, alguien se dará cuenta de que ese PR cambió un valor de configuración sin razón.
El segundo ingeniero empieza igual. Pega el texto de Jira, pero luego señala dónde vive el código en el repositorio, qué carpetas y archivos tocar y cuáles dejar en paz, y ya tiene archivos de skill que aseguran que cada PR enviado por Claude sea minimalista en lugar de verboso y esté bien probado antes de enviarse. Luego lee el diff, detecta un cambio fuera de lugar, lo corrige con un prompt rápido y hace merge de un PR de la mitad del tamaño del del primer ingeniero.
FIGURA 3 - Misma herramienta, mismo asiento, resultado diferente
Al menos la mitad de cualquier organización nunca va a llegar a esa segunda versión. Usar bien la IA es un oficio. Se necesita una cantidad enorme de iteración para volverse realmente bueno usando IA, y la inercia de alguien que no está metido en la IA es insuperable para muchos. Convertir a un cañón de slop en un usuario avanzado refinado es igual de difícil.
Una implementación perfecta igual produce una barra de pesas
La objeción obvia es que "bueno, esas son solo empresas que lo están haciendo mal. Yo lo haría mucho mejor". No. Incluso si lo implementas perfectamente, vas a obtener una barra de pesas pase lo que pase.
Otro ejecutivo con el que hablamos acababa de poner licencias enterprise frente a toda su organización. Un compromiso de ocho cifras para el año. Aproximadamente el 10% de la gente quema el 90% de los tokens.
Para ponerlo en perspectiva: si el otro 90% usara la IA como lo hace el decil superior, el gasto subiría aproximadamente 10x. Un compromiso de $10M se convierte en $100M, y tu mejor escenario ahora es tu peor.
FIGURA 4 - El 10% de tus licencias quema el 90% de los tokens
La adopción es binaria, la habilidad es un espectro
La encuesta de McKinsey de 2025 dice que el 88% de las organizaciones usan IA en al menos una función de negocio. Solo el 6% ve que más del 5% de su EBIT provenga de ella. Otra estadística del informe GenAI Divide de MIT NANDA: el 5% de los pilotos integrados extrae millones en valor y el otro 95% no muestra ningún impacto medible en el P&L.
Si rastreas la adopción como métrica, lo más probable es que estés haciendo (como mucho) una abstracción de una pregunta de sí o no. "¿Inició sesión esta persona este mes?" "¿Inició sesión esta persona este año?" "¿Envió esta persona al menos 5 prompts al día?" Si quieres diferenciar entre "nunca la abrió", "pega correos para reformatearlos" y "tiene tres agentes en producción tocando el libro mayor", necesitas un mejor sistema de medición. Este no es el caso para el 99.9% de los rastreadores de adopción de IA empresarial. Esto es estúpido, por razones obvias (ver: la barra de pesas, más arriba).
FIGURA 5 - Lo que esconde el número de adopción
Pero el número es técnicamente real, y la gente no miente sobre la adopción. Esto es mucho más fácil de medir que lo que de verdad te importa: qué tan hábil es cada persona usando la IA y cuál es su ROI por token usado.
Por eso la adopción de IA es un mito. Si de verdad rastrearas esta métrica, te darías cuenta de que no hay esperanza de que la gran mayoría se vuelva nativa de la IA en la empresa. ¿Eso significa que no tienen valor? Por supuesto que no. Solo significa que tu plan de implementación y despliegue tiene que ajustarse en consecuencia.
Todos los incentivos mantienen el abismo abierto
La hoja de ruta de cada proveedor de IA promete mayor capacidad para los agentes, pero no dice nada sobre la habilidad de los equipos para usarla de forma efectiva. Entonces, las únicas personas que la usan de forma efectiva son los usuarios de vanguardia, que son los que más ruido hacen, así que se les escucha. También son los más halagadores para quienes construyen, así que es un ganar-ganar claro. Cada lanzamiento de funciones eleva el nivel mínimo de habilidad para usar bien el producto, y esto solo amplía el abismo entre la vanguardia y la mayoría en una organización.
Sigo viendo empresas seducidas por la idea de "capacita a tus empleados a hacer prompts". Eso es el 10% del juego. El otro 90% es "capacita a tus empleados para entender qué flujos de trabajo nunca deberían tocar un modelo y cuáles deberían estar completamente automatizados". La razón por la que no puedes vender esto tan fácil como la capacitación en prompts es que la respuesta es diferente en cada empresa, y se necesitan unas semanas en sitio para resolverla.
Y los ninjas de la IA dentro de tu empresa tampoco tienen incentivo para arreglarlo. Su ventaja ES el abismo. Hacen su trabajo 70% más rápido y luego pueden relajarse. O hacen el trabajo de 3 personas. Pero en el momento en que todos están en esa ola, pierden su ventaja. ¿Por qué lo arreglarían sin un incentivo adicional?
Entonces, ¿cuál es la solución?
Bueno, tienes que capacitar de todos modos. No sabrás quién está en la franja superior y quién no hasta que lo hagas. En ese sentido, la capacitación es diagnóstica, no correctiva. Definitivamente hay algunas personas en tu empresa interesadas en la IA pero que no tienen el tiempo ni la oportunidad de profundizar. Deberías capacitar para revelar la habilidad y el nivel de comodidad de todos.
Para tu franja superior, tus usuarios avanzados, dales un lugar donde publicar, como una base de datos compartida, para que cada skill que creen se publique, se rankee y otros la instalen. Este es el único mecanismo que he visto para convertir el avance de una persona en algo compartible. Aquí, el ranking es el incentivo: los usuarios avanzados cambiarán su ventaja por estatus en una organización. La brecha sigue ahí, eso sí: puedes enviarle esto a todos y aun así el 50% de la gente nunca usará un skill.
Para todos los demás, el trabajo tiene que hacerse sin que ellos cambien su forma de trabajar, lo que significa que la IA pasa a segundo plano. ¿Y por qué la IA necesita que un humano le dé prompts? Solo identifica cuáles son los procesos más repetitivos, construye agentes en tus sistemas de registro existentes con los que los empleados ya están familiarizados (Salesforce, NetSuite, Dynamics, etc.), y solo involucra a los humanos cuando necesites una segunda revisión.
Por ejemplo: tienes docenas de analistas de cuentas por pagar que mueven facturas todo el día. El 90% de esto es automatizable. No puedes esperar que ellos levanten agentes o avancen a base de prompts de forma confiable sin que algo se rompa en producción. Así que construye los agentes que corran todos los días, y ahora estos analistas solo aprueban, rechazan o editan el trabajo que hacen los agentes.
Una cosa que debes recordar: la gente no está buscando una herramienta que les ayude a hacer el trabajo. Solo quieren que el trabajo se haga.
FIGURA 6 - Dos caminos, dimensionados según quién está realmente en ellos
Así que deja de reportar "adopción" a tu directorio. Reporta qué proporción del trabajo de hoy es manual, híbrida o totalmente automatizada. Este es el único reporte y la única conversación que importa.
¿Cómo construyes esos agentes de fondo y los pones en marcha? Eso es otro artículo por completo. Pero para dar más contexto, esto es exactamente lo que hacemos en Varick, y es lo único que ha funcionado para los clientes a los que les hemos implementado IA. Son empresas increíblemente grandes, con miles de personas, y el manual es el mismo:
Auditamos dónde ocurre realmente el trabajo dentro de una organización y luego construimos agentes dentro de tus sistemas de registro existentes, para que el trabajo se haga sin pedirle a cinco mil personas que se vuelvan buenas en un oficio al que no se apuntaron.
Trabajamos con empresas que facturan más de $500M, en finanzas, ventas, compras, operaciones, RRHH y más. Míranos en varickagents.com. Y si quieres más contenido como este, suscríbete a nuestro newsletter en varickagents.com/newsletter.
TLDR
- Probablemente estás en el top 1% y, aunque todavía hay una brecha frente a ti, hay un abismo detrás de ti. El empleado promedio de tu empresa está a millas de ti, y la brecha en realidad aumenta con cada release.
- Una implementación promedio de Claude Cowork o similar funciona así: el 5-10% se convierte en usuarios avanzados, el 20% lo usa mal, el 70% apenas lo usa y nada se vuelve más rápido, pero definitivamente quemas millones de dólares.
- Usar una herramienta y usarla bien son habilidades separadas, y al menos la mitad de cualquier organización nunca la usa bien.
- Una gran implementación no arregla esto. Puedes poner IA frente a miles de personas, pero el 10% de tu organización igual quemará el 90% de tus tokens.
- Las métricas de adopción colapsan todo un espectro en un sí o no binario, que es como se llega a 88% de adopción mientras solo el 6% ve un impacto real en el EBIT.
- Necesitas capacitar a la franja superior y publicar lo que construyan. Para todos los demás, pon la IA en segundo plano dentro de los sistemas en los que ya trabajan.
