No todos los problemas necesitan IA

Abdulrhman AlOdhayb trabaja en tecnología y transformación dentro de un entorno institucional complejo. Es asesor sénior de tecnología de la Oficina del Ministro de Defensa de Arabia Saudí.

Nos sentamos con Abdulrhman para conocer las oportunidades y los riesgos de la adopción de la IA en entornos complejos y de alto riesgo. Esto es lo que nos contó.

La tecnología nunca es la parte difícil

Soy Abdulrhman Alodhayb, un ejecutivo de tecnología y transformación con 19 años de liderazgo en uno de los entornos institucionales más complejos que se puedan imaginar: la defensa nacional. He pasado casi dos décadas en el Ministerio de Defensa de Arabia Saudí, liderando la transformación de la salud digital y la arquitectura empresarial y, más recientemente, ejerciendo como asesor sénior de tecnología de la Oficina del Ministro de Defensa.

Mi trayectoria se ha desarrollado en una intersección que la mayoría de los líderes tecnológicos rara vez encuentran: un entorno en el que las decisiones de ingeniería tienen implicaciones para la seguridad nacional, en el que la alineación de las partes interesadas implica conectar las estructuras de mando militar con los sistemas clínicos y las plataformas empresariales, y en el que el coste de una transformación fallida no se mide en ingresos perdidos, sino en confianza institucional y preparación operativa.

El hilo conductor de todo ello ha sido una única convicción: la tecnología nunca es la parte difícil. La parte difícil es crear las condiciones organizativas para que la tecnología aporte valor. He diseñado estrategias de TIC para hospitales, he contribuido al rediseño de un Modelo Operativo Objetivo para todo el Ministerio junto con BCG y he guiado iniciativas digitales a escala empresarial en las que el fracaso simplemente no era una opción.

Hoy, mientras la inteligencia artificial pasa de la experimentación al núcleo de la arquitectura de sistemas, el desarrollo de software y la habilitación organizativa, me encuentro en el momento más interesante de mi carrera. Me preocupan especialmente las preguntas no sobre la tecnología en sí, sino sobre cómo los líderes desarrollan el criterio, la gobernanza y las arquitecturas resilientes que permiten a la IA acelerar la ejecución sin erosionar la calidad ni la seguridad.

De eso es de lo que vengo a hablar.

Trabajar en el nivel estratégico

El ecosistema tecnológico en el que trabajo es considerable en todas sus dimensiones. Operamos sistemas empresariales que abarcan hospitales militares, plataformas de mando y control, infraestructura de comunicaciones unificadas y marcos de datos de defensa nacional. La arquitectura es inherentemente híbrida: despliegues soberanos locales en los que la residencia de los datos y la clasificación de seguridad no son negociables, integrados con plataformas modernizadas en las que impulsamos activamente la transformación digital.

Trabajo en el nivel estratégico, asesorando a nivel ministerial, liderando las funciones de gestión estratégica de la PMO y de TI, y alineando las hojas de ruta tecnológicas en múltiples direcciones y unidades organizativas. La complejidad humana rivaliza con la complejidad técnica. Coordinar la transformación de una plantilla militar y civil con múltiples niveles, cada uno con diferentes culturas operativas y tolerancias al riesgo, es una disciplina en sí misma.

La complejidad de los productos aquí es diferente de la de la tecnología comercial. No lanzamos funcionalidades. Estamos rediseñando la forma en que opera una institución nacional. Esto incluye sistemas de historias clínicas electrónicas para una red de hospitales militares, plataformas de recursos empresariales y, más recientemente, la contribución a un Modelo Operativo Objetivo para todo el Ministerio que replantea la forma en que la tecnología estructura y habilita todo el sistema de defensa.

El modelo de despliegue prioriza la soberanía por necesidad. La seguridad, la clasificación y la gobernanza nacional de los datos no son limitaciones que debamos sortear. Son la arquitectura. Esta realidad determina mi forma de pensar sobre la resiliencia, la redundancia y cómo debe ser una adopción responsable de la IA cuando lo que está en juego es la seguridad nacional y no un interés comercial.

Cómo la IA hace visible lo invisible

Abdulrhman comparte

Cambiamos la propia capa de gobernanza. Introdujimos análisis asistidos por IA en el proceso de revisión de programas… Esto no sustituyó el criterio humano. Proporcionó a los responsables de la toma de decisiones una visión más completa y rápida de la realidad organizativa…

El año pasado introduje puntos de control de gobernanza basados en IA en nuestro ciclo de revisión de programas tecnológicos. Antes de este cambio, las revisiones de programas se centraban en métricas de ejecución tradicionales: cumplir hitos, hacer seguimiento de los presupuestos y registrar riesgos. El proceso era disciplinado, pero inherentemente retrospectivo. Medíamos lo que ya había ocurrido en lugar de anticipar lo que podía salir mal.

El cambio se produjo cuando reconocí que varios programas empresariales generaban enormes volúmenes de datos estructurados y no estructurados —en la documentación de los proyectos, las comunicaciones con proveedores, las solicitudes de cambio y los informes operativos—, pero nadie sintetizaba esta información para fundamentar las decisiones de liderazgo en tiempo real. Tratábamos esta inteligencia como un archivo.

Cambiamos la propia capa de gobernanza. Introdujimos análisis asistido por IA en el proceso de revisión de programas, utilizando las capacidades de los modelos lingüísticos para sintetizar la documentación entre programas, detectar anomalías en los patrones de entrega y generar indicadores de alerta temprana antes de que se convirtieran en asuntos de escalación. Esto no sustituyó el juicio humano. Proporcionó a los responsables de la toma de decisiones una visión más completa y rápida de la realidad organizativa, lo que les permitió aplicar su criterio en el momento y el nivel adecuados.

Los resultados fueron significativos. Los ciclos de revisión se volvieron más específicos porque el liderazgo llegaba con una visión previamente sintetizada de dónde era realmente necesaria la atención, en lugar de dedicar la primera mitad de cada sesión a reconstruir el estado a partir de informes sin procesar. Y, lo que es más importante, detectamos dos riesgos significativos de los programas antes de lo que nuestro proceso tradicional habría permitido, lo que posibilitó intervenir antes de que se produjera el impacto, en lugar de responder después de los hechos.

Esta experiencia reforzó un principio que ahora mantengo firmemente: la IA no transforma las organizaciones sustituyendo procesos. Las transforma haciendo visible lo invisible y proporcionando a los líderes la claridad necesaria para actuar con precisión en lugar de reaccionar con urgencia.

Dónde deberían utilizar la IA los equipos técnicos

La frontera entre las decisiones informadas por la IA y las decisiones de responsabilidad humana no es estática. Se desplaza a medida que se gana confianza, maduran las capacidades y se aclaran las implicaciones de cada ámbito de decisión.

En mi entorno, confío activamente en la IA para informar o impulsar el trabajo técnico en varias áreas. Una de ellas es la síntesis de documentación y la inteligencia entre programas. Además, confío en la IA para respaldar el análisis de patrones arquitectónicos, concretamente para evaluar si las soluciones propuestas están alineadas con los estándares empresariales establecidos o introducen una deuda técnica que se acumulará con el tiempo. Ahora la IA puede detectar en horas lo que antes requería días de revisión por parte de un arquitecto sénior; no como veredicto final, sino como una aportación estructurada que mejora la revisión humana posterior.

También utilizo mucho la IA en la capa de planificación estratégica: para sintetizar evaluaciones del panorama tecnológico, realizar comparaciones con las mejores prácticas mundiales y preparar la estructura analítica de las hojas de ruta y los modelos operativos objetivo. Cuando el volumen de información es elevado y el tiempo de síntesis es limitado, la IA aporta un valor desproporcionado.

En el ámbito de la seguridad, la supervisión y la detección de anomalías informadas por la IA se han convertido en una expectativa básica, no en una innovación. El reconocimiento de patrones a la velocidad y escala que exigen los entornos de amenazas modernos está sencillamente fuera del alcance de la capacidad humana sin asistencia. En este caso, confío en la IA para detectar y señalar. No confío en ella para concluir o responder.

Dónde deberían seguir siendo humanas las tareas

Todo lo que tiene consecuencias institucionales sigue siendo explícitamente humano. Las decisiones arquitectónicas que determinarán el rumbo de la organización durante los próximos cinco o diez años siguen siendo responsabilidad de las personas. El análisis de la IA las informa, pero quienes comprenden el contexto organizativo, las dinámicas políticas y las implicaciones a largo plazo son, en última instancia, quienes las juzgan de maneras que ningún modelo puede alcanzar actualmente. Las decisiones de respuesta a incidentes que afectan a la continuidad operativa, especialmente en un entorno de defensa, requieren autoridad de mando humana. La responsabilidad no se puede automatizar.

Las decisiones sobre proveedores y asociaciones siguen siendo humanas. Evaluar la confianza, la alineación de valores y la adecuación organizativa a largo plazo requiere un juicio humano que va mucho más allá de lo que la IA puede evaluar de forma fiable hoy en día.

Y la propia gobernanza sigue siendo humana. Soy profundamente cauteloso ante cualquier organización que permita que la IA gobierne a la IA. Las personas que puedan ser consideradas responsables de los resultados deben asumir la propiedad de la capa de supervisión, los controles éticos y las decisiones sobre dónde debe y dónde no debe operar la IA.

Mi principio operativo es el siguiente: confío en la IA para ampliar el ámbito del juicio humano, nunca para sustituirlo. En el momento en que una organización confunde ambas cosas, no ha adoptado la IA. Simplemente ha externalizado su responsabilidad.

Los resultados positivos de la integración de la IA

En el lado positivo, la integración de la IA en nuestros flujos de trabajo mejoró de forma más cuantificable la eficiencia del ciclo de revisión de programas. Después de introducir la síntesis asistida por IA en nuestro proceso de gobernanza, los responsables dedicaron aproximadamente un 60 % menos de tiempo por sesión de revisión a reconstruir el estado de los proyectos a partir de la documentación sin procesar. No es una cifra trivial en un entorno en el que los responsables sénior de la toma de decisiones trabajan simultáneamente en varios programas. En la práctica, devolvimos horas de atención ejecutiva en cada ciclo, redirigiéndolas hacia el juicio y la intervención en lugar de hacia la reconstrucción del estado.

El segundo resultado medible fue la detección de riesgos. Como mencioné anteriormente, identificamos dos riesgos importantes de los programas antes de lo que lo habría permitido nuestro proceso de revisión tradicional. En ambos casos, el intervalo entre la detección temprana y un impacto material en la entrega se midió en semanas. En un entorno comercial, esto se traduce en evitar costes. En un entorno de defensa, se traduce en preparación operativa: una cifra más difícil de cuantificar, pero mucho más trascendental.

En la planificación estratégica, la integración de la IA redujo aproximadamente un 70 % el tiempo necesario para elaborar las primeras versiones de las evaluaciones tecnológicas y la estructura inicial de las hojas de ruta. Eso no significa que el resultado final requiriera un 70 % menos de esfuerzo. Significa que el esfuerzo humano pasó de la generación al juicio, de la redacción a la edición y de la síntesis a la validación. La calidad del resultado mejoró porque las personas con mayor experiencia dedicaron su tiempo a lo que requería sus conocimientos, en lugar de a lo que era mecánico.

Los resultados negativos de la integración de la IA

Abdulrhman comparte

El primer desafío fue la adopción. El segundo desafío fue la coherencia de la calidad de los resultados. La tercera lección, y la más importante, tuvo que ver con las expectativas…

Ahora, un relato honesto de lo que ha funcionado peor de lo esperado, porque la comunidad de líderes tecnológicos no se beneficia de historias que solo celebran los éxitos.

El primer desafío fue la adopción. En un entorno institucional grande con culturas operativas profundamente arraigadas, introducir la IA en los flujos de trabajo no es un problema tecnológico. Es un problema de gestión del cambio. Teníamos programas en los que implementamos las herramientas y concedimos acceso, pero la capacidad permaneció prácticamente sin utilizar porque no habíamos rediseñado los sistemas humanos a su alrededor —los incentivos, los hábitos y la confianza— para adaptarlos. La adopción tecnológica sin adopción conductual no es más que tecnología costosa abandonada en una estantería.

El segundo desafío fue la coherencia de la calidad de los resultados. En las primeras implementaciones, observamos una variación significativa en la calidad de los análisis generados por IA en función de la calidad y la estructura de los datos de entrada. Si entra basura, sale basura; no es un principio nuevo, pero la IA hace que la basura parezca más autorizada. Una instrucción mal estructurada que produce un resultado bien formateado, pero débil desde el punto de vista analítico, es, en cierto modo, más peligrosa que una página en blanco porque genera una falsa sensación de confianza. Aprendimos a invertir mucho en la disciplina de las instrucciones y en la gobernanza de los datos de entrada antes de confiar en los resultados en contextos de alto riesgo.

La tercera lección, y la más importante, tuvo que ver con las expectativas. Las organizaciones que plantean la integración de la IA como un ejercicio de reducción de costes tienden a obtener resultados decepcionantes porque optimizan el resultado equivocado. Las organizaciones —incluidos nuestros propios programas— que han observado un impacto real plantearon la IA como un amplificador de capacidades. La pregunta no era: “¿Cómo hacemos el mismo trabajo con menos personas?”. Era: “¿Cómo hacemos un trabajo que antes era imposible, o lo hacemos con un nivel de calidad que antes no podíamos alcanzar con nuestros recursos?”

Ese cambio de perspectiva es la diferencia entre la IA como herramienta de eficiencia y la IA como palanca de transformación. Y, según mi experiencia, solo la segunda versión produce resultados de los que merece la pena hablar.

Por qué la integración de la IA se queda corta en entornos complejos

La brecha entre lo que promete la IA en una presentación ante el consejo de administración y lo que ofrece dentro de un entorno institucional complejo sigue siendo significativa, y fingir lo contrario perjudica a la profesión.

La IA no ha cumplido nuestras expectativas con mayor claridad en la inteligencia de integración entre sistemas. Esperábamos razonablemente, basándonos en lo que la tecnología había demostrado en entornos controlados, que la IA pudiera actuar como una capa inteligente de orquestación entre nuestras plataformas empresariales, comprendiendo las relaciones entre los sistemas, identificando los fallos de integración antes de que se propagaran y recomendando acciones correctivas en tiempo real.

Descubrimos que la IA funciona extraordinariamente bien dentro de dominios bien definidos y documentados, y extraordinariamente mal en las fronteras desordenadas, poco documentadas y políticamente complejas entre los sistemas empresariales de las grandes instituciones. Ningún documento contiene los conocimientos necesarios para desenvolverse en esas fronteras. Estos conocimientos viven en las personas, en las relaciones y en la memoria institucional acumulada durante años. La IA no tenía acceso a esos conocimientos ni una forma fiable de adquirirlos al ritmo que necesitábamos.

La IA también ha ofrecido resultados inferiores a lo esperado en las interfaces de lenguaje natural para usuarios no técnicos. La teoría era convincente: ofrecer al personal operativo y a los altos directivos una interfaz conversacional para acceder a los datos empresariales, eliminando la dependencia de intermediarios técnicos para cada consulta e informe. En la práctica, la diferencia entre la forma en que los usuarios no técnicos expresan naturalmente sus intenciones y la manera en que los sistemas de IA interpretan dichas intenciones de forma fiable resultó ser mucho mayor de lo previsto. Los usuarios se frustraban cuando los resultados no coincidían con sus expectativas, y la frustración en una gran institución no genera ciclos de retroalimentación. Genera abandono. Terminamos con una capacidad que funcionaba bien para los usuarios con conocimientos técnicos y mal para la población más amplia a la que estaba destinada, que es precisamente lo contrario de lo que requiere la transformación.

La tercera área es el razonamiento sobre documentos estratégicos. Esperábamos que la IA trabajara de manera significativa con los documentos extensos, altamente contextuales y a menudo ambiguos de políticas y estrategias que constituyen la base de la toma de decisiones en las grandes instituciones gubernamentales. Descubrimos que la IA puede resumir estos documentos de forma competente, pero tiene dificultades para razonar entre ellos, identificar contradicciones reales entre una política redactada en una dirección y un estándar adoptado en otra, comprender el peso político de una cláusula concreta o reconocer cuándo una recomendación técnicamente correcta es institucionalmente imposible. Esa capa de criterio, que hace que el asesoramiento estratégico sea útil y no meramente preciso, siguió siendo obstinadamente humana.

Por último, quiero mencionar algo que rara vez aparece en los estudios de caso de los proveedores: la IA no ha proporcionado la velocidad de aprendizaje organizativo que esperábamos. Dimos por sentado que, a medida que la organización adoptara herramientas de IA, desarrollaría inteligencia colectiva con mayor rapidez y que las ideas detectadas por la IA en un programa se propagarían de forma natural y mejorarían la toma de decisiones en otros programas. Lo que ocurrió es que las ideas de la IA permanecieron aisladas dentro de los equipos que las generaron, porque las estructuras organizativas, los mecanismos de intercambio de conocimientos y las normas culturales en torno a la documentación y la transparencia no habían evolucionado para captar y distribuir lo que producía la IA. La tecnología generaba más señales de las que la organización sabía absorber.

Comparto todo esto no como una crítica del potencial de la IA, que sigo considerando enorme, sino como un recordatorio de que cada una de las carencias que acabo de describir es un problema de sistemas humanos disfrazado de tecnología.

Un flujo de trabajo de IA para optimizar las evaluaciones de programas estratégicos

Voy a explicarte un flujo de trabajo que es uno de los más valiosos en mi práctica actual: la evaluación de programas estratégicos aumentada por IA. Lo describiré de principio a fin porque su valor no reside en ningún paso individual, sino en la forma en que se conectan los pasos.

Este flujo de trabajo suele activarse cuando un programa alcanza un punto de decisión crítico. En nuestro entorno, podría tratarse de una migración importante de una plataforma empresarial, la implantación de un sistema de salud digital en una red de hospitales militares o una revisión de la arquitectura empresarial vinculada al rediseño de un modelo operativo objetivo. Se trata de programas en los que la decisión tiene consecuencias para varios años y las aportaciones son voluminosas, heterogéneas y están cargadas de implicaciones políticas.

El flujo de trabajo comienza con la agregación estructurada de las aportaciones. Antes de que la IA intervenga en el análisis, mi equipo selecciona y organiza deliberadamente los materiales: reúne la documentación del programa, las propuestas de los proveedores, las propuestas de arquitectura técnica, las conclusiones de revisiones anteriores, los marcos normativos pertinentes y los documentos de posicionamiento de las partes interesadas en un corpus estructurado. Este paso es completamente humano y deliberado. La calidad del resultado posterior de la IA es directamente proporcional a la calidad y la estructura de sus datos de entrada. Aprendimos esta lección por las malas en las primeras implantaciones y ahora consideramos la gobernanza de los datos de entrada una disciplina innegociable.

A continuación, realizamos una síntesis asistida por IA. Pasamos el corpus seleccionado por un modelo de lenguaje con una arquitectura de instrucciones cuidadosamente diseñada que plantea preguntas analíticas concretas, no una solicitud de resumen abierto. No pedimos al modelo que nos diga qué exponen los documentos. En su lugar, le pedimos que identifique contradicciones entre los objetivos declarados y las arquitecturas propuestas, ponga de manifiesto supuestos afirmados pero no demostrados, señale dependencias que aparecen en un documento pero están ausentes en otro y destaque patrones de riesgo que coincidan con perfiles que hemos visto fracasar en programas anteriores. El resultado es un informe analítico estructurado, no un resumen.

El tercer paso, y el más humano, es la revisión crítica y la recontextualización. Un asesor sénior —en la mayoría de los casos, yo o un responsable técnico de confianza— lee el informe generado por la IA no como una conclusión, sino como un punto de partida para el análisis crítico. Nos preguntamos: ¿Qué ha puesto de manifiesto el modelo que no habíamos articulado conscientemente? ¿Qué ha pasado por alto y que conocemos por nuestra experiencia institucional? ¿Dónde es técnicamente correcto, pero institucionalmente ingenuo? Aquí, diecinueve años trabajando dentro de este entorno aportan un valor que ningún modelo puede replicar. El informe de la IA agudiza las preguntas. El criterio humano proporciona las respuestas.

El cuarto paso consiste en preparar la decisión. Utilizamos las conclusiones validadas de la revisión humana para construir el paquete de decisión ejecutiva: contextualizar la decisión, exponer las opciones con sus verdaderas compensaciones, detallar los riesgos con una probabilidad y un impacto realistas, y presentar la recomendación con sus supuestos explícitos. Dado que la síntesis mediante IA se encarga del trabajo mecánico de procesar el corpus, este paso es más rápido y completo de lo que sería un proceso exclusivamente manual. Los líderes llegan al punto de decisión con una visión más clara y preguntas más centradas.

El quinto paso es capturar los resultados, un ámbito en el que la mayoría de las organizaciones falla. Una vez que la decisión y el programa siguen adelante, documentamos no solo qué se decidió, sino también qué aspectos reveló el análisis de IA que resultaron ser precisos, qué pasó por alto y qué supuestos realizó que acabaron siendo erróneos. Esta retroalimentación no se guarda en una carpeta; en su lugar, se incorpora de nuevo a nuestra arquitectura de instrucciones y a los estándares de gobernanza de entradas para el siguiente programa. El flujo de trabajo mejora con cada iteración porque tratamos cada ejecución como una oportunidad de aprendizaje.

Este flujo de trabajo ha tenido un impacto significativo y medible. Ha reducido aproximadamente un 65% el tiempo de los ciclos de evaluación de las revisiones de programas importantes. Ha mejorado la profundidad de la identificación de riesgos, al sacar a la luz los problemas antes en el proceso de decisión, en lugar de descubrirlos durante la ejecución. Y, quizá lo más importante, ha elevado la calidad de la conversación ejecutiva en los puntos de decisión, porque los líderes dedican su tiempo a verdaderas decisiones de criterio en lugar de reconstruir el estado a partir de información sin procesar.

Quiero hacer hincapié en la filosofía de diseño de este flujo de trabajo. La IA no toma ninguna decisión por sí sola; procesa, sintetiza y saca a la luz la información. Cada juicio, cada validación y cada recomendación siguen siendo responsabilidad humana.

Cómo evitar los escollos en la adopción de la IA

Abdulrhman comparte

He aprendido que, en territorios verdaderamente novedosos, la honestidad intelectual sobre la incertidumbre no es una debilidad del liderazgo. Es un requisito previo para generar la confianza que mantiene unidos a los equipos durante los inevitables momentos en los que el camino resulta más difícil de lo que el plan había previsto.

El sistema inmunitario de la organización existe, es poderoso y se activa más rápido de lo que se implementa cualquier herramienta de IA. Toda institución grande ha desarrollado, a lo largo de años y décadas, mecanismos informales que se resisten a los cambios que amenazan las estructuras de poder existentes, los flujos de trabajo establecidos y las identidades profesionales. Lo entendía intelectualmente antes de empezar, pero subestimé hasta qué punto y con qué rapidez se activarían esos mecanismos en respuesta a la IA.

Cuando las personas percibieron que las herramientas de IA estaban cambiando no solo la forma de trabajar, sino también quién aportaba valor en la organización, la resistencia no se expresó como oposición, sino como cumplimiento sin adopción. Los equipos accedían a las herramientas, pero no las utilizaban. Recibían resultados, pero no actuaban en consecuencia. Los procesos se actualizaban nominalmente, pero no cambiaban en la práctica. La resistencia pasiva en una institución grande es casi invisible hasta que se miden los resultados. Cuando las mediciones revelan el problema, ya se han perdido meses de impulso.

Relacionado con esto, me habría gustado saber hasta qué punto el enfoque de la implementación condicionaría permanentemente la recepción de la iniciativa. En nuestras primeras implementaciones, cometimos un error de comunicación que considero uno de los fallos más trascendentales de la iniciativa. Para conseguir el respaldo de los ejecutivos y justificar la inversión, presentamos las herramientas de IA con el lenguaje de la eficiencia: más rápidas, más ágiles y más productivas.

Ese enfoque era correcto en un sentido técnico limitado, pero profundamente contraproducente en todos los sentidos humanos. Cuando las personas oyen hablar de eficiencia en el contexto de una nueva herramienta que se implementa en su equipo, oyen hablar de plantilla. Piensan que se está evaluando si su puesto es prescindible. Interactúan con la herramienta no como algo que mejorará su trabajo, sino como algo que podría hacer innecesario su puesto. La actitud defensiva que generó ese enfoque tardó meses en desmantelarse y nunca llegó a desaparecer por completo en algunas partes de la organización.

Y, a nivel personal, ahora sé que debería haber sido más transparente con mis equipos respecto a mi propia incertidumbre. Emprendí este recorrido con más confianza en mi convicción sobre la dirección que en mi conocimiento operativo de cómo se comportaría la IA dentro de nuestro contexto institucional específico. Sabía que el destino era el correcto. No conocía por completo el camino. En mi esfuerzo por proyectar la confianza en el liderazgo que requieren los programas grandes, a veces comuniqué una certeza que no poseía, lo que creó expectativas que la realidad complicó después. He aprendido que, en territorios verdaderamente novedosos, la honestidad intelectual sobre la incertidumbre no es una debilidad del liderazgo. Es un requisito previo para generar la confianza que mantiene unidos a los equipos durante los inevitables momentos en los que el camino resulta más difícil de lo que el plan había previsto.

Por qué la IA exige un nuevo tipo de líder tecnológico

La era de la IA devalúa sistemáticamente un perfil concreto de líder tecnológico: el experto que acumuló profundos conocimientos técnicos durante años de estudio y práctica disciplinados, construyó su autoridad mediante el dominio de la materia y lideró como la persona con más conocimientos de la sala. Ese perfil dominó el liderazgo tecnológico durante décadas y produjo resultados extraordinarios cuando el conocimiento era el cuello de botella y la experiencia constituía la ventaja competitiva. La IA no elimina ese perfil de la noche a la mañana. Pero erosiona sus cimientos más rápido de lo que la mayoría de las personas que encajan en ese perfil reconocen, y las instituciones que dependen de él sin desarrollar a su sucesor acumulan un riesgo de liderazgo que aún no han registrado.

El perfil que requiere la era de la IA es fundamentalmente diferente. La era de la IA requiere líderes que deriven su autoridad no de lo que saben, sino de la calidad de sus preguntas. Líderes cuya principal contribución intelectual no sea la síntesis (porque la IA puede sintetizar), sino el criterio. Líderes versados en las dinámicas organizativas, la psicología humana y el poder institucional, además de en la tecnología. Líderes que mantengan una auténtica humildad intelectual ante una herramienta que proyecta confianza constantemente, y que hayan desarrollado la estabilidad interna necesaria para decir "No lo sé" y "Necesito pensar en esto" en entornos que recompensan la determinación por encima de casi todo lo demás.

Y, quizá lo más importante, la era de la IA requiere líderes que respondan de forma clara y exhaustiva a una pregunta que las generaciones anteriores de líderes tecnológicos rara vez tuvieron que plantearse: ¿Qué valor humano estoy aportando que la IA no puede replicar, y estoy invirtiendo en ese valor con la misma disciplina que aplico a mi desarrollo técnico?

Me hago esa pregunta con regularidad. No es una pregunta cómoda. Requiere una autoevaluación honesta sobre qué partes de mi identidad profesional son realmente irreemplazables y qué partes protejo por hábito más que por necesidad. Creo que ese proceso de autoexamen honesto es la práctica de liderazgo fundamental de la era de la IA. No la ingeniería de instrucciones, ni la evaluación de modelos, ni los marcos de gobernanza de la IA —por importantes que sean. Es la disposición a observar con claridad qué aportas que un modelo no puede aportar e invertir de forma deliberada e incansable exactamente en eso.

La era de la IA produce una complejidad a un ritmo y una escala sin precedentes históricos en la profesión tecnológica. Los líderes que la afrontarán bien no adoptan la IA más rápido, no la implementan de forma más ambiciosa ni hablan de ella con mayor fluidez en escenarios como este. Realizan el trabajo más difícil y silencioso de desarrollar las cualidades humanas que exige la complejidad: criterio, humildad, valentía, sabiduría institucional y la claridad de propósito que les permite dirigir herramientas poderosas hacia fines valiosos.

Creo que la comunidad de liderazgo tecnológico necesita mantener esa conversación con mucha más urgencia de la que lo hace actualmente. Y esa es la razón por la que acepté esta entrevista: no para hablar de lo que la IA puede hacer, sino para reflexionar detenidamente, en público, sobre en qué debemos convertirnos como líderes para ser dignos de dirigirla.

Cinco consejos para directores de tecnología

Quiero dar consejos que sean útiles, en lugar de consejos que suenen bien en el escenario de una conferencia, así que permíteme compartir lo que creo basándome en diecinueve años liderando la transformación dentro de uno de los entornos institucionales más complejos que se puedan imaginar.

Primero, resiste la presión de tener una estrategia de IA. Tu organización necesita una estrategia empresarial al servicio de la IA. He visto a demasiados líderes tecnológicos invertir una enorme cantidad de energía en elaborar hojas de ruta de IA, crear centros de excelencia de IA y anunciar iniciativas de IA, pero dejan sin respuesta la pregunta fundamental de qué problema están resolviendo para la institución. La IA sin claridad estratégica no es transformación; es actividad sofisticada disfrazada de progreso. Empieza por el resultado que tienes la responsabilidad de conseguir y retrocede hasta determinar dónde puede aportar la IA el mayor efecto multiplicador. Esa secuencia importa enormemente.

Segundo, considera la adopción como el principal desafío de ingeniería, no la integración. El problema más difícil del despliegue de la IA no es conectar el modelo con tus sistemas; es cambiar la forma en que tu gente piensa, decide y trabaja cuando cuenta con asistencia de IA. Según mi experiencia, las organizaciones invierten muy poco en esto. Asignan el 80 por ciento de su presupuesto a la tecnología y el 20 por ciento a las personas y al cambio de procesos, cuando la proporción que produce resultados se acerca más a la inversa. Si tu iniciativa de IA no incluye un componente serio de gestión del cambio y desarrollo de capacidades, estás construyendo sobre arena, por muy sofisticada que sea tu arquitectura.

En tercer lugar, protege ferozmente tu capa de criterio. A medida que la IA se vuelve más capaz y está más integrada en los flujos de trabajo, surgirá una presión constante, sutil y no tan sutil, para ampliar su autoridad: permitirle no solo informar de las decisiones, sino tomarlas; no solo señalar riesgos, sino resolverlos; no solo redactar recomendaciones, sino aprobarlas. Resístete. No porque la IA no pueda ser técnicamente capaz de hacer estas cosas en determinados ámbitos, sino porque, en el momento en que tu organización pierde el hábito del criterio humano, pierde algo extraordinariamente difícil de reconstruir. El criterio es un músculo. Las organizaciones que dejan de ejercitarlo no permanecen estáticas; se atrofian. En un entorno de alto riesgo, esa atrofia te perjudica en el peor momento posible.

En cuarto lugar, presta mucha atención a los ecosistemas soberanos de IA, especialmente si operas en el ámbito gubernamental, de la defensa o de las infraestructuras nacionales críticas, o en sectores adyacentes. Cuestiona la suposición de que las plataformas globales de hiperescala seguirán siendo la arquitectura predeterminada para la IA empresarial. En Arabia Saudí, estamos presenciando la aparición de una infraestructura de IA verdaderamente soberana a través de plataformas como HUMAIN ONE. Estas plataformas se basan en modelos de lenguaje concebidos prioritariamente para el árabe, se alojan en una infraestructura nacional de computación y están diseñadas específicamente para la complejidad de la gobernanza de las grandes instituciones. Para los CTO que operan en entornos regulados o sensibles desde el punto de vista de la seguridad, la cuestión de dónde se ejecuta tu IA, en qué infraestructura, bajo qué jurisdicción y con los datos de quién se ha entrenado no es una casilla de cumplimiento normativo; es una decisión arquitectónica fundamental que definirá la postura de IA de tu organización durante la próxima década.

En quinto y último lugar, invierte en tu propio criterio como líder con la misma disciplina con la que inviertes en la capacidad técnica de tu organización. Este es el consejo que considero más importante y menos debatido en los círculos tecnológicos. Los CTO que superan bien este momento no necesariamente comprenden la IA con mayor profundidad desde un punto de vista técnico. Combinan conocimientos técnicos con sabiduría institucional, claridad estratégica y el valor moral necesario para tomar decisiones adecuadas para sus organizaciones, incluso cuando son impopulares a corto plazo. La IA seguirá avanzando independientemente de lo que hagamos. La variable es la calidad del liderazgo humano que la dirige.

No estamos en una carrera por adoptar la IA más rápido; estamos en una carrera por adoptarla con mayor sabiduría. Según mi experiencia, la sabiduría nunca ha sido una función que puedas instalar.

Sigue la actualidad

Puedes seguir el trabajo de Abdulrhman AlOdhayb en LinkedIn.

Próximamente habrá más entrevistas con expertos en The CTO Club.