Centauros vs. Cyborgs: Cómo los mejores equipos realmente trabajan con IA, y los errores que están cometiendo los demás.

"La clave no es pelear contra las máquinas sino usarlas para amplificar lo mejor de nuestra humanidad." - Garry Kasparov

En 2023, investigadores de Harvard Business School y Boston Consulting Group realizaron el experimento de campo más grande hasta la fecha sobre el impacto de la IA en el trabajo real. Le dieron a 758 consultores de BCG múltiples tareas de negocio. La mitad usó GPT-4. La otra mitad trabajó sin él.

Los consultores con IA terminaron 25% más rápido y produjeron resultados 40% mejores. Esa parte fue la que salió en los titulares.

La parte que no recibió tanta atención: en ciertas tareas, los mismos consultores usando la misma IA tuvieron un rendimiento 19 puntos porcentuales peor que el grupo que trabajó sin ella.

Las mismas personas. La misma tecnología. Resultados opuestos.

Lo que separó a los dos grupos no fue la IA en sí. Fue entender dónde la IA realmente funciona y dónde falla. La mayoría de las empresas que están implementando IA hoy están cometiendo el mismo error. La tratan como si fuera una calculadora. O funciona o no funciona. Distribuyen licencias, hacen una sesión de capacitación, y esperan que la productividad suba.

Ese enfoque se pierde la realidad de cómo la IA impacta la productividad y los resultados en las empresas. La IA no hace que tu equipo sea uniformemente mejor o peor. Crea tres formas distintas de trabajar, y cada una produce resultados completamente diferentes.

Entender en qué modo está operando tu equipo ahora mismo, y en cuál debería estar, es lo que separa la IA que mejora tu trabajo de la IA que silenciosamente lo empeora. Así las empresas evitan picos enormes en facturación por uso masivo y terminan obteniendo peores resultados que antes.

La Frontera Irregular: Por qué la IA no es una calculadora

Hagamos un pequeño desvío antes de continuar hablando de Centauros y Cyborgs, y hablemos de lo que significa la Frontera Irregular en el mundo de la IA. La mayoría de la gente cree que las capacidades de la IA mejoran en línea recta. Así no funciona.

Las capacidades de la IA son irregulares. Piensa en una línea costera. Algunas zonas avanzan mucho. Otras retroceden. El límite entre lo que la IA maneja bien y lo que falla es irregular e impredecible.

GPT-4 o Sonnet 4.6 puede redactar un escrito legal que suena como si viniera de un asociado senior. También falla al contar cuántas veces aparece la letra R en "strawberry." El mismo modelo. Un rendimiento radicalmente diferente en tareas que parecen igualmente simples.

Eso es lo que Ethan Mollick y el equipo de investigación de Harvard llaman la frontera irregular. Su forma es lo que hace peligroso implementar IA sin entenderla primero.

Aquí está la parte que importa. Tareas que le parecen simples a un humano pueden ser imposibles para la IA. Tareas que parecen imposiblemente complejas pueden ser triviales. No hay una lógica que se mapee a la intuición humana.

No puede decirte si ahora mismo es el momento correcto para contactar a un prospecto que acaba de cambiar de trabajo. No puede leer la dinámica política de un deal basándose en cómo se comportaron los stakeholders en la última reunión. No puede reconocer que cuando un comprador dice sí, lo que en realidad quiere decir es "todavía necesito conseguir aprobación de presupuesto y no soy el decisor pero no quiero decirlo en voz alta todavía."

El patrón es consistente. La IA no es magia. Es reconocimiento de patrones a escala. Maneja reconocimiento, síntesis y volumen. Falla en contexto, timing, y en leer lo que no se dice.

El problema real no es que falle. El problema es que falla con confianza. Una plantilla de email mala se ve idéntica a una buena. Una secuencia de seguimiento mal cronometrada se ve igual que una con timing perfecto. La IA no avisa cuando está adivinando. Entrega todo con el mismo nivel de confianza.

Por eso implementar IA como política general no funciona. No puedes tratar todas las tareas de la misma manera. Necesitas saber dónde está tu frontera irregular. Y necesitas trabajar diferente dependiendo de en qué lado de la línea estés.

Esa es la frontera, y la mayoría de las empresas la están cruzando a ciegas.

Tres formas de trabajar con IA

El estudio de BCG no solo encontró el problema. Encontró la solución. Cuando los investigadores analizaron qué consultores tuvieron éxito y cuáles no, emergieron tres patrones.

Centauros

El término viene de Ethan Mollick, profesor de Wharton y uno de los investigadores principales del estudio de BCG. Su descripción es precisa: el trabajo Centauro tiene una línea clara entre humano e IA, como la criatura mitológica con su separación nítida entre torso y cuerpo de caballo. Un lado es humano. El otro es una máquina. Hay un punto de traspaso.

Tú eres el conductor. Tú decides qué se delega. La IA ejecuta esa parte. Luego vuelves a tomar el control.

En ventas B2B, por ejemplo, esto se ve bastante directo. Usas Clay para enriquecer 500 prospectos con tamaño de empresa, tech stack y datos de financiamiento. Clay hace el enriquecimiento. Tú haces la calificación. Tú eliges las 50 cuentas que importan basándote en señales que Clay no pudo ver. Como el hecho de que una de ellas acaba de publicar en LinkedIn que su CRM legacy se está cayendo a pedazos.

Generas 10 asuntos para una campaña de email. La IA escribe las variaciones. Tú eliges los tres que realmente suenan como algo que un humano abriría. Los testeas. Lees los resultados. Decides si iterar o enviar.

Redactas emails de seguimiento después de discovery calls. La IA genera la primera versión a partir de tus notas de llamada. Tú reescribes la apertura para referenciar algo que el prospecto dijo y que no quedó en las notas. Ajustas el CTA según si el prospecto parecía urgente o cauteloso.

Fortalezas del Centauro: ownership claro, menor riesgo de fallas silenciosas, más fácil de auditar, buena opción para equipos que recién empiezan con IA.

Limitaciones del Centauro: podrías estar dejando rendimiento sobre la mesa al no integrar la IA más profundamente. Requiere disciplina para realmente revisar los outputs en lugar de aceptarlos automáticamente. Es más lento. A veces eso es exactamente lo que se necesita.

Cyborgs

El trabajo Cyborg mezcla humano e IA por completo. No hay traspaso. Tú y la IA trabajan al mismo tiempo. Tú empiezas una oración, la IA la completa. La IA genera una estructura, tú completas el contexto. Tú moldeas el output en tiempo real.

Mollick describe este enfoque en Co-Intelligence. En lugar de separar tareas, tejes el trabajo humano y el de la IA de forma continua. Él escribía un párrafo de apertura, le pedía a la IA que esbozara enfoques de solución, elegía uno, reescribía el posicionamiento para que coincidiera con su propio encuadre, le pedía a la IA que generara datos de soporte, y luego reformaba esos datos basándose en lo que él realmente sabía. Humano e IA pasándose la pluma de un lado al otro hasta que el output era mejor de lo que cualquiera de los dos podría producir solo.

Siguiendo con nuestro ejemplo en ventas B2B, aquí se pone interesante. Estás escribiendo una propuesta para un deal enterprise. Escribes la apertura del resumen ejecutivo que enmarca el problema de negocio. Le pides a la IA que esboce tres enfoques de solución basados en tu producto. Eliges el enfoque dos, reescribes el posicionamiento para que coincida con el lenguaje que usó el stakeholder en la última llamada, y le pides a la IA que genere puntos de datos de soporte. Editas los datos para incluir métricas específicas del cliente que surgieron en el discovery. Le pides a la IA que escriba la sección de precios. La reestructuras para que lidere con ROI en lugar de features.

O después de una discovery call vuelcas tus notas en bruto en la IA y le pides que las organice en formato MEDDIC o BANT. Estructura tus notas. Te das cuenta de que se perdió un insight clave sobre el proceso de decisión, así que agregas una sección. Le pides a la IA que identifique gaps en lo que preguntaste. Te muestra tres preguntas. Te das cuenta de que una es crítica y redactas un email de seguimiento en el momento, con la IA manejando la estructura mientras tú escribes el contexto.

Fortalezas del Cyborg: maximiza la calidad del output, iteración más rápida, te permite alcanzar posibilidades creativas que no alcanzarías solo.

Limitaciones del Cyborg: requiere alta alfabetización en IA. Mayor riesgo de quedarte dormido al volante si no entiendes dónde está la frontera. Más difícil de auditar. No es adecuado para flujos de trabajo regulados o de alto riesgo sin controles.

Bien ejecutado, el modo Cyborg es la forma más poderosa de trabajar con IA. Mal ejecutado, es la más peligrosa. Y ahora mismo, la mayoría de las empresas le están entregando a la IA un control significativo sobre outputs reales de negocio sin los controles necesarios para detectar errores. La IA no te avisa cuando está equivocada. Las consecuencias sí.

Self-Automators

El estudio de seguimiento de diciembre de 2025 del mismo equipo de Harvard identificó un tercer patrón que no era visible en la investigación original. Los investigadores Randazzo, Lifshitz-Assaf y colegas lo llamaron Abdicated Knowledge Co-Creation. El término práctico que se quedó: Self-Automators.

El hallazgo central fue directo. Los Self-Automators delegan en la IA por completo. Sin supervisión. Sin iteración. Sin juicio aplicado. Tratan a la IA como un empleado al que nunca revisan. Le piden que haga algo, toman el output, lo envían.

Esto ya era un problema antes de que existiera la IA agéntica. Ahora que herramientas como OpenClaw te permiten delegar horas de trabajo con un solo prompt, el patrón Self-Automator se ha convertido en el default para empresas que se mueven rápido sin pensar primero.

Lo que hizo significativo este hallazgo fue lo que reveló sobre el desarrollo de habilidades. Según la investigación, los Self-Automators no estaban incrementando ni su expertise de dominio ni su expertise en IA. Estaban tercerizando el trabajo sin aprender de él.

En ventas B2B aquí es donde todo se rompe. Generas un pitch deck completo con IA y se lo presentas a un prospecto sin haberlo leído primero. La propuesta de valor es genérica. El posicionamiento competitivo está mal. Los logos de clientes son de otra industria. No te das cuenta porque no lo revisaste.

Usas IA para escribir todos tus emails de seguimiento y los envías directo desde la carpeta de borradores. El tono está mal. Los CTAs no coinciden con dónde está el prospecto en el proceso de compra. Tu tasa de respuesta cae 40% en dos meses y no sabes por qué.

Le pides a la IA que priorice tu pipeline y trabajas la lista de arriba hacia abajo. No te das cuenta de que no tiene acceso a tus notas de las llamadas de la semana pasada. Está rankeando deals basándose en datos viejos. Pierdes una semana persiguiendo deals que ya están muertos. Así es como la IA se gana mala reputación en mercados que no pueden darse el lujo de correr experimentos caros.

Fortalezas del Self-Automator: velocidad, en el corto plazo.

Limitaciones del Self-Automator: degradación silenciosa de calidad, pérdida de juicio con el tiempo, cero desarrollo de habilidades, fallas que se acumulan durante semanas antes de que alguien lo note.

Este es el patrón en el que cae la mayoría de las empresas cuando implementan IA sin un framework. Se siente productivo. Parece progreso. Y silenciosamente erosiona la expertise que hacía valioso a tu equipo en primer lugar.

Cómo medir el éxito

No puedes mejorar lo que no mides. La mayoría de las empresas sabe si sus campañas de publicidad están funcionando. Casi ninguna sabe si su IA lo está.

Métricas del Centauro

La métrica principal: precisión en la completación de tareas. ¿Qué porcentaje de los outputs de IA requieren corrección humana? Hazle seguimiento semanalmente. Si está por encima del 40%, o estás usando IA para tareas fuera de la frontera, o tu equipo no está revisando con suficiente cuidado.

Métricas secundarias: tiempo ahorrado por tarea (debería ser una reducción del 20 al 40% versus el trabajo completamente manual), puntuación de calidad del output final (debería igualar o superar la línea base pre-IA), confianza del equipo en los outputs de IA (encuesta mensual, confianza baja significa mala selección de tareas).

Cómo se ve cuando funciona bien: un representante de ventas usa IA para redactar emails de seguimiento, edita el 60% antes de enviar, ahorra 30 minutos al día. Un SDR usa IA para investigar prospectos, obtiene tres a cinco puntos de datos relevantes por lead, califica 40% más rápido sin caída en calidad. Un gerente usa IA para generar borradores de planes de territorio, reestructura dos de cada cinco secciones, entrega el plan una semana antes.

Señales de alerta: el equipo acepta automáticamente los outputs de IA sin revisión (deriva hacia modo Self-Automator), el ahorro de tiempo se estanca o se revierte (se está usando IA para tareas que no puede manejar), la calidad cae por debajo de la línea base pre-IA (la selección de tareas está mal).

Métricas del Cyborg

La métrica principal: velocidad de iteración. ¿Cuántos ciclos de revisión se necesitan para llegar al output final? Haz seguimiento de las iteraciones por entregable. Si estás haciendo 15 o más rondas de ida y vuelta con la IA, o estás abordando una tarea demasiado compleja, o todavía no has aprendido a hacer prompts de forma efectiva.

Métricas secundarias: diversidad de output (el trabajo asistido por IA debería ser más variado que el trabajo basado en plantillas, no menos), tasa de desarrollo de habilidades (el equipo debería mejorar en prompts e integración de IA, medible por un tiempo más rápido hasta alcanzar calidad), tasa de detección de errores (porcentaje de errores de IA detectados antes de publicar, debería estar por encima del 95%).

Cómo se ve cuando funciona bien: un Account Executive escribe propuestas 60% más rápido con tasas de cierre 20% más altas porque está personalizando más profundamente que la competencia. Un equipo de marketing produce tres veces más variaciones de campaña, testea cinco veces más ángulos, encuentra la mejor opción 40% más rápido. RevOps construye modelos de pipeline en días en lugar de semanas, itera sobre supuestos en tiempo real durante las llamadas de planificación.

Señales de alerta: el output empieza a verse homogéneo o suena como si lo hubiera escrito una IA (sobredependencia, no hay suficiente refinamiento humano), la tasa de errores aumenta (el equipo está confiando en IA para tareas fuera de la frontera), el equipo deja de entender cómo se crearon los outputs (el problema de la caja negra). A medida que nos adentramos en un mundo de contenido generado por IA, la forma en que la IA escribe y se refiere a las cosas se vuelve más evidente cada día. La IA tiene patrones. Sobreusa ciertas estructuras de oraciones, cae en las mismas transiciones, y construye argumentos en una secuencia predecible. A medida que más contenido generado por IA inunda cada canal, los compradores están desarrollando sensibilidad hacia él aunque no puedan nombrarlo. El mercado se está saturando con todo tipo de contenido generado por IA.

Self-Automator: no midas, elimina

Si tu equipo está operando en modo Self-Automator, medir no te va a salvar. El modo en sí es el problema.

Sabes que estás en modo Self-Automator cuando la gente dice "la IA escribió esto" en lugar de "usé IA para escribir esto." Cuando nadie en el equipo puede explicar el razonamiento detrás de las decisiones generadas por IA. Cuando los problemas de calidad emergen semanas o meses después del hecho. Cuando la expertise del equipo está declinando en lugar de crecer.

La solución: fuerza un cambio de modo. Exige revisión a nivel Centauro durante 30 días, luego evalúa si la integración Cyborg tiene sentido para flujos de trabajo específicos.

Qué modo usar para qué tarea

Lo principal que necesitamos entender es que no todas las tareas deben manejarse de la misma manera.

Empieza con esta pregunta: ¿está esta tarea dentro de tu frontera irregular? Si no lo sabes, usa el modo Centauro por defecto hasta que mapees la frontera. Si está fuera, quédate con Centauro o no uses IA en absoluto. Si está dentro, sigue adelante.

Siguiente pregunta: ¿tu equipo tiene alta alfabetización en IA? Si no, modo Centauro. Si sí, sigue adelante.

Siguiente pregunta: ¿cuál es el riesgo si el output está mal? Si es alto, modo Centauro. Si es moderado, el modo Cyborg es posible. Si es bajo, modo Cyborg.

Pregunta final: ¿se requiere auditabilidad o cumplimiento regulatorio? Si sí, modo Centauro con documentación. Si no, modo Cyborg.

Nunca uses el modo Self-Automator. Nunca. Para ninguna tarea.

Entregar todo a la IA suena atractivo y moderno. Construir una red de agentes, automatizar el flujo de trabajo completo, removerte del proceso por completo. Rápido, eficiente, escalable.

El problema es que en un entorno profesional, los outputs tienen dueños. Una propuesta que va a un cliente tiene el nombre de alguien. Un contrato que se redacta tiene implicaciones legales. Un reporte de cumplimiento que se presenta tiene consecuencias regulatorias. La IA no carga con la responsabilidad. Tú sí.

Cuando algo sale mal, y en modo Self-Automator eventualmente algo saldrá mal, nadie pregunta qué hizo la IA. Preguntan quién lo autorizó, quién lo revisó, y quién lo aprobó. La respuesta a las tres preguntas es la misma persona.

La automatización total sin controles no es audacia. En industrias reguladas es un pasivo. En trabajo cara al cliente es un riesgo reputacional. En mercados donde la confianza es la base de cada negocio, es la forma más rápida de perder relaciones que tomaron años construir.

Los cuatro errores que cometen las empresas

La mayoría de las implementaciones de IA fallan por razones predecibles. Generalmente siguen estos patrones:

Error uno: tratar la IA como un despliegue de software

Muchos ejecutivos piensan que desplegar IA es como implementar Salesforce. Asumen que el rendimiento del piloto se traduce directamente a producción. Esto ignora la diferencia fundamental: los sistemas de IA son probabilísticos y requieren gestión continua.

No puedes desplegar IA como desplegaste tu CRM. Salesforce o HubSpot tienen flujos de trabajo definidos. Los campos se comportan igual cada vez. La IA no. Sus outputs cambian. Emergen nuevos modos de falla. Lo que funcionó el mes pasado puede romperse este mes si tus patrones de input cambian.

Cómo se ve: la empresa corre un piloto exitoso con 10 usuarios. Lo despliegan a 500 usuarios con la misma configuración. El rendimiento se degrada porque el grupo del piloto eran usuarios avanzados que sabían cómo revisar los outputs. La empresa culpa a "la IA no estar lista" en lugar de su estrategia de despliegue.

La solución: trata el despliegue de IA como el entrenamiento de un equipo de ventas, no como la instalación de software. Incorpora en oleadas. Construye bucles de retroalimentación. Invierte en habilitación continua.

Error dos: optimizar para victorias rápidas en lugar de alfabetización

Las organizaciones que fracasan optimizan para victorias rápidas en lugar de construir capacidades. Automatizan procesos existentes en lugar de reimaginar cómo se hace el trabajo. Miden ganancias de eficiencia mientras ignoran si su equipo realmente está aprendiendo cómo funciona la IA.

Las victorias rápidas se sienten bien. Hacen grandes presentaciones. Pero no construyen el músculo que tu equipo necesita para navegar la frontera irregular.

Cómo se ve: la empresa automatiza respuestas de email, ve un ahorro de tiempo del 30%. Celebran y pasan al siguiente caso de uso. Seis meses después, nadie entiende cómo funciona la IA o dónde falla. Cuando emerge una nueva herramienta, no pueden evaluarla ni adaptarse.

La solución: mide la velocidad de aprendizaje, no solo las ganancias de eficiencia. Haz seguimiento de cuántas personas pueden explicar dónde funciona la IA y dónde no. Invierte en construir expertos internos que puedan mapear la frontera.

Error tres: confundir automatización con aumentación

La pregunta equivocada: ¿cómo puede la IA reemplazar tareas humanas? La pregunta correcta: ¿cómo puede la IA amplificar el juicio humano?

No todo debería automatizarse. Algunas tareas deberían aumentarse. Humano e IA trabajando juntos para producir algo mejor de lo que cualquiera podría producir solo.

Cómo se ve: la empresa automatiza la generación de propuestas de principio a fin. Las propuestas se vuelven genéricas y basadas en plantillas. Las tasas de cierre caen porque los competidores siguen personalizando. La empresa asume que la IA no está suficientemente avanzada todavía, cuando el problema es la estrategia.

La solución: usa el modo Centauro o Cyborg para entregables de alto valor. Automatiza el trabajo repetitivo de bajo riesgo. Aumenta el trabajo estratégico donde la diferenciación importa.

Error cuatro: sin límites en la autonomía

Sin límites claros sobre qué requiere aprobación humana, los equipos caen en modo Self-Automator por defecto.

Cómo se ve: la empresa le da a los representantes acceso a generación de emails por IA. Sin directrices sobre cuándo revisar versus cuándo enviar. Los representantes empiezan a enviar automáticamente porque es más rápido. Las tasas de respuesta caen. Nadie sabe por qué.

La solución: define los límites explícitamente. Ejemplo: la IA puede redactar. Los humanos deben revisar antes de enviar a prospectos en etapa de piloto o posterior. El envío automático solo está permitido para emails de programación y administrativos.

La consideración LATAM

Si estás implementando IA en los mercados de LATAM, enfrentas un desafío que la mayoría de los frameworks no abordan hoy. Muchas empresas de la región todavía no han digitalizado completamente sus flujos de trabajo.

Los casos de uso de IA más comunes son la automatización de soporte al cliente, gestión de cuentas y trabajo básico de cumplimiento, pero en LATAM, muchas de estas funciones todavía operan sobre procesos humanos de alto contacto que no están digitalizados.

No puedes automatizar un flujo de trabajo que no existe en software. No puedes usar IA para enriquecer datos de prospectos cuando tu CRM es una hoja de cálculo. No puedes implementar redacción de propuestas en modo Cyborg cuando tu proceso de propuestas es un Word que circula por email.

El desafío específico de LATAM no es la preparación para la IA. Es la preparación para la digitalización de flujos de trabajo. La mayoría de las empresas de la región están siendo empujadas a correr antes de poder caminar. No puedes poner capas de IA encima de procesos que todavía no existen en software.

Esto crea un camino de dos fases. Fase uno: digitaliza el flujo de trabajo. Muévete de hojas de cálculo a un CRM o herramienta similar. Estandariza procesos que actualmente viven en la cabeza de las personas. Crea datos estructurados donde no existen. Fase dos: pon la IA encima. Empieza con el modo Centauro porque todavía estás aprendiendo tu frontera. Usa IA para acelerar la digitalización misma. La IA puede ayudar a estructurar datos, construir plantillas, documentar procesos. Avanza al modo Cyborg para los flujos de trabajo donde tu equipo tiene alta alfabetización.

La adopción de IA es diferente en LATAM, particularmente en ventas B2B. Las matemáticas de precios no funcionan igual. Una herramienta de $20 al mes es una decisión diferente cuando tu equipo gana en pesos, soles o pesos dominicanos. Las empresas aquí necesitan ROI más rápido para justificar el gasto. No tienes el lujo de un experimento de seis meses.

El segundo problema es que los datos no están. Las herramientas de enriquecimiento fueron construidas para mercados de Estados Unidos y Europa. Un prospecto en Quito o Lima simplemente no va a tener la misma huella digital que uno en Chicago. Vas a llenar esos gaps manualmente con más frecuencia que tus pares en el mercado norteamericano, lo que significa que el modo Centauro no es solo un punto de partida aquí. Para muchos flujos de trabajo es la realidad permanente. Las relaciones cierran negocios aquí más que en cualquier otro lugar. La IA puede acelerar tu investigación y ayudarte a personalizar a escala. No puede reemplazar la confianza que se construye en un café, un almuerzo, o una tercera llamada de seguimiento que no tuvo nada que ver con el negocio. El mejor uso de la IA en ventas LATAM no es remover al humano del proceso. Es liberar suficiente tiempo para que el humano aparezca mejor cuando importa.

La implicación: las empresas de LATAM deberían inclinarse hacia el modo Centauro por más tiempo que las empresas norteamericanas. Construir alfabetización. Mapear la frontera con cuidado. No apresurarse hacia la integración total hasta saber dónde están los puntos ciegos.

Qué hacer el lunes en la mañana

Si estás liderando la adopción de IA en tu equipo, aquí está el plan de acción.

Semana uno: mapea tu frontera. Elige cinco tareas que tu equipo hace semanalmente. Haz que tres personas testeen IA en cada tarea. Documenta dónde funciona y dónde falla. Ahora tienes un borrador del mapa de tu frontera.

Semana dos: define tus modos. Para cada flujo de trabajo, asigna un modo. Centauro o Cyborg. Self-Automator no es una opción. Usa Centauro por defecto si no estás seguro.

Semana tres: establece límites. ¿Qué requiere revisión humana antes de publicar? ¿Qué puede ejecutarse automáticamente? Escríbelo. Conviértelo en política.

Semana cuatro: mide. Elige dos métricas del framework anterior. Hazles seguimiento semanalmente. Ajusta en base a lo que aprendas.

Mes dos: entrena. No solo des acceso a las personas. Enséñales a reconocer los límites de la frontera. Construye casos de estudio internos de lo que funciona.

Mes tres: itera. Expande a nuevos flujos de trabajo. Mueve flujos de trabajo Centauro a Cyborg si la alfabetización es alta. Elimina todo lo que haya degradado a Self-Automator.

La pregunta no es si, sino cómo

Tu empresa ya está usando IA. La pregunta es si alguien está prestando atención a cómo.

La mayoría de las empresas están derivando hacia el modo Self-Automator sin darse cuenta. Distribuyen acceso, celebran la velocidad, y no notan que la calidad se erosiona en el fondo hasta que un cliente dice algo o un negocio se cae.

Los equipos que lo hacen bien no están usando mejores herramientas. Saben dónde está su frontera. Saben qué enfoque se adapta a qué tarea. Y tratan la alfabetización en IA de la misma manera que tratan la metodología de ventas. Algo que construyes deliberadamente, no algo que se aprende por accidente.

Este no es un problema de IA. Es un problema de disciplina.

No necesitas el modelo más avanzado. Necesitas un equipo que sepa cuándo confiar en la IA y cuándo sobrepasarla. Necesitas límites que estén escritos y que realmente se sigan. Necesitas métricas que te digan algo real.

Las herramientas están listas. El framework está aquí. Lo que suceda después depende de si tu equipo son Centauros, Cyborgs, o simplemente Self-Automators muy ocupados que todavía no han visto los resultados.

Referencias:

Dell'Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). "Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality." Harvard Business School Working Paper, No. 24-013. Published in Organization Science (2025).

Randazzo, S., Lifshitz-Assaf, H., Kellogg, K. C., Dell'Acqua, F., Mollick, E. R., Candelon, F., & Lakhani, K. R. (2025). "Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise." Harvard Business School Working Paper No. 26-036.

Mollick, E. (2024). Co-Intelligence: Living and Working with AI. Portfolio/Penguin.

Mollick, E. (2023, September 16). "Centaurs and Cyborgs on the Jagged Frontier." One Useful Thing. https://www.oneusefulthing.org/p/centaurs-and-cyborgs-on-the-jagged

Mollick, E. (2026, March 12). "The Shape of the Thing." One Useful Thing. https://www.oneusefulthing.org/p/the-shape-of-the-thing

Autor:

Carlos L. Chacon Almeida es AI Solutions Consultant con experiencia en ventas B2B y expansión internacional en mercados de las Américas.