Durante varios proyectos internos comenzamos a usar IA para planear iniciativas completas: qué construir primero, en qué orden, con qué recursos. Los planes que producía eran, casi siempre, impresionantes en su forma — bien estructurados, con fases claras, con justificación para cada paso. También eran, en más de una ocasión, imposibles de ejecutar tal como estaban planteados.
Lo que creíamos inicialmente
Pensábamos que un modelo suficientemente avanzado, alimentado con suficiente información sobre el negocio, podría ayudarnos a decidir qué hacer primero, qué posponer, y qué era realmente más importante frente a lo urgente. Era una expectativa razonable en el papel: priorizar es, en el fondo, un problema de optimización, y los modelos de IA son buenos optimizando.
Lo que encontramos
La IA es muy buena generando listas ordenadas y justificaciones convincentes para ese orden. Es mucho menos buena entendiendo las restricciones que realmente determinan si un plan es viable: cuánto presupuesto hay disponible en un momento específico, qué dependencias organizacionales existen entre equipos que no están documentadas en ningún lugar, qué tan viable es políticamente cierta secuencia dentro de la estructura real de la empresa, o qué tan realista es la capacidad del equipo humano disponible en ese momento — no la capacidad teórica, la real, considerando vacaciones, rotación y compromisos ya adquiridos.
Un ejemplo recurrente ilustra bien el problema: en más de un plan, la IA propuso contratar personal nuevo antes de validar que el mercado respondería a la iniciativa que ese personal iba a soportar. Técnicamente tenía sentido — más capacidad permite ejecutar más rápido. Operativamente era una secuencia invertida: comprometer un costo fijo de nómina antes de confirmar que había demanda real es exactamente el tipo de riesgo que una organización pequeña no puede permitirse tomar a la ligera.
Por qué pasa esto
El patrón se repite porque un modelo de IA optimiza sobre la información que efectivamente tiene disponible en el momento de responder. Si el presupuesto real, las tensiones políticas internas o la capacidad real del equipo no se le explicitan como restricciones, el modelo no las inventa por sí solo — genera el plan lógicamente óptimo dado lo que sabe, que no es lo mismo que el plan operativamente viable dado todo lo que existe y no se dijo.
Esa diferencia no es un defecto que una versión futura del modelo vaya a resolver automáticamente. Es una limitación estructural: cierto conocimiento organizacional simplemente no vive en ningún documento que se le pueda entregar, porque vive en la experiencia acumulada de quienes llevan tiempo dentro de la organización.
La lección
Las prioridades de negocio rara vez son un problema puramente lógico que se resuelve con más información estructurada. Son, en el fondo, un problema de contexto tácito — el tipo de conocimiento que un director de operaciones carga en la cabeza sin haberlo escrito nunca en ninguna parte. Y gran parte de ese contexto sigue estando, por ahora, fuera del alcance de cualquier IA, sin importar qué tan bien redactado esté el prompt.
Conclusión práctica
La IA puede ayudar a pensar un plan, a generar opciones que de otra forma no se habrían considerado, y a estructurar una propuesta inicial de forma rápida. No debería, sin embargo, decidir por sí sola la secuencia final de ejecución de un negocio — esa decisión sigue requiriendo el juicio de alguien que conoce las restricciones que nunca quedaron escritas.
Antes de seguir un plan generado por IA, pregúntese: ¿qué contexto operativo — presupuestal, político, de capacidad real del equipo — le falta al modelo que yo sí conozco?