En casi todas las reuniones aparece la misma pregunta, formulada distinto: «¿ChatGPT sirve para nuestra empresa?». Es la pregunta equivocada, aunque entiendo por qué se hace: ChatGPT se convirtió en el nombre genérico con el que se habla de toda la IA generativa, del mismo modo en que durante años «Google» significó buscar en internet.
La pregunta correcta tiene dos partes: para qué sirve muy bien, y dónde empieza a fallar de una manera que no se nota a simple vista. La segunda parte es la que casi nadie se hace, y es la que termina costando más cara.
La frontera irregular: por qué funciona espectacular acá y falla feo allá
El experimento Navigating the Jagged Technological Frontier, de Harvard Business School junto con BCG, le puso nombre a este fenómeno: la capacidad de estos modelos no crece de forma pareja. Hay tareas que quedan muy adentro de lo que resuelven bien, y otras —a veces con un aire de familia engañoso— que quedan apenas afuera. En esas últimas, los consultores que usaron IA en el experimento fueron 19 puntos porcentuales más propensos a entregar respuestas incorrectas que los que no la usaron.
El riesgo más caro de ChatGPT en una empresa no es que se equivoque en lo difícil. Es que se equivoque con la misma confianza con la que acierta en lo fácil.
Lo que hace bien, casi sin supervisión
| Tarea | Por qué funciona bien |
|---|---|
| Redactar borradores de textos internos | El costo de un error es bajo y se corrige leyendo una vez antes de enviar |
| Resumir documentos largos | Comprimir información existente es justo lo que estos modelos hacen mejor |
| Adaptar el tono de un mismo texto a distintos públicos | Es una tarea de forma, no de contenido nuevo: no hay dato que pueda inventarse |
| Generar variantes de una idea para elegir entre varias | El humano sigue siendo quien decide; la IA solo amplía las opciones sobre la mesa |
| Programar y depurar código, o explicar un concepto técnico en lenguaje simple | Son dominios con reglas explícitas donde el modelo entrenó con enorme volumen de ejemplos correctos |
Lo que hace, pero necesita revisión humana siempre
| Tarea | Qué revisar antes de usarlo |
|---|---|
| Análisis de datos propios de la empresa | Que las cifras de origen sean correctas y que la interpretación no dé por sentado algo que el dato no dice |
| Respuestas a clientes reales | Que el tono y la información sean exactos para ese cliente puntual, no una generalización razonable |
| Contenido que sale a nombre de la empresa | Que no haya afirmaciones que la marca no pueda sostener si alguien las cuestiona |
| Cálculos financieros o cuentas con varios pasos | El resultado numérico, siempre, con una calculadora o una planilla — no a ojo |
| Resúmenes de reuniones con decisiones tomadas | Que las decisiones que quedaron registradas sean las que realmente se tomaron, no una versión plausible |
Lo que todavía no conviene delegarle
- Decisiones legales o regulatorias sin que las revise un abogado. El modelo puede redactar un borrador razonable y estar completamente desactualizado o equivocado sobre la normativa que aplica a tu caso.
- Datos sensibles o confidenciales en una cuenta personal gratuita. No se trata de prohibir el uso, sino de resolver primero el plan y la configuración correctos para la empresa — es una decisión de gobierno de datos, no de entusiasmo individual.
- Cualquier tarea donde un error no se note a tiempo. Si el resultado se usa varios pasos después, sin control intermedio, un error queda enterrado hasta que explota en otro lado.
- Tareas que dependen de información interna actualizada que el modelo no tiene. Precios vigentes, stock real, el estado de una cuenta con un cliente: si esa información no se le da explícitamente, el modelo puede completar el vacío con algo verosímil pero falso.
El error que más veo: tratarlo como un buscador de verdades
ChatGPT no busca información y la reporta: genera la respuesta más probable dada la pregunta, y esa respuesta puede sonar completamente segura de sí misma incluso cuando está mal. Para uso personal, el costo de esa confusión suele ser bajo. Para una decisión de negocio, no. La regla que uso con los equipos que capacito es simple: cualquier dato que vaya a sostener una decisión —un precio, una fecha, una cifra, una cita— se verifica en la fuente original antes de usarse, sin excepción.
Una regla simple para decidir caso por caso
Antes de soltarle una tarea nueva sin supervisión, una sola pregunta ordena casi todos los casos: si esta tarea sale mal y nadie lo nota a tiempo, ¿cuánto cuesta? Si el costo es bajo y el error se nota rápido —un borrador con un tono raro, una variante de texto floja—, se puede avanzar con confianza. Si el costo es alto o el error tarda en notarse —una cifra mal calculada que llega a un cliente, una cláusula legal mal redactada—, la supervisión humana no es opcional.
No hay que preguntarse si la tarea es fácil para la IA. Hay que preguntarse qué pasa si se equivoca.
Antes de invertir tiempo real en una tarea nueva, vale la pena aplicar la prueba del sobre cerrado: probarla a mano diez veces y ver si el resultado es consistente. Si en esos diez intentos aparecen errores erráticos que no podés explicar, probablemente estés parado sobre uno de esos salientes de la frontera irregular, y conviene recortar la tarea a la parte que sí funciona de manera confiable.
