El conocimiento que su IA nunca va a leer

La Inteligencia Artificial aprende de lo documentado, pero gran parte del criterio que sostiene a una organización permanece en la experiencia de las personas (La paradoja de Polanyi).

En el artículo anterior sostuve que la Inteligencia Artificial no transforma organizaciones: amplifica lo que ya son. Quiero profundizar en esa idea, porque la pregunta que sigue determina si una adopción tecnológica rinde o se desperdicia: ¿qué es, exactamente, lo que la IA va a amplificar?

La respuesta es el conocimiento de la organización. Y ahí empieza el problema, porque muy pocas organizaciones saben dónde vive el suyo.

En 1966, el filósofo Michael Polanyi lo formuló en una frase que debería discutirse en toda junta directiva: “sabemos más de lo que podemos decir”. De ahí salen dos categorías que conviene tener claras.

• El conocimiento explícito es el que está codificado: manuales, políticas, procedimientos, bases de datos, contratos, tableros. Se puede copiar, auditar, transferir y —esto es lo determinante— alimentar a un sistema.
• El conocimiento tácito es el que vive en las personas: criterio, experiencia acumulada, intuición de oficio, relaciones, lectura del contexto. No es conocimiento informal ni de segunda categoría. Es, con frecuencia, el conocimiento que decide. Es lo que permite a un jefe de operaciones saber que un indicador en verde esconde un problema, o a un negociador percibir cuándo dejar de insistir. Ninguno de los dos sabría dictar sus reglas, y ambos suelen acertar.

Lo incómodo es que nadie sabe cuánto conocimiento tácito tiene su organización. La firma de investigación de mercado International Data Corporation (IDC) lo señala sin rodeos: no existe una medición confiable de esa proporción, y esa incertidumbre es en sí misma un riesgo estratégico, porque no se puede cerrar una brecha que no se puede medir. En industrias intensivas en conocimiento, tales como: servicios profesionales, salud, manufactura avanzada, servicios financieros, es casi seguro que esa porción es mayor de lo que la gerencia supone.

La buena noticia es que lo tácito sí puede convertirse en explícito. La mala es cuánto cuesta.

Ikujiro Nonaka y Hirotaka Takeuchi documentaron el caso en The Knowledge-Creating Company. A mediados de los ochenta, Matsushita desarrollaba una máquina doméstica para hacer pan y no lograba mecanizar el amasado. Los ingenieros tenían toda la teoría; el pan salía mal. Ikuko Tanaka, del equipo de software, se hizo aprendiz del maestro panadero del Hotel Internacional de Osaka. Tardó un año en comprender un movimiento de estiramiento que el panadero ejecutaba sin poder explicarlo. Ese gesto terminó traducido en una especificación de ingeniería, unas costillas internas en la máquina, y el producto rompió récords de venta en su primer año.

Eso es externalizar conocimiento: una persona, un año, para hacer explícito un solo movimiento. No es un taller de dos días ni un repositorio de documentos.

Cuando ese trabajo no se hace, la tecnología opera sobre un mapa incompleto. Zillow, la plataforma inmobiliaria estadounidense, tenía los mejores datos explícitos de su industria: precios, comparables, historial de transacciones. Con ellos construyó un algoritmo para comprar y revender viviendas. Lo que el modelo no tenía era el criterio local de los agentes sobre por qué una cuadra se vende y la siguiente no. Mi lectura es que comprar una casa nunca fue solo una decisión de datos: es una decisión de confianza, y la confianza se construye entre personas. En noviembre de 2021, Zillow cerró esa unidad tras perder 422 millones de dólares en un solo trimestre y recortó cerca del 25% de su planilla.

Las consecuencias ya se están midiendo. Un informe del proyecto NANDA del MIT Media Lab, publicado en 2025, revisó más de 300 iniciativas empresariales de IA y concluyó que el 95% de las organizaciones no obtenía ningún retorno de su inversión en IA generativa. Su conclusión no fue que los modelos fueran deficientes, sino que las barreras eran organizacionales, no tecnológicas. IDC llega por otro camino al mismo lugar: un 89% de las organizaciones reconoce algún problema de calidad de datos y más de la mitad de las iniciativas de IA se estanca después del piloto.

Por eso insisto en el orden. Antes de alimentar con datos cualquier iniciativa de innovación, hay que saber de dónde vienen esos datos y qué criterio quedó fuera de ellos. Identificar qué conocimiento es crítico para el negocio, quién lo posee, cómo se usa y cómo se transfiere no es un paso previo opcional: es la condición para que la inversión rinda. Sin él se automatizan procesos incompletos, se digitalizan malas prácticas con eficiencia impecable y se construyen soluciones que la gente del negocio no reconoce como propias. El desenlace es predecible: los colaboradores verifican a mano lo que el sistema propone, o dejan de usarlo en silencio.

Y ese trabajo no le pertenece al área de tecnología. Siempre insistiré en lo siguiente:

• Es estrategia, porque define qué saber sostiene el modelo de negocio.
• Es cultura, porque donde el conocimiento es fuente de poder nadie lo comparte por decreto.
• Es procesos, porque la salida de una persona clave no debería ser un evento de riesgo operativo.
• Y es gobernanza, el elemento que más subestiman las organizaciones, porque alguien tiene que responder por lo que se documenta, lo que se automatiza y lo que debe seguir pasando por criterio humano.

Costa Rica tiene talento, apertura y una estrategia nacional en marcha que nos orienta desde una óptica general. Pero lo que nos toca trabajar puertas adentro es otra cosa: tener claridad sobre lo que sabemos, sobre lo que está documentado y, sobre todo, sobre aquello que no es tangible porque vive en la cabeza de nuestros colaboradores.

Antes de preguntarnos si nosotros y nuestras organizaciones estamos listos para adoptar Inteligencia Artificial, sería más interesante preguntarnos si de verdad sabemos lo que decimos saber. Porque quien no lo sabe difícilmente está adoptando IA: está delegando decisiones a partir de una versión editada de sí mismo.

Si les interesó este artículo, los invito a leer y aprender más sobre la Paradoja de Polanyi: https://handwiki.org/wiki/Philosophy:Polanyi%E2%80%99s_paradox

Fuentes y referencias

• IDC. (2026). The knowledge your AI may never have. Ewa Zborowska. https://www.idc.com/resource-center/blog/the-knowledge-your-ai-may-never-have/
• MIT Project NANDA. (2025). The GenAI Divide: State of AI in Business 2025. Challapally, A., Pease, C., Raskar, R., & Chari, P. https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• Nonaka, I., & Takeuchi, H. (1995). The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. Oxford University Press.
• Polanyi, M. (1966). The Tacit Dimension. University of Chicago Press.
• Zillow Group. (2021). Zillow Group Reports Third-Quarter 2021 Financial Results & Shares Plan to Wind Down Zillow Offers Operations. https://investors.zillowgroup.com/investors/news-and-events/news/news-details/2021/Zillow-Group-Reports-Third-Quarter-2021-Financial-Results--Shares-Plan-to-Wind-Down-Zillow-Offers-Operations/default.aspx