The Thinking Company: de usar IA a construir una empresa que piensa mejor

Una hoja de ruta para convertir la IA en capacidad empresarial

La adopción avanza mucho más rápido que el valor

Hay tres cifras que deberían estar encima de la mesa de cualquier comité de dirección que esté preparando su estrategia de inteligencia artificial.

En 2025, el 88 % de las organizaciones encuestadas por McKinsey declaraba utilizar IA en al menos una función empresarial. Sin embargo, solamente el 7 % afirmaba haberla escalado plenamente en toda la organización. BCG encontró una brecha todavía más llamativa: apenas el 5 % de las empresas estudiadas estaba consiguiendo generar valor con IA a escala, mientras un 60 % reconocía obtener poco o ningún valor material pese a las inversiones realizadas. PwC aporta una tercera perspectiva: en su estudio global de 2026, el 20 % de las compañías concentra el 74 % del valor económico generado por la IA. [1][2][3] (McKinsey & Company)

Son estudios distintos y sus porcentajes no pueden compararse como si procedieran de una única muestra. Pero juntos dibujan una situación difícil de ignorar: la IA se está extendiendo por las empresas mucho más deprisa que su capacidad para convertirla en resultados sostenidos.

Esto me parece especialmente relevante porque el acceso a la tecnología se está democratizando a enorme velocidad. Tus competidores pueden contratar los mismos modelos que tú, comprar licencias equivalentes, construir agentes parecidos y acceder a una oferta creciente de plataformas capaces de automatizar procesos completos. La disponibilidad tecnológica, por sí sola, explica cada vez menos las diferencias de rendimiento.

La pregunta que debería interesarnos es otra: ¿qué están construyendo las empresas que consiguen que la IA genere un valor mucho mayor que el resto?

Esa pregunta está en el origen de The Thinking Company.

Durante años hemos tenido iniciativas. Nos faltaba un destino

He vivido esta evolución muy de cerca. Después de formar a centenares de empresas y participar en numerosos proyectos de IA generativa, he hablado con CEOs, CIOs y otros perfiles directivos que querían entender qué podían hacer con ChatGPT, Claude, Copilot, Gemini, los RAG o, más recientemente, los agentes.

Las preguntas tenían sentido. ¿Qué casos de uso debemos priorizar? ¿Qué herramienta conviene elegir? ¿Qué tareas podemos automatizar? ¿Cómo formamos a las personas? ¿Qué procesos pueden beneficiarse? ¿Qué hacemos con nuestros datos?

Durante la primera etapa era difícil pedir mucho más. La tecnología evolucionaba a una velocidad extraordinaria y las organizaciones necesitaban experimentar para entenderla. Los primeros resultados, además, aparecieron rápidamente en forma de productividad: preparar una reunión en menos tiempo, analizar documentos, crear una propuesta, resumir información, investigar un mercado o acelerar determinadas tareas administrativas.

Pero a medida que los proyectos crecían empecé a echar de menos una respuesta a una cuestión mucho más básica: ¿hacia dónde queremos llevar a la empresa con todo esto?

Porque una colección de casos de uso puede ocupar un roadmap durante años sin describir realmente el destino. Podemos formar a miles de profesionales, automatizar cientos de tareas y desplegar decenas de agentes mientras seguimos sin saber qué capacidades empresariales esperamos haber construido al final del recorrido.

Además, cualquier hoja de ruta basada principalmente en tecnología envejece muy rápido. Basta observar lo ocurrido desde 2022. Los modelos han cambiado, las interfaces han cambiado, los costes han cambiado, han aparecido nuevos proveedores y hemos pasado en muy poco tiempo de hablar de prompts a hablar de RAG, agentes, razonamiento, MCP, memoria y sistemas multiagente.

Necesitábamos una dirección que pudiera sobrevivir a todos esos cambios.

Ahí empezó a tomar forma The Thinking Company.

La pregunta útil es qué necesita saber hacer mejor la empresa

Cuando apartamos durante un momento las herramientas, aparecen preguntas empresariales mucho más interesantes.

¿Necesitamos entender mejor a nuestros clientes? ¿Queremos preservar el conocimiento de nuestros mejores profesionales? ¿Tenemos que interpretar regulación con mayor precisión? ¿Podemos aprender sistemáticamente de las propuestas que ganamos y perdemos? ¿Cómo podemos verificar decisiones antes de que produzcan un problema? ¿Qué capacidad necesitamos para anticipar escenarios o detectar riesgos antes?

Todas estas cuestiones tienen algo en común: describen capacidades.

Llamamos capacidad cognitiva empresarial a la capacidad de una organización para comprender la realidad, interpretar información, aprender de la experiencia, verificar decisiones, coordinar conocimiento, anticipar escenarios y actuar con precisión.

Una capacidad de este tipo puede apoyarse en varios elementos a la vez. Una persona puede aportar juicio y experiencia. Un agente puede analizar información a una escala imposible para esa persona. La memoria corporativa puede recuperar precedentes. Un proceso puede determinar cuándo intervenir. Un verificador puede revisar el resultado. El gobierno establece quién responde y qué límites existen.

La combinación concreta dependerá de cada empresa y de cada capacidad.

Este enfoque cambia mucho la conversación porque permite discutir sobre la empresa antes de discutir sobre la herramienta.

Un comercial más rápido y una empresa que aprende producen resultados distintos

Pensemos en un ejemplo sencillo.

Una compañía prepara varios miles de propuestas comerciales cada año. Incorpora IA y consigue que sus comerciales reduzcan el tiempo necesario para preparar cada propuesta de dos horas a cuarenta minutos.

El beneficio puede ser considerable. Si produce 5.000 propuestas al año, estamos hablando de unas 6.600 horas liberadas. Esa cifra merece atención y puede justificar económicamente el proyecto.

Ahora imaginemos que, además, la empresa empieza a capturar qué argumentos funcionan por segmento, qué objeciones aparecen, qué condiciones generan fricción, qué errores corrigen los responsables comerciales, qué excepciones de precio se aprueban y cuáles son los motivos por los que determinadas propuestas se ganan o se pierden.

Ese aprendizaje se valida, se incorpora a una memoria comercial y vuelve a estar disponible cuando se prepara la siguiente propuesta. Los mejores criterios dejan de circular exclusivamente por conversaciones informales y empiezan a formar parte de una capacidad compartida.

El segundo año, el sistema dispone de más experiencia que el primero. El tercero dispone de todavía más. Un comercial nuevo puede acceder desde su primera semana a conocimiento que antes requería años de exposición al mercado.

Aquí aparece una dimensión de valor que las horas ahorradas apenas capturan.

La empresa está acumulando capacidad.

Capital Cognitivo: conseguir que la experiencia permanezca

Este es uno de los conceptos que considero más importantes dentro de The Thinking Company.

Una empresa produce inteligencia continuamente. La produce cuando resuelve una incidencia, negocia con un cliente, toma una decisión de inversión, corrige un error, interpreta una normativa, diseña un producto o descubre por qué una propuesta se ha perdido.

Sin embargo, una parte importante de esa inteligencia desaparece.

La experiencia queda en personas. Los criterios aparecen en reuniones. Las excepciones permanecen enterradas en correos. Las decisiones se documentan sin registrar suficientemente sus resultados. Los errores se corrigen, pero la organización vuelve a encontrárselos meses después en otro departamento.

La IA Agéntica ofrece una posibilidad muy interesante: convertir una parte de esa experiencia en memoria, criterios, reglas, evaluaciones, verificadores y capacidades reutilizables.

A ese conjunto lo llamamos Capital Cognitivo.

La palabra capital importa porque introduce una diferencia económica relevante. Una mejora de productividad genera un flujo de valor inmediato. Una capacidad reutilizable puede seguir produciendo valor durante mucho tiempo y, además, mejorar a medida que incorpora nueva experiencia.

Una corrección realizada hoy por un experto puede evitar cientos de errores futuros. Una regla nacida de una excepción puede incorporarse a miles de operaciones. Un conjunto de evaluaciones puede controlar nuevas versiones de un agente. Una memoria de casos puede mejorar decisiones de personas que todavía ni siquiera trabajan en la compañía.

Cuando esta dinámica funciona, la empresa empieza a aprender de una manera mucho más sistemática.

La empresa puede aprender sin reentrenar el modelo

Este punto suele sorprender porque tendemos a asociar el aprendizaje de la IA con modificar los parámetros de un modelo.

En una empresa, gran parte del aprendizaje puede producirse fuera del modelo.

Podemos incorporar nuevos documentos y conocimiento validado. Podemos mejorar la recuperación de información. Podemos conservar casos y precedentes. Podemos añadir correcciones de expertos, cambiar reglas, refinar evaluadores y modificar el workflow cuando descubrimos una forma mejor de trabajar.

También podemos registrar el resultado real de una decisión y utilizarlo después para mejorar decisiones similares.

Por tanto, una compañía puede seguir utilizando exactamente el mismo modelo durante meses y conseguir que una determinada capacidad empresarial mejore significativamente.

El modelo aporta razonamiento y generación. La empresa aporta progresivamente contexto, memoria, experiencia, criterios y control.

Esta idea también reduce la obsesión por identificar constantemente cuál es «el mejor modelo». En muchas aplicaciones empresariales avanzadas, el valor diferencial empieza a residir en el sistema construido alrededor de esos modelos.

Morgan Stanley: cuando el conocimiento empieza a convertirse en infraestructura

El caso de Morgan Stanley resulta especialmente interesante porque permite observar esta lógica en una actividad intensiva en conocimiento.

Morgan Stanley Wealth Management integró GPT-4 con su base de conocimiento para que sus asesores pudieran acceder mucho mejor a la información interna. Según los datos publicados por OpenAI, más del 98 % de los equipos de asesores utiliza actualmente AI @ Morgan Stanley Assistant. El dato todavía más interesante es que el acceso efectivo a la documentación pasó aproximadamente del 20 % al 80 %. [4] (OpenAI)

La compañía acompañó esa expansión con un sistema de evaluaciones. Cada caso de uso pasa por pruebas sobre situaciones reales y se incorpora feedback experto para mejorar su fiabilidad.

Esto merece atención porque estamos viendo varias piezas juntas: conocimiento corporativo, acceso mediante IA, trabajo real, evaluación y especialistas humanos.

El valor aparece cuando ese sistema consigue que el conocimiento de la organización esté disponible con mayor consistencia y pueda utilizarse dentro del flujo diario de los asesores.

También hay una dimensión humana importante. Morgan Stanley mantiene a los asesores en el centro de la relación con el cliente. La IA amplía su acceso a información y su capacidad de preparación, mientras el juicio y la responsabilidad profesional permanecen en las personas.

Moderna: 750 GPT en dos meses, y una lección sobre escala

Moderna ofrece otro ejemplo interesante por la velocidad de adopción.

En los dos primeros meses después de desplegar ChatGPT Enterprise, la compañía había creado 750 GPT internos. El 40 % de los usuarios activos semanales había construido alguno, y cada usuario mantenía una media de 120 conversaciones por semana con el sistema. [5] (OpenAI)

Las cifras son impresionantes, aunque lo más interesante aparece cuando observamos qué empieza a hacer Moderna con esa adopción.

Uno de los ejemplos publicados es Dose ID, un sistema que ayuda a los equipos clínicos a revisar y analizar grandes conjuntos de datos, generar visualizaciones y aportar razonamientos sobre la selección de dosis. El sistema utiliza criterios definidos, cita fuentes y mantiene la evaluación humana dentro del proceso. (OpenAI)

Aquí se aprecia la transición entre uso individual y capacidad empresarial. Crear cientos de GPT produce experimentación y aprendizaje. Integrar uno de esos sistemas dentro de un proceso clínico, con datos, criterios, fuentes y revisión profesional, empieza a construir una capacidad mucho más profunda.

Además, permite comprender por qué la responsabilidad humana sigue siendo uno de los pilares de The Thinking Company. Cuanto mayor sea la capacidad del agente y mayor el impacto de sus resultados, más importante resulta definir quién decide, quién verifica y bajo qué condiciones puede actuar.

Walmart: IA conectada con la operación real

Walmart aporta una tercera perspectiva porque conecta IA con la escala operativa de una de las mayores compañías del mundo.

Su herramienta Trend-to-Product, utilizada para acelerar el diseño y lanzamiento de productos de moda, consiguió eliminar 18 semanas del calendario habitual de desarrollo en una de sus primeras colecciones. La compañía también ha creado Wally, un asistente para sus equipos de compras capaz de analizar ventas entre tiendas, mercados y canales, diagnosticar el comportamiento de un producto y apoyar decisiones de inventario. [6] (Walmart Noticias Corporativas)

Walmart está además desarrollando agentes específicamente diseñados para retail utilizando sus propios datos y modelos de lenguaje, e integrándolos dentro de workflows empresariales. (Walmart Noticias Corporativas)

Este último punto es especialmente relevante para entender dónde puede surgir una ventaja defendible.

Un competidor puede contratar un modelo equivalente. Replicar décadas de información sobre productos, demanda, inventario, comportamiento de compra, logística y operación es bastante más complicado.

Cuando la IA se conecta con esos activos, la empresa puede empezar a convertir su experiencia específica en capacidad.

El Capital Cognitivo también cambia la conversación sobre ROI

Estos ejemplos sugieren que deberíamos ampliar la forma en que medimos los proyectos de IA.

Tiempo, coste y productividad seguirán siendo métricas fundamentales. Un proyecto que ahorra miles de horas merece ser evaluado económicamente. Pero también deberíamos medir qué capacidad queda disponible después de la implantación y cómo evoluciona.

En la práctica, un comité de dirección podría empezar a incorporar preguntas como estas:

• ¿Qué conocimiento estamos conservando gracias a esta iniciativa?
• ¿Qué correcciones de expertos vuelven al sistema?
• ¿Qué precedentes estamos convirtiendo en memoria reutilizable?
• ¿Qué reglas o evaluadores podrán utilizar otros procesos?
• ¿Cuánto conocimiento crítico sigue dependiendo exclusivamente de determinadas personas?
• ¿Qué decisiones cuentan ahora con mayor evidencia o verificación?
• ¿Puede esta capacidad seguir funcionando si sustituimos el modelo que utiliza?
• ¿Está mejorando algo que el cliente pueda percibir?

Estas preguntas ayudan a separar proyectos que generan eficiencia puntual de proyectos capaces de crear activos acumulativos.

También permiten introducir una cuestión que irá ganando importancia: la soberanía cognitiva. Si una empresa dedica años a desarrollar memoria, reglas, evaluaciones, criterios y capacidades críticas, necesita saber qué parte controla realmente y qué podría perder al cambiar de plataforma o proveedor.

La soberanía, en este contexto, consiste en comprender y gobernar las dependencias de nuestra inteligencia empresarial.

The Thinking Company propone una hoja de ruta

Todo esto sería poco útil si quedara únicamente como una teoría sobre la empresa.

The Thinking Company organiza la evolución en siete etapas que permiten avanzar progresivamente según la realidad de cada organización:

1. Personas con agentes. Los profesionales aprenden a trabajar con agentes orientados a funciones concretas y mantienen criterio y responsabilidad.
2. Equipos con agentes. Las mejores prácticas se comparten y empiezan a aparecer memoria, criterios y agentes comunes.
3. Procesos agénticos. Personas y agentes trabajan dentro de procesos completos, con resultados, responsables y puntos de verificación.
4. Sistema multiagente. Los agentes empiezan a compartir contexto, memoria y capacidad de coordinación.
5. Empresa agéntica gobernada. La organización dispone de responsables, permisos, niveles de autonomía, trazabilidad, verificadores y mecanismos de escalado.
6. Inteligencia empresarial propia. La empresa identifica qué conocimiento, memoria, reglas y capacidades críticas debe conservar bajo su control.
7. Thinking Company. Personas, agentes, conocimiento, procesos y gobierno forman un sistema capaz de comprender, decidir, aprender y actuar con mayor calidad.

Las etapas ayudan a visualizar un recorrido, pero ninguna empresa tiene que evolucionar de manera perfectamente lineal. Es habitual encontrar organizaciones con departamentos muy avanzados y otros todavía en fases iniciales.

El valor de la hoja de ruta está en poder mirar esas diferencias, entender qué capacidad necesita construirse a continuación y evitar que la estrategia se convierta en una sucesión de proyectos independientes.

La dirección puede empezar con una pregunta muy sencilla

Los datos con los que abríamos el artículo muestran una paradoja empresarial interesante. La IA ya está presente en una enorme mayoría de organizaciones, mientras una parte muy pequeña está capturando la mayor parte del valor.

Sería demasiado pronto para atribuir esa diferencia a una única causa. BCG, PwC y McKinsey señalan factores como rediseño de workflows, liderazgo, datos, gobierno, escala y capacidad de convertir la IA en transformación real. [1][2][3]

The Thinking Company incorpora todos esos elementos dentro de una pregunta que me parece especialmente útil para orientar a la dirección:

Después de todo lo que estamos invirtiendo en inteligencia artificial, ¿qué sabrá hacer nuestra empresa dentro de tres años que hoy todavía no sabe hacer?

La respuesta debería poder hablar de capacidades concretas.

Quizá la empresa habrá aprendido a conservar el conocimiento de sus mejores expertos. Quizá podrá utilizar cada reclamación para mejorar sus procesos. Quizá sus decisiones comerciales incorporarán sistemáticamente precedentes. Quizá habrá construido verificadores capaces de reducir determinados riesgos. Quizá podrá coordinar agentes y personas alrededor de procesos que hoy requieren una enorme cantidad de trabajo manual.

Y quizá, después de varios años, todo ese aprendizaje habrá creado algo que un competidor no puede obtener simplemente contratando la misma herramienta.

Ahí aparece el verdadero potencial de la IA para la empresa:
convertir experiencia en aprendizaje, aprendizaje en Capital Cognitivo
y Capital Cognitivo en una capacidad empresarial que mejora con el tiempo.

Esa es la hoja de ruta que propone The Thinking Company.

Y también la razón por la que creo que la conversación sobre IA en los próximos años va a resultar mucho más interesante que la que hemos tenido hasta ahora.

Índice de fuentes

[1] McKinsey & Company, The state of AI in 2025: Agents, innovation, and transformation. En su encuesta de 2025, el 88 % declara uso de IA en alguna función y el 7 % afirma haberla escalado plenamente. Consultar McKinsey

[2] Boston Consulting Group, The Widening AI Value Gap, 2025. Estudio de más de 1.250 empresas: 5 % genera valor con IA a escala y 60 % obtiene poco valor material. Consultar BCG

[3] PwC, Global AI Performance Study 2026. El 20 % de las organizaciones concentra el 74 % del valor económico generado por IA. Consultar PwC

[4] OpenAI / Morgan Stanley, Morgan Stanley uses AI evals to shape the future of financial services. Más del 98 % de los equipos de asesores utilizan AI @ Morgan Stanley Assistant; el acceso a documentación pasó del 20 % al 80 %. Consultar el caso Morgan Stanley

[5] OpenAI / Moderna, Accelerating the development of life-saving treatments. Tras dos meses de ChatGPT Enterprise, Moderna había creado 750 GPT internos; el 40 % de sus usuarios activos semanales había creado alguno. Consultar el caso Moderna

[6] Walmart, Investment Community Meeting 2025 e información corporativa sobre su estrategia de IA Agéntica. Trend-to-Product redujo en 18 semanas el tiempo habitual de desarrollo de una colección; Walmart también describe Wally y otros agentes conectados a su operación. Consultar la estrategia de Walmart