El miércoles 30 de septiembre Aaron Levie, CEO de Box, publicó en X la lista más honesta que he leído sobre lo que cuesta meter IA en una empresa. La copio casi entera porque vale la pena leerla despacio. Hay que mover sistemas viejos a la nube, ordenar los datos y quién accede a ellos, conectar el software con agentes de formas nuevas, rediseñar los flujos de trabajo para agentes, resolver la supervisión humana (human in the loop) de cada proceso, generar y mantener evals, y actualizar todo cada vez que sale un modelo nuevo. Y remata: “the full list may even be longer” (la lista completa puede ser incluso más larga).

Siete trabajos. Ninguno es comprar una licencia.

Mi lectura es que de esos siete, tres le tocan a tu empresa aunque contrates al mejor implementador del mundo. Los otros cuatro sí se pueden pagar. Y conviene saber cuál es cuál antes de firmar con nadie.

Se acabó el implementar y retirarse

Levie lo explica mejor que yo. Con el software de siempre, el implementador instalaba una categoría de tecnología que todo el mundo entendía, se retiraba, y el cliente seguía operando. Con agentes es otra cosa. En sus palabras, “you’re deploying work output in a process” (estás desplegando trabajo terminado dentro de un proceso).

Así se vendió software las tres décadas y media que llevo en esto. Un ERP se instalaba, se capacitaba a la gente y el proveedor se iba. El ERP no decidía nada. Un agente que concilia facturas sí decide, y si nadie definió qué pasa cuando se equivoca, el error llega al estado de resultados.

Los laboratorios ya pusieron la plata

Petar Petrov sumó las cifras en su boletín del 30 de septiembre. Entre abril y principios de julio, OpenAI, Anthropic, Microsoft, Amazon y Google comprometieron cerca de $9.750 millones en equipos que entran a una empresa, aprenden cómo trabaja y se quedan hasta que la IA se usa. Ya escribí sobre lo que eso le hizo a Accenture, así que no repito esa parte.

Lo que me interesa del análisis de Petrov es un dato que cita de McKinsey. Entre las empresas que usan IA, solo un 20% rediseñó sus flujos de trabajo alrededor de ella. Entre las que sacan resultados financieros reales, ese número sube a 55%.

O sea, el rediseño del flujo es el punto cuatro de la lista de Levie. Y es el que separa a las que ganan de las que pagan licencias.

La lista, separada por dueño

Esto es lo que yo haría con la lista antes de pedir una sola cotización. Separarla.

Frente de trabajo	¿Se puede contratar?	Si lo saltas
Sistemas viejos a la nube	Sí	El agente no tiene a qué conectarse
Datos y acceso	Solo la parte técnica	El agente ve lo que no debe, o no ve lo que necesita
Software conectado a agentes	Sí	Conexiones frágiles que se rompen en cada actualización
Flujos rediseñados	A medias	IA pegada encima del proceso viejo
Supervisión humana	No	Nadie sabe quién aprueba antes de que el agente actúe
Evals	No	No sabes si funciona, ni si empeoró
Actualización con cada modelo	Sí, con contrato	El sistema envejece en meses

Los tres que no se tercerizan tienen algo en común. Son decisiones, no tareas.

Quién puede ver la planilla de sueldos es una decisión tuya. Un implementador te puede configurar los permisos, pero no te puede decir quién debería tenerlos. En qué paso del proceso una persona revisa antes de que el agente mande el correo al cliente, también. Y los evals, que son el conjunto de casos reales con su respuesta correcta conocida, solo los puede armar quien sabe cuál es la respuesta correcta. Ese eres tú. O tu gerente de operaciones, que lleva diez años haciendo ese trabajo a mano.

Cinco días antes Levie había escrito “You can’t automate what you can’t measure” (no puedes automatizar lo que no puedes medir), que es lo mismo en una sola línea. Escribí sobre por qué el eval es lo que se queda cuando el prompt y el modelo cambian. Un implementador externo se va. Tus evals se quedan.

Antes de pagarle a nadie por desplegar

Si contratas un equipo de despliegue sin haber resuelto esas tres decisiones, le estás pagando para que las tome por ti. Y las va a tomar con la información que tiene, que es la de una semana de entrevistas.

Por eso el programa AI Maestro arranca antes del despliegue y no lo reemplaza. Son típicamente dos meses, con entregables cada dos semanas. Salen cuatro cosas. Un mapa de cómo trabaja la empresa de verdad (el Process Reality Map, que casi nunca coincide con el organigrama), una auditoría de definiciones para encontrar dónde la misma palabra significa dos cosas distintas en dos áreas, un AI Opportunity Score y un ranking de oportunidades que termina en una compuerta Go o No-Go. La etapa corre con las herramientas de IA que la empresa ya aprobó, así que nadie compra nada nuevo para empezar.

Lo que sale de ahí es justamente la mitad de la lista de Levie que no se puede contratar. Qué datos, quién aprueba, cómo se mide. Con eso en la mano, la otra mitad se cotiza mucho más barato, porque el implementador ya no tiene que adivinar.

Levie dice que es un gran momento para ser un forward deployed engineer. Estoy de acuerdo. También es un gran momento para llegar a esa reunión con la lista ya separada.

Separa tu lista con AI Maestro antes de contratar el despliegue