Matt Wood, Chief AI and Technology Officer de AWS, publicó el 15 de julio un ensayo en su newsletter de LinkedIn, Counterintuitive, con más de 30 mil suscriptores. El título: “The Half-Life of an Assumption.” La metáfora que usa para explicarlo es una carta de navegación náutica: el documento más oficial que existe, revisado, verificado, emitido por una oficina hidrográfica nacional, y obsoleto casi apenas se imprime. Una boya se mueve de posición. Un naufragio se asienta sobre un banco de arena. Un canal dragado se vuelve a llenar. El mar empieza a contradecir la carta casi de inmediato, y la navegación, como disciplina, está construida alrededor de ese hecho.

No es que el trabajo original estuviera mal hecho. Los cartógrafos dibujaron lo que era verdad en el momento del levantamiento. El mundo cambió después de la publicación. Tener autoridad y estar vigente son dos propiedades distintas, y la diferencia entre ambas puede poner un barco en las rocas.

El punto que casi ninguna empresa registra

Acá está el argumento central de Wood, y es el que me hizo escribir sobre esto: las empresas producen decisiones con el mismo cuidado que se pone en una carta náutica y las conservan como si fueran monumentos. El análisis se investiga, pasa por revisión, se aprueba, y termina incrustado en hojas de ruta, presupuestos y controles. Lo que cambia después casi nunca queda ligado a esa decisión. En algún lugar de tu empresa hay un documento que dice que la IA no puede hacer algo que hoy ya puede hacer, y nadie tiene el trabajo de emitir un aviso en contra de ese documento.

Wood es claro en que esto no es descuido. Ninguna organización podría funcionar si cada decisión se mantuviera permanentemente abierta a revisión; convertir el criterio en estructura es como se construye cualquier cosa. La práctica falla solo cuando el mundo cambia más rápido que la estructura que lo registró.

Toda decisión relevante tiene una vida media. No un número que alguien pueda calcular con precisión, pero sí una tasa de descomposición: las condiciones que la hacían confiable se erosionan, y algunas se erosionan mucho más rápido que otras. Algunas suposiciones de negocio se mantienen vigentes por años. Las suposiciones sobre qué puede hacer la tecnología de IA hoy se quedan obsoletas entre un ciclo de planeación y el siguiente. Wood lo describe así: qué modelo es mejor para una tarea puede caducar en semanas; la configuración correcta de un agente, en días.

Por qué las decisiones sólidas sobreviven a su propia evidencia

El mecanismo que describe Wood es incómodamente familiar. Mientras más trabajo se invirtió en una decisión, más autoridad adquiere. Después, el artefacto construido a partir de esa decisión empieza a reforzarla: un sistema con años de inversión parece apropiado solo porque existe, un equipo grande parece demostrar que el problema realmente necesita un equipo grande, una hoja de ruta detallada hace que el destino parezca entendido. El artefacto se convierte en evidencia de la decisión que lo produjo, y reabrir la premisa se siente como devaluar todo ese trabajo previo.

Wood también descarta el instinto obvio de “hay que pronosticar mejor.” Ayuda un poco, pero las capacidades de IA emergen de forma despareja, y varias mejoras modestas pueden combinarse para cruzar un umbral que ningún benchmark individual predice. La predicción no puede cargar el peso que la planeación quiere ponerle encima.

El sistema de avisos que propone

La respuesta práctica que plantea Wood es la misma que usan los navegantes desde 1834: convertir la corrección en parte normal de operar el sistema, no en una excepción a él. Eso empieza por registrar por qué se tomó una decisión, no solo qué se decidió. Un proceso que se excluyó de la automatización rara vez fue juzgado inservible para siempre; se excluyó porque el uso de computadora fallaba demasiado seguido, porque la supervisión eliminaba el beneficio económico, o porque los errores que quedaban cargaban demasiado riesgo. Esas son condiciones que se pueden volver a probar, y la decisión puede llevar sus propios disparadores para reconsiderarse: cuando el uso de computadora mejora de forma material, o cuando el costo cae bajo el umbral del caso de negocio original, la evaluación se vuelve a correr.

Mantener los casos de prueba originales hace esa reevaluación barata. Wood señala algo que vale la pena subrayar: la misma IA puede hacer la guardia. Un agente puede comparar modelos nuevos contra la evaluación anterior, repetir las mismas solicitudes y las mismas excepciones, y devolver la pregunta a quien es dueño de la decisión con evidencia adjunta, en vez de un flujo genérico de noticias sobre IA. La empresa nunca tiene que debatir el uso de computadora en abstracto. Aprende si el resultado sobre su propio trabajo ya cruzó el umbral que hizo fallar la decisión original.

Lo que esto significa para tu empresa

Este argumento conecta directo con algo que ya había escrito: construir se volvió barato, pero decidir qué construir no. Ese post explicaba el síntoma: el costo de ejecución cayó, la calidad de la decisión sobre qué merece existir es lo que separa a una empresa de otra ahora. El ensayo de Wood explica el mecanismo por el que ese síntoma empeora con el tiempo si nadie lo atiende: las decisiones que tomaste hace seis meses sobre qué automatizar y qué no ya empezaron a caducar, y probablemente nadie en tu empresa tiene el trabajo de notarlo.

En el discovery de AI Maestro tratamos esto como parte central del proceso, no como un chequeo posterior. Un Mapa de la Realidad del Proceso documenta no solo qué se decidió automatizar o no, sino las condiciones específicas que hicieron esa decisión correcta en su momento, exactamente el “por qué” que Wood dice que casi nadie registra. Eso convierte una decisión que de otra forma se fosilizaría en un documento que se puede volver a probar barato cuando el modelo, el costo o la herramienta que la justificaron cambien. La alternativa es descubrir que tu decisión caducó el día que un competidor construya, en una semana, lo que tú decidiste que no valía la pena automatizar hace un año.