Hace apenas unos meses, lo que voy a contar en este artículo era imposible. No difícil, no caro: imposible. Y creo que la mayoría de las empresas todavía no ha entendido lo que eso significa.

Trabajo en performance marketing. Administro inversión publicitaria, embudos de conversión y la eterna fricción entre marketing y ventas. Y en los últimos meses construí dos sistemas de análisis de datos potenciados por IA que hoy operan sobre datos reales de una operación real: una bitácora que registra y aprende de cada decisión tomada en campañas publicitarias, y un sistema que cruza bases de datos de CRM con inversión en pauta para convertir los motivos de no venta en algo que casi ninguna empresa tiene: responsables, señales y acciones.

No soy ingeniero de software. No hubo un equipo de desarrollo, ni un presupuesto de licencias, ni un proyecto de seis meses. Hubo un problema de negocio bien entendido, un modelo de IA de última generación y algo que todavía no tiene nombre en la mayoría de los organigramas.

De eso trata este artículo.

Dos sistemas, un mismo patrón

El primer sistema resuelve un problema que cualquiera que haya gestionado pauta reconoce de inmediato: la optimización sin memoria. Cada semana se ajustan presupuestos, se pausan anuncios, se cambian audiencias. Ese conocimiento vive en la cabeza de una persona y se evapora. Seis meses después, nadie puede responder “¿por qué subió el costo aquel trimestre?” con algo mejor que una hipótesis.

La bitácora registra cada cambio —qué se tocó, cuándo, con qué hipótesis— y mide el antes y el después de cada decisión. Con el tiempo deja de ser un registro y se convierte en otra cosa: un sistema que se retroalimenta, donde cada ciclo de decisión alimenta al siguiente. La intuición del media buyer no desaparece; se vuelve auditable y acumulativa.

El segundo sistema ataca un problema más incómodo: los motivos de no venta. Todo CRM los tiene y casi ninguna empresa los usa. Son etiquetas muertas: “no contesta”, “no le interesa”, “precio”. El sistema cruza esas tipificaciones con la inversión que originó cada lead y aplica medidas estadísticas —el coeficiente de variación, entre otras— para responder la pregunta que ningún dashboard responde: ¿este problema es de adquisición o es operativo?

La lógica es simple y poderosa. Si un motivo de pérdida varía muchísimo entre campañas, el problema está en la adquisición: hay campañas trayendo al público equivocado. Si el motivo es uniforme en todas las campañas, el tráfico no tiene la culpa: el problema está en el proceso comercial o en la oferta. Cada motivo termina con un dueño asignado, una señal que lo delata y una acción concreta. La discusión eterna entre marketing y ventas —”tus leads son malos” versus “no los llaman a tiempo”— deja de ser una discusión de opiniones y se convierte en una lectura estadística.

Dos sistemas distintos, un mismo patrón: convertir datos que ya existen en decisiones con dueño.

Modelar, no programar

Aquí está la idea central, la que me obligó a cambiar el vocabulario con el que pienso mi propio trabajo.

El software tradicional se programa: alguien congela los requisitos, un equipo construye durante meses, y el negocio termina moldeándose a la herramienta. Para cuando el sistema se entrega, el problema ya cambió.

Con la IA actual ocurre lo contrario. El sistema se modela, como se modela la arcilla: se ajusta al problema mientras el problema evoluciona. Cambió la estructura del comité semanal, cambió una tipificación del CRM, apareció una métrica nueva — el sistema se remodela en horas, no en trimestres. La IA no es rígida; esa flexibilidad no es un detalle técnico, es la diferencia de fondo. Por eso insisto en hablar de modelado con IA y no de desarrollo: el verbo importa, porque describe una relación distinta entre la herramienta y el negocio.

Y hay una segunda consecuencia, más profunda: quien modela no necesita ser ingeniero. Necesita dominar el negocio. El código dejó de ser el cuello de botella; el cuello de botella es el contexto — saber qué pregunta importa, qué dato es confiable, qué decisión mueve el número. La persona mejor posicionada para construir estos sistemas no está en el departamento de tecnología: está en la operación.

El mercado ya le puso nombre a esto

Durante meses pensé que estaba haciendo algo sin categoría. Estaba equivocado: la categoría acababa de nacer.

En enero de 2026, Gartner publicó su primer Magic Quadrant de Decision Intelligence: la disciplina de diseñar explícitamente cómo se toman las decisiones en una organización, cómo se ejecutan y cómo se aprende de sus resultados. Su proyección es contundente: hacia 2027, la mitad de las decisiones de negocio estarán aumentadas o automatizadas por IA, y las organizaciones que registren y modelen sus decisiones tomarán decisiones más rápidas y más confiables que las que no.

En paralelo explotó un rol que hace tres años casi no existía: el Forward Deployed Engineer, el perfil que se mete dentro de la operación del cliente para llevar la IA hasta producción, en lugar de entregar recomendaciones desde afuera. Según datos de LinkedIn, es el empleo creado por la IA de mayor crecimiento —se multiplicó por 42 entre 2023 y 2025—, y los grandes jugadores están apostando cifras serias: Amazon Web Services creó una unidad completa de forward deployment, OpenAI lanzó una compañía dedicada exclusivamente a despliegue, y Salesforce anunció que quiere construir un equipo de mil de estos perfiles. La lectura es una sola: el valor ya no está en el modelo de IA, está en desplegarlo dentro del negocio. Los modelos se alquilan; el contexto no.

Súmale la habilidad emergente que atraviesa todo esto —el context engineering, darle a la IA la información correcta del negocio en el momento correcto— y el mapa queda claro: decision intelligence es la disciplina, el despliegue embebido es el modelo de trabajo, y el contexto de negocio es la materia prima escasa.

Lo operativo se automatiza; el criterio, no

Miro las empresas con las que trabajo y el patrón se repite: la administración se automatizó. Los reportes se generan solos, las conciliaciones se hacen solas, los flujos corren solos. El trabajo operativo —ese que llenaba jornadas enteras— se está acabando.

Lo que queda, y lo que ahora prima, es otra cosa: la capacidad de analizar y curar la información. Decidir qué dato importa, detectar cuándo una cifra miente, convertir un hallazgo en una acción con responsable. Las empresas ya no compiten por tener datos —todas los tienen, en cantidades absurdas— sino por la velocidad y la calidad con la que los convierten en decisiones.

Eso redefine el perfil profesional valioso. Ya no es el especialista en una herramienta ni el generalista que “sabe de todo un poco”. Es un híbrido concreto: alguien que domina un dominio de negocio de punta a punta, que modela sistemas directamente con IA, y que valida con estadística en lugar de validar con opinión. Es el analista que absorbió las capacidades de un equipo de desarrollo sin dejar de ser analista.

Tu empresa ya es un laboratorio

Termino con la idea que más me obsesiona últimamente.

Toda empresa en operación es, sin saberlo, un laboratorio de IA: tiene problemas reales, datos reales y consecuencias reales, en tiempo real. No necesita comprar un caso de uso; lo está viviendo. Lo único que le falta es alguien que modele.

Y para las empresas que además venden conocimiento —consultoras, escuelas de negocio, agencias— la oportunidad es doble, casi obscena: el mejor validador de lo que enseñas es tu propio negocio. Nadie puede enseñar IA aplicada con más autoridad que quien la aplica sobre su propia operación y muestra las cicatrices.

Hace unos meses, todo esto era imposible. Hoy es un fin de semana de trabajo para quien entienda su negocio con suficiente profundidad. Esa ventana —en la que modelar sistemas de decisión es tan barato y tan pocos lo están haciendo— no va a durar. Las ventanas nunca duran.

La pregunta ya no es si tu empresa va a usar IA. Es quién, dentro de ella, va a modelarla.