La mayoría de los expertos en IA no lo son — y he aquí por qué importa
Abra LinkedIn. Escriba "experto IA". Encontrará miles de perfiles. La mayoría tienen la misma trayectoria: consultor en transformación digital, luego automatización RPA, luego "IA generativa" desde 2023. Su propuesta: conectar un LLM a sus herramientas existentes. Hacer workflows. Generar texto.
No son expertos en IA. Son expertos en automatización que cambiaron su biografía.
La distinción no es una coquetería semántica. Es la diferencia entre un mecánico y un cirujano. Ambos usan herramientas. Solo uno entiende lo que corta.
La automatización: hacer más rápido lo que ya se sabe hacer
La automatización existe desde hace décadas. Vivió una edad de oro con el low-code y el no-code: n8n, Zapier, Make, Power Automate. El principio es siempre el mismo:
SI [disparador] ENTONCES [acción A] LUEGO [acción B] SI NO [acción C].
Es determinista. Reproducible. Testeable. Y extremadamente útil. Automatizar el envío de un correo de seguimiento cuando un prospecto abre un documento es buen trabajo de ingeniería. Ahorra tiempo. Reduce errores. Escala.
Pero no tiene nada que ver con la inteligencia artificial.
Cuando un "experto en IA" le propone "conectar GPT a su CRM para generar correos personalizados", está haciendo automatización con un componente LLM. El LLM es un nodo en un workflow. Se invoca, genera texto, el texto se inyecta en el nodo siguiente. El razonamiento — si es que existe — se delega al prompt, escrito una vez, nunca cuestionado.
Es como conectar un motor de cohete a un patinete. La potencia está ahí, pero la arquitectura no sabe qué hacer con ella.
La cognición: hacer lo que no se sabía hacer
Un sistema cognitivo no sigue un workflow. Razona. La diferencia es estructural:
| Automatización | Cognición | |
|---|---|---|
| Lógica | Determinista (SI/ENTONCES) | Heurística (evaluación, ponderación, arbitraje) |
| Input | Estructurado (campos, formularios) | No estructurado (documentos, lenguaje natural, ambigüedad) |
| Output | Cuantitativo (más rápido, más frecuente) | Cualitativo (mejor, más pertinente, más preciso) |
| Error | Bug (reproducible, trazable) | Sesgo (sutil, contextual, acumulativo) |
| Escalabilidad | Lineal (más workflows = más resultados) | No lineal (la calidad depende de la profundidad, no del volumen) |
| Expertise requerida | Integración, conectores, API | Teoría de la información, lingüística, arquitectura cognitiva |
Un agente IA digno de ese nombre no se limita a llamar a un LLM con un prompt. Estructura el razonamiento del modelo. Controla la temperatura implícita mediante la sintaxis. Reduce la entropía condicional en cada instrucción. Gestiona la memoria de trabajo, el contexto, la atención. Sabe que la información en medio del contexto está infraponderada. Sabe que un prompt es un programa declarativo, no una conversación.
Ese saber hacer no existe en la caja de herramientas del automatizador.
La prueba que no engaña
Haga una pregunta sencilla a su "experto en IA": ¿cómo gestiona la atención del modelo sobre un contexto de 200 páginas?
El automatizador responderá: "cortamos en chunks y hacemos RAG". Es la respuesta estándar. Funciona para una FAQ. Fracasa estrepitosamente cuando el razonamiento debe cruzar 15 documentos, sopesar exigencias contradictorias y producir un argumento que se sostenga ante un evaluador experto.
El cognitólogo responderá de otra manera. Hablará de compresión editorial — eliminar el ruido, conservar la señal. Hablará de contexto limpio por fase — borrar el historial conversacional para conservar únicamente los entregables pertinentes. Hablará de prompt caching — amortizar el coste de un system prompt masivo a lo largo de decenas de iteraciones. Hablará de preinyección de entregables en el system prompt para que nunca sean compactados. Hablará de la diferencia entre la entropía bruta y la entropía condicional.
No son palabras de moda. Son decisiones de arquitectura que determinan si el sistema produce un documento genérico o un documento que gana.
El agente IA no es un LLM conectado a herramientas
La visión dominante del agente IA, la que se ve en el 95 % de las demos, es la siguiente:
Usuario → Prompt → LLM → Herramienta 1 → LLM → Herramienta 2 → Resultado
Es un pipeline. Es automatización con un LLM en medio. El LLM decide qué herramienta llamar, pero la lógica es plana: leer, llamar, escribir, repetir.
Un verdadero sistema cognitivo funciona de otra manera:
Contexto estratégico (preinyectado, cacheado, nunca compactado)
+ Heurísticas de fase (¿qué razonamiento aplicar ahora?)
+ Memoria de trabajo (entregables anteriores, decisiones del usuario)
+ Bucle ReAct (razonar → actuar → observar → ajustar)
+ Control de calidad (¿el entregable está a la altura?)
→ Resultado cualitativo, trazable, argumentado
Las heurísticas son el corazón del sistema. No el LLM. El LLM es el motor de ejecución. Las heurísticas son el piloto. Determinan:
- Qué leer y en qué orden (no todo de golpe — documento por documento, con reinicio del contexto entre cada uno)
- Qué conservar y qué descartar (compresión editorial: eliminar el boilerplate jurídico, conservar los verbatim de las exigencias eliminatorias)
- Cómo razonar sobre lo leído (JTBD para entender la necesidad, Shipley para estructurar la respuesta, TOGAF para la arquitectura)
- Cómo redactar lo razonado (patrones argumentativos calibrados — Espejo-Elevación para la comprensión, SCR para la metodología, PPP para los compromisos)
- Cómo verificar lo redactado (matriz de conformidad, test evaluador, coherencia interdocumentos)
Elimine las heurísticas, conserve el LLM y las herramientas: obtendrá un generador de mediocridad muy rápido. Es exactamente lo que hacen la mayoría de las "soluciones IA" del mercado.
Por qué los expertos son escasos
Construir heurísticas cognitivas exige una combinación de competencias que casi no existe:
- Teoría de la información — entender cómo un LLM procesa la señal, dónde pierde atención, cómo la entropía condicional determina la calidad de la salida
- Expertise sectorial profunda — las heurísticas no se inventan. Se derivan de la experiencia en un dominio. Para la preventa, hay que haber analizado decenas de pliegos, redactado memorias técnicas, perdido y ganado licitaciones, comprendido por qué
- Arquitectura de software — gestión de la memoria, del contexto, del caching, de las transiciones de fase, de la persistencia de decisiones. No es un notebook Jupyter
- Sentido de producto — saber cuándo el agente debe preguntar al humano (ni todo solo, ni todo el tiempo), dónde termina el trabajo de la máquina y dónde empieza el del bid manager
El automatizador domina el punto 3, parcialmente. Le faltan los otros tres. Por eso sus "agentes IA" producen volumen, no valor.
Qué cambia esto para usted
Si está evaluando una solución IA para su preventa — o cualquier ámbito de alta expertise — haga las preguntas correctas:
No pregunte: "¿Qué LLM utilizan?" Todo el mundo usa los mismos (GPT-4, Claude, Gemini). El modelo es un commodity.
Pregunte: "¿Qué heurísticas han construido para mi dominio?" Si la respuesta es vaga ("usamos prompts optimizados"), es automatización disfrazada.
Pregunte: "¿Cómo gestionan un pliego técnico de 150 páginas con exigencias contradictorias?" Si la respuesta es "RAG", siga su camino. Un pliego técnico no es una base de conocimientos que consultar. Es un sistema de exigencias que hay que comprender, jerarquizar, arbitrar.
Pregunte: "Muéstrenme un entregable producido por su sistema." No una demo. Un entregable real, sobre una licitación real. La diferencia entre una memoria técnica genérica y una memoria que gana es visible en 30 segundos para cualquiera que haya evaluado una oferta.
TenderGraph: cognición, no automatización
Nuestro sistema no conecta un LLM a herramientas. Aplica 12 fases de razonamiento estructurado, cada una con sus propias heurísticas, sus propios patrones argumentativos, sus propios controles de calidad. Lee un pliego en compresión editorial — documento por documento, contexto limpio entre cada lectura, señal pura conservada. Construye una propuesta de valor anclada en los Jobs-to-be-Done del cliente. Redacta una memoria técnica donde cada argumento es trazable a una exigencia, cada compromiso está fundamentado, cada sección está calibrada para maximizar la puntuación.
No es un workflow con un LLM en medio. Es un sistema cognitivo que piensa el expediente como lo haría un director de proyecto senior — con el rigor de más, la fatiga de menos.
Los expertos en automatización construyen tuberías. Los expertos en cognición construyen cerebros. La tubería transporta. El cerebro decide.
Nosotros construimos cerebros.
Lea también:
- La codificación cognitiva óptima: prompt engineering de alta precisión
- Caso práctico: cuando la IA produce mediocridad industrial
- IA y licitaciones: por qué más automatización no significa más contratos ganados
- La revolución informacional: por qué la IA amplifica el ruido tanto como puede eliminarlo