Hay expresiones que aparecen primero en una presentación, después se meten en las reuniones y, cuando queremos acordar, parece que todas las empresas tienen que definirse a través de ellas.
Una de esas expresiones es AI-first.
La vamos a escuchar cada vez más: empresas AI-first, productos AI-first, equipos AI-first. El problema es que puede significar tantas cosas que termina sin significar ninguna.
¿Es AI-first una empresa donde todos usan ChatGPT? ¿Una que automatiza la mayor cantidad posible de tareas? ¿Una que vende inteligencia artificial? ¿O estamos hablando de algo bastante más profundo?
Para mí, una empresa AI-first es una organización que considera las capacidades de la inteligencia artificial desde el momento en que diseña un producto, un proceso o una decisión. No tiene que usar IA para todo. Tiene que aprender a combinar modelos, software tradicional, datos, personas y reglas para crear una capacidad que antes no existía.
La diferencia parece pequeña, pero cambia toda la conversación.
La palabra importante también es first
Cuando una empresa diseña un producto de manera tradicional y al final le agrega un chatbot, está incorporando IA. Puede ser útil, pero no necesariamente está cambiando la experiencia.
Un enfoque AI-first empieza antes. Pregunta qué sería posible si el producto pudiera comprender lenguaje, generar contenido, analizar información dispersa, aprender de ejemplos o ejecutar parte de un trabajo.
Con un proceso ocurre lo mismo. No se trata solo de acelerar una tarea aislada. Hay que mirar el recorrido completo: qué información entra, qué decisiones aparecen, qué puede resolver un sistema, dónde hace falta criterio humano y cómo comprobamos que el resultado es bueno.
Y cuando hablamos de estrategia, la IA deja de ser un asunto reservado al área de tecnología. Empieza a tocar producto, operaciones, talento, riesgo y modelo de negocio.
Esto recuerda a ideas como mobile-first o cloud-first. Diseñar para móvil no consistía en encoger una página hasta que entrara en una pantalla. Obligaba a repensar la experiencia para alguien en movimiento, usando los dedos y quizá con una conexión irregular. Adoptar la nube tampoco fue simplemente mudar servidores; cambió la forma de construir, desplegar y escalar servicios.
Con AI-first sucede algo parecido. La tecnología aparece al principio de la conversación, cuando todavía podemos decidir qué construir y cómo organizar el trabajo.
Usar IA no alcanza para transformar una empresa
Comprar asistentes para todos los empleados puede mejorar el trabajo cotidiano. Automatizar informes puede ahorrar horas. Un chatbot puede resolver consultas. Un laboratorio interno puede producir prototipos interesantes.
Todo eso suma. Son señales de adopción, aunque no necesariamente de transformación.
La diferencia aparece cuando la empresa deja de insertar herramientas en el proceso viejo y se anima a diseñar otro proceso.
La encuesta global de McKinsey de 2026 muestra bien esa tensión. Ocho de cada diez encuestados dicen que la IA mejoró su productividad individual, pero solamente el 37 % atribuye algún impacto en el EBIT de su organización. El beneficio personal se está viendo antes que el resultado económico a escala.
Entre las organizaciones que McKinsey clasifica como de alto desempeño en IA, casi tres cuartas partes reportan haber rediseñado de manera fundamental sus flujos de trabajo. Entre el resto, lo hace apenas una cuarta parte.
Es una encuesta basada en respuestas declaradas y no demuestra causalidad. Tampoco entrega una receta universal. Pero sí señala una dirección: repartir licencias es mucho más fácil que convertir una nueva capacidad técnica en una nueva forma de operar.
AI-first no significa AI-only
Hay otra confusión que conviene evitar.
Una empresa AI-first no necesita pasar todas sus tareas por un modelo. A veces una regla, una consulta a una base de datos o un formulario bien diseñado resuelven el problema con más velocidad, costo predecible y menos riesgo.
Tampoco implica sacar a las personas de la ecuación.
En muchos casos, el mejor diseño será una combinación: la IA interpreta un pedido, busca antecedentes o prepara una respuesta; el software tradicional valida reglas precisas; una persona aporta contexto, atiende excepciones o toma la decisión sensible.
La clave no es maximizar el uso de IA. Es ubicar cada capacidad donde produzca un mejor resultado.
Una clínica, un estudio contable, una fábrica o un comercio pueden trabajar con esta lógica sin entrenar un modelo propio y sin mostrarle al cliente una pantalla que diga «inteligencia artificial». Lo importante es si la organización puede resolver algo que antes no podía, hacerlo de otra forma o atender casos que antes quedaban afuera por costo.
Cuatro lugares donde mirar el cambio
Para distinguir una transformación de una colección de herramientas, yo miraría cuatro lugares.
El primero es el producto. ¿La IA permite ofrecer una experiencia que antes no era viable? Puede ser una personalización a una escala imposible para un equipo humano, una interfaz capaz de entender pedidos abiertos o un servicio disponible para clientes que antes no podían pagarlo.
El segundo son los procesos. ¿Cambió el recorrido completo o solo la velocidad de una tarea? Si generamos diez propuestas comerciales en el tiempo que antes tomaba preparar dos, quizá ahora el cuello de botella esté en revisarlas, aprobarlas o cumplir lo prometido.
El tercero son las decisiones. ¿La IA ayuda a convertir información dispersa en algo que una persona puede evaluar? Esto exige fuentes confiables, contexto y trazabilidad. Si dos documentos internos se contradicen, conectarlos a un modelo no resuelve la contradicción. Solo la vuelve más visible.
El cuarto es el modelo de negocio. Si cambia la forma de producir, ¿también cambia qué vendemos y cómo cobramos? Tal vez el cliente ya no quiera comprar horas o cantidad de personas, sino capacidad, velocidad, entregables o resultados.
Ese último cambio suele ser el más incómodo, porque deja de tratar la IA como una mejora interna y permite que modifique la forma de capturar valor.
Los AI Pods y el cambio de unidad
Un ejemplo que me parece interesante son los AI Pods de Globant.
La compañía presentó el modelo en 2025 para servicios como ingeniería de software, definición de producto, diseño y testing. Combina agentes con especialistas humanos que supervisan alineación, calidad y trazabilidad.
Lo novedoso no es solamente qué herramientas usan. Es la unidad que se ofrece al cliente.
Durante mucho tiempo, buena parte de los servicios tecnológicos se contrató mediante perfiles, personas y horas: necesito cinco desarrolladores durante seis meses. Globant propone, en cambio, una suscripción mensual con capacidad medida en tokens y orientada a resultados.
En su oferta actual de AI Pods, la empresa describe entregables que van desde definición de producto hasta desarrollo, pruebas y modernización de sistemas. Los agentes ejecutan parte del flujo y los expertos supervisan los resultados.
Es importante leer estas afirmaciones como lo que son: la propuesta comercial de Globant, no una prueba independiente de que ese será el modelo definitivo de la industria. Pero el caso muestra muy bien la diferencia entre usar IA dentro de un negocio y dejar que la IA cambie la forma del negocio.
Si una combinación distinta de personas y sistemas produce el trabajo, seguir vendiendo exclusivamente esfuerzo humano puede dejar de representar lo que el cliente recibe.
La transformación ocurre en varias capas
Instalar una aplicación es rápido. Construir una capacidad organizacional no.
Primero está la propuesta de valor. ¿Qué problema podemos resolver mejor? ¿Podemos personalizar algo que antes era estándar, reducir el tiempo entre una necesidad y una respuesta o atender un segmento que no era rentable?
Después aparece el trabajo real. Toda aceleración mueve el cuello de botella. Si un sistema redacta propuestas mucho más rápido, alguien todavía debe comprobar que sean correctas, que la empresa pueda cumplirlas y que los casos extraños no pasen de largo.
También están los datos y el conocimiento. El sistema necesita saber cuál es la información vigente, quién puede verla y qué hacer cuando falta. Una base documental desordenada no se vuelve confiable por conectarla a un modelo más potente.
La cuarta capa es la responsabilidad. Hay que definir qué puede ejecutar el sistema, qué requiere aprobación y quién responde cuando algo falla. Una supervisión humana solo es real si esa persona tiene contexto, tiempo y autoridad. Un botón de aprobación al final de cien decisiones no garantiza control.
Finalmente está la cultura. Los equipos necesitan permiso para experimentar, pero también mecanismos para compartir lo aprendido. Shopify, por ejemplo, convirtió el uso habitual de IA en una expectativa de trabajo y lo acompañó con acceso a modelos, editores y espacios internos para publicar prototipos. Su relato sobre ese proceso es corporativo y no mide por sí solo la rentabilidad, pero muestra algo importante: pedir adopción sin crear condiciones para aprender suele quedarse en una consigna.
Cuando estas capas avanzan juntas, la IA deja de ser una herramienta de algunas personas y se convierte en una capacidad de la organización.
Cómo empezaría sin transformar todo de golpe
Ser AI-first puede sonar a una reorganización gigantesca. Yo empezaría por un recorrido concreto.
Primero elegiría una intención de negocio: responder reclamos más rápido, preparar ofertas más precisas, detectar fallas antes o reducir el tiempo de lanzamiento. Antes de hablar de modelos, hay que saber qué queremos mejorar.
Después mapearía un proceso con principio, final y una persona responsable. ¿Qué ocurre desde que entra una solicitud hasta que alguien recibe una solución? ¿Dónde se demora? ¿Qué información se busca? ¿Dónde aparecen errores y excepciones?
Registraría una línea de base: tiempo, costo, calidad, errores o satisfacción. Sin esa referencia podemos quedar impresionados por una demostración sin saber si el resultado mejoró.
Recién entonces diseñaría el nuevo flujo:
- qué hará la IA;
- qué seguirá resolviendo el software tradicional;
- qué decidirán las personas;
- qué casos deberán escalarse;
- qué información y permisos necesita cada parte;
- cómo quedará registrado lo que ocurrió.
La prueba debería usar trabajo real, incluso los casos incómodos: pedidos ambiguos, datos incompletos y excepciones. Si funciona, se amplía. Si no, se ajusta o se descarta. Un piloto también aporta valor cuando demuestra temprano que la idea no era adecuada.
El salto difícil viene después: integrar la solución, asignar responsables, controlar calidad y costo, capacitar al equipo y mantener todo cuando cambien los modelos o el negocio.
Pasar del experimento a una práctica repetible es lo que convierte una demostración en una capacidad.
No hay un certificado AI-first
No imagino un día en que una empresa cruce una línea y pueda declarar la transformación terminada.
AI-first es más útil como dirección y como forma de hacer preguntas:
- Ante un producto: ¿qué podemos diseñar ahora que esta capacidad existe?
- Ante un proceso: ¿aceleramos una tarea o mejoramos el resultado completo?
- Ante una decisión: ¿qué puede preparar el sistema y qué debe juzgar una persona?
- Ante el negocio: si cambió la forma de producir, ¿debería cambiar también lo que vendemos?
- Ante una automatización: ¿cómo conservamos responsabilidad, control y confianza?
No todas las empresas recorrerán el mismo camino ni deberían hacerlo. Una organización regulada tendrá límites distintos a los de una startup. Un proceso reversible permite experimentar más que una decisión médica o financiera.
La madurez no consiste en usar el modelo más nuevo en cada casillero. Consiste en saber dónde la IA crea una ventaja, dónde introduce un riesgo y quién se hace responsable de ambos.
Por eso, cuando una empresa diga que quiere ser AI-first, yo no preguntaría primero cuántas licencias compró.
Preguntaría qué puede ofrecer ahora que antes no podía. Qué recorrido cambió para el cliente. Cómo se reparten el trabajo las personas y los sistemas. Qué aprendió de sus pruebas. Y si esa nueva capacidad ya está transformando la manera de crear y capturar valor.
La IA deja de ser un adorno cuando modifica con propósito la forma en que la empresa piensa, decide y entrega resultados.
Si querés profundizar en esta idea, podés ver el video original en YouTube y contarme en qué etapa está tu organización: herramientas individuales, experimentos aislados o procesos que ya fueron rediseñados.