Siempre la exploración es buena, y debiera ser sistemática. El problema comienza cuando la búsqueda permanente de la próxima mejor opción nos impide aprender, concentrar esfuerzos y escalar aquello que sí genera valor.

Hace una semana revisé y registré 419 publicaciones que aparecieron en mi feed de LinkedIn. Mi impresión inicial era que prácticamente la mitad hablaba de inteligencia artificial. Los datos mostraron algo bastante distinto: el contenido relacionado con IA representaba poco más del 22%.

La muestra es personal y no pretende ser representativa de LinkedIn. Además, tiene limitaciones: algunas publicaciones se repitieron entre capturas y el tiempo de exposición de cada una no era necesariamente el mismo. Pero sí apareció un patrón que me pareció interesante.

Los contenidos sobre agentes de IA y automatización representaban el 21,5% de las publicaciones sobre IA, pero concentraban el 38,4% de las interacciones totales. En cambio, aquellos relacionados con IA aplicada al trabajo y la productividad eran los más frecuentes —29,1%—, pero concentraban solo el 14,1% del engagement.

Estos datos no permiten explicar por qué ocurre esta diferencia. Pero me llevaron a conectar con una pregunta que considero bastante interesante:

En este tsunami de la IA, ¿nos atrae más descubrir lo próximo que aprender a generar valor con lo que ya tenemos?

De FOMO a FOBO

Recordé un concepto acuñado por Patrick McGinnis mientras estudiaba en Harvard Business School: FOBO, Fear of a Better Option. McGinnis lo define como el impulso a seguir esperando ante la percepción de que podría existir una alternativa mejor.

Resulta difícil no reconocer algo de esa conducta en nuestra relación actual con la inteligencia artificial.

Elegimos una herramienta y pocas semanas después aparece otra. Aprendemos a utilizar un modelo y se lanza una nueva versión, y su competencia aparece solo un par de días después. Estamos experimentando con una aplicación cuando alguien nos muestra otra que promete hacer lo mismo mejor, más rápido o más barato.

Entonces volvemos a explorar.

No afirmo que estemos viviendo un “FOBO de la IA”: mi muestra no es evidencia, ni conozco estudios que hayan demostrado ese fenómeno como causa de las dificultades de adopción. Solo utilizo el concepto para plantear una hipótesis:

¿puede la extraordinaria velocidad con que aparecen nuevas alternativas estar contribuyendo a que exploremos mucho, pero nos cueste más comprometernos con experimentos que generen aprendizaje y resultados?

La pregunta cobra relevancia cuando la contrastamos con lo que está ocurriendo dentro de las organizaciones.

Mucha adopción, mucho piloto, menos escala

La adopción de inteligencia artificial avanza rápidamente. El AI Index Report 2026 de Stanford señala que el 88% de las organizaciones encuestadas utiliza IA y que el 70% ya utiliza IA generativa en al menos una función de negocio.

El problema es que adoptar no significa necesariamente capturar valor.

La encuesta global de McKinsey de 2025 mostraba que cerca de dos tercios de las organizaciones todavía no habían comenzado a escalar IA a nivel empresarial, pese a que el 88% reportaba uso regular de IA en al menos una función. Solo una minoría había conseguido traducir ese uso en impacto significativo a escala de empresa.

Más recientemente, McKinsey ha descrito uno de los riesgos de esta etapa como “diffuse experimentation”: muchos equipos probando muchas herramientas, con poca coordinación y retorno. Su planteamiento no es reducir la experimentación, sino desarrollarla dentro de límites estratégicos claros y conectados con creación de valor.

FOBO y diffuse experimentation no son lo mismo. El primero describe una dinámica de decisión; el segundo, un fenómeno organizacional. Tampoco podemos afirmar que uno provoque el otro.

Pero sus efectos potenciales pueden parecerse: mucho movimiento, muchas alternativas y muchos pilotos, sin que necesariamente se acumule aprendizaje suficiente para decidir dónde concentrar recursos y qué escalar.

Explorar no es lo mismo que experimentar

Aquí aparece una distinción que siento que es relevante.

Explorar nuevas tecnologías es necesario, especialmente cuando evolucionan a la velocidad actual. Probar un nuevo modelo, conocer un agente o experimentar con una herramienta puede revelar posibilidades que hace pocos meses ni siquiera existían.

El problema comienza cuando esa exploración se transforma en un ciclo permanente:

descubrir → probar superficialmente → encontrar algo nuevo → abandonar → volver a descubrir.

Hay mucha actividad, pero el aprendizaje acumulado puede ser pequeño.

Experimentar con propósito exige algo diferente. Requiere partir de un problema, formular una hipótesis, probarla bajo ciertas condiciones, definir qué vamos a observar y utilizar los resultados para tomar una decisión.

Por eso, el problema no es experimentar mucho.

El problema es experimentar sin acumular aprendizaje.

Y esta diferencia resulta particularmente importante cuando hablamos de productividad.

La herramienta no rediseña el trabajo

Uno de los resultados más consistentes de la investigación reciente sobre adopción de IA apunta precisamente en esa dirección.

En su encuesta global de 2025, McKinsey analizó 25 prácticas organizacionales y encontró que el rediseño de los flujos de trabajo era el factor con mayor asociación con impacto en EBIT derivado de IA generativa. Sin embargo, solo el 21% de quienes utilizaban gen AI reportaba haber rediseñado fundamentalmente al menos algunos workflows.

Investigaciones posteriores de la misma McKinsey apuntan todavía más claramente a esta brecha: los líderes encuestados fueron 5,3 veces más propensos a reportar captura de valor empresarial cuando existía rediseño de workflows que cuando estos permanecían sin cambios.

La implicancia es relevante

Una nueva licencia no cambia un proceso. Un LLM más potente no redefine responsabilidades. Un agente no elimina automáticamente una tarea innecesaria. Y capacitar a las personas para utilizar una herramienta tampoco garantiza que esa tecnología termine integrada en la forma cotidiana de trabajar.

La tecnología habilita posibilidades. Capturar esas posibilidades requiere cambiar cómo se hace el trabajo.

De buscar la mejor herramienta a construir capacidad de aprendizaje

Aquí las prácticas de experimentación utilizadas por startups pueden aportar una lógica útil también para organizaciones establecidas.

En lugar de comenzar preguntando cuál es la mejor herramienta de IA disponible, podemos comenzar identificando un problema suficientemente concreto.

Supongamos que un equipo comercial necesita cuatro horas para preparar una propuesta. Podemos formular una hipótesis: creemos que incorporando IA en determinadas etapas del proceso podemos reducir ese tiempo a dos horas sin deteriorar la calidad.

No necesitamos desplegar inmediatamente una solución para toda la organización. Podemos trabajar con un grupo pequeño, definir indicadores de tiempo, calidad y errores, experimentar durante un período determinado y evaluar el resultado.

La secuencia cambia:

Problema → hipótesis → experimento → indicador → aprendizaje → decisión → escala.

Si funciona, escalamos progresivamente. Si no funciona, intentamos entender por qué. Quizás la tecnología no era adecuada. Quizás faltaban capacidades. Quizás descubrimos que estábamos automatizando una parte equivocada del proceso. O quizás el problema original estaba mal definido.

En todos esos casos existe algo que el ciclo de exploración permanente difícilmente produce: aprendizaje acumulado.

Quizás no necesitamos elegir para siempre

El FOBO puede hacernos pensar que decidir significa renunciar a todas las demás alternativas. En inteligencia artificial esa idea tiene todavía menos sentido: difícilmente la herramienta que seleccionemos hoy será necesariamente la que utilicemos dentro de cinco años.

No necesitamos hacer esa apuesta.

Podemos seleccionar una tecnología suficientemente adecuada para resolver un problema concreto, experimentar, medir y aprender. Si mañana aparece una alternativa superior, tendremos mejores criterios para evaluarla porque sabremos qué necesitamos y qué resultados esperamos de ella.

Ese cambio parece pequeño, pero modifica completamente la conversación.

La pregunta deja de ser:

¿Cuál es la mejor IA?

Y pasa a ser:

¿Qué estamos aprendiendo a hacer mejor gracias a la IA?

La curiosidad tecnológica seguirá siendo necesaria. También tendremos que continuar explorando herramientas, modelos y agentes que hoy evolucionan a una velocidad extraordinaria.

Pero quizás la madurez organizacional frente a la IA no consista en dejar de explorar, sino en aprender cuándo dejar de explorar y comenzar a experimentar seriamente.

Porque, al final, la ventaja difícilmente estará en haber probado más herramientas que los demás.

Estará en haber construido una organización capaz de convertir experimentación en aprendizaje, aprendizaje en nuevas formas de trabajar y esas nuevas formas de trabajar en resultados.

Fuentes: Stanford Institute for Human-Centered Artificial Intelligence, AI Index Report 2026; McKinsey & Company, The State of AI: How organizations are rewiring to capture value (2025), The State of AI 2025: Agents, innovation, and transformation, Are your people ready for AI at scale? (2026) y From adoption to impact: Three horizons of AI transformation (2026); Patrick J. McGinnis, concepto FOBO (Fear of a Better Option).