Las siete capacidades que amplifican el valor de la IA (y ninguna es una herramienta de IA)
DORA identificó siete capacidades organizacionales que determinan si la inteligencia artificial produce beneficio real. Todas son propiedades del sistema de trabajo que ya tienes. Por eso la IA amplifica tanto tus fortalezas como tus disfunciones.
Una de las conclusiones más útiles del programa de investigación DORA sobre adopción de inteligencia artificial es también una de las más incómodas para quien acaba de firmar un contrato de licencias: las capacidades que determinan si la IA produce valor no son capacidades de IA.
DORA identifica siete: una posición organizacional clara sobre el uso de IA, ecosistemas de datos saludables, datos internos accesibles para IA, prácticas fuertes de control de versiones, trabajo en lotes pequeños, foco en el usuario y una plataforma interna de calidad.
Leídas en conjunto, esas siete describen algo distinto de una estrategia de IA. Describen una organización que ya sabe trabajar bien. Y ese es exactamente el punto: la IA amplifica tanto las fortalezas como las disfunciones del sistema existente.
Las siete, traducidas
Una posición organizacional clara sobre el uso de IA. No una política de veinte páginas: una postura que la gente pueda repetir. Qué se puede usar, para qué, con qué datos, qué requiere aprobación. Cuando esa postura no existe, ocurren dos cosas simultáneas y ambas malas: parte de la organización se autolimita por miedo y otra parte experimenta sin ningún control. La ambigüedad no produce prudencia; produce dispersión.
Ecosistemas de datos saludables. Datos que existen, que son correctos, que tienen dueño y que se pueden encontrar. Una organización cuyos datos viven en hojas de cálculo personales con versiones divergentes no tiene un problema de IA: tiene un problema de datos que la IA va a hacer visible de forma dolorosa.
Datos internos accesibles para IA. Distinto del anterior. Un dato puede estar limpio y bien gobernado y ser inaccesible para un agente porque vive detrás de un sistema sin interfaz, en un formato no consultable o con permisos que nadie puede otorgar sin un proyecto de tres meses. Accesible significa que un sistema autorizado puede consultarlo cuando lo necesita.
Prácticas fuertes de control de versiones. Con IA generando artefactos en volumen, la capacidad de saber qué cambió, quién lo cambió y cómo revertirlo deja de ser higiene y pasa a ser condición de operación. Un equipo que genera cinco veces más cambios con la misma capacidad de rastrearlos está acumulando riesgo, no productividad.
Lotes pequeños. El trabajo dividido en incrementos chicos, integrados con frecuencia. Esta capacidad es la que más determina si la velocidad adicional que da la IA se convierte en valor o en congestión. Un equipo que produce el doble pero integra una vez al mes duplica el tamaño del lote, y con eso duplica el riesgo de cada entrega.
Foco en el usuario. La capacidad de saber si lo que se construyó sirvió. Sin esa señal, la aceleración es ciega: se construye más rápido lo que quizá no debía construirse.
Una plataforma interna de calidad. El conjunto de servicios, entornos y caminos estándar que permiten a los equipos avanzar sin pedir permiso ni reinventar infraestructura.
Por qué la plataforma es la que puede anular todo lo demás
De las siete, la plataforma merece atención especial por una razón concreta: una plataforma deficiente puede absorber las mejoras locales producidas por IA.
El mecanismo es simple de ver. Un desarrollador escribe una funcionalidad en la mitad del tiempo gracias a un copiloto. Excelente. Después esa funcionalidad espera cuatro días por un ambiente de pruebas, dos días por una revisión de seguridad manual, tres días por una ventana de despliegue. El ahorro de horas desaparece dentro de una espera de nueve días que la IA no tocó.
Medido a nivel individual, hay una mejora clara. Medido a nivel de sistema, no hay ninguna. Y como las organizaciones tienden a medir la adopción de IA a nivel individual —“cuántas personas la usan”, “cuánto tiempo ahorran”—, el reporte dice que la inversión funcionó mientras el negocio no ve diferencia.
Por eso el impacto de una plataforma debe evaluarse por su efecto en el sistema: desempeño de entrega, satisfacción de quien desarrolla, adopción, retención y éxito en las tareas. No por la cantidad de servicios que ofrece.
La consecuencia estratégica: el orden importa
Si las siete capacidades son condiciones para que la IA rinda, entonces la secuencia de inversión de la mayoría de las organizaciones está invertida.
La secuencia habitual es: comprar herramientas, capacitar gente, medir adopción, preguntarse por qué el impacto no aparece, contratar consultoría para explicar por qué el impacto no aparece.
La secuencia que se desprende de la evidencia es distinta: evaluar honestamente en cuáles de las siete capacidades la organización está débil, reparar las dos o tres más críticas, y desplegar IA sobre un sistema que pueda convertir la velocidad en resultado.
Esto no significa esperar dos años antes de tocar IA. Significa que las dos cosas van en paralelo, y que si hay que elegir dónde poner el siguiente peso, ponerlo en la capacidad que hoy está limitando el flujo rinde más que en una licencia adicional.
Cómo se ve cada capacidad cuando está rota
Las siete capacidades se describen fácil en abstracto y cuesta reconocerlas en la propia organización. Estas son las señales concretas de que cada una está fallando.
Posición organizacional ausente. Coexisten dos comportamientos opuestos: áreas que no usan nada porque nadie les dijo que podían, y áreas que usan herramientas contratadas con presupuesto propio que ningún comité conoce. Si ambas cosas pasan simultáneamente, no hay postura, hay vacío.
Ecosistema de datos enfermo. Dos áreas reportan cifras distintas para el mismo indicador y ambas pueden defender su número. Cuando alguien detecta un dato incorrecto, no sabe a quién avisarle.
Datos inaccesibles para IA. El dato existe, está limpio y para consultarlo hay que exportarlo a mano desde un sistema que no tiene interfaz. O el permiso requiere un proyecto de tres meses porque nadie sabe quién puede otorgarlo.
Control de versiones débil. Hay configuración de producción que se edita directamente en una consola. Cuando algo cambia de comportamiento, la investigación depende de lo que recuerden tres personas.
Lotes grandes. El trabajo se integra cada varias semanas. Cuando algo falla, hay que revisar un conjunto grande de cambios para encontrar la causa.
Foco en el usuario ausente. Se entrega funcionalidad y nadie mide si se usó. La conversación sobre si algo funcionó se resuelve con anécdotas.
Plataforma deficiente. Entre que un cambio está listo y llega a producción pasan días de espera por ambientes, revisiones manuales y ventanas de despliegue.
Vale la pena leer esa lista con honestidad antes de cualquier plan de adopción. No porque haya que tener las siete resueltas —ninguna organización las tiene— sino porque las que estén rotas van a determinar el techo del resultado.
Hay una asimetría útil aquí: las dos últimas son las que más rápido anulan cualquier inversión en herramientas, y son también las más caras de reparar. Las dos primeras son las más baratas de atender y las que más rápido reducen la dispersión. Empezar por esas dos mientras se planifica el trabajo sobre las otras suele ser la secuencia con mejor rendimiento.
Un diagnóstico de una hora
Reúne a cinco personas que representen distintas partes del flujo de trabajo —producto, desarrollo, datos, operaciones, seguridad— y evalúa cada una de las siete capacidades en una escala de tres niveles: sólida, irregular, ausente.
La conversación va a producir dos hallazgos casi con certeza. El primero: hay al menos una capacidad que todo el mundo sabe que está rota y que nadie tiene mandato para arreglar. El segundo: la percepción de qué tan sólidas están varía enormemente según quién responde, lo que suele significar que la capacidad funciona bien para un área y mal para las demás.
Ambos hallazgos son más accionables que cualquier plan de adopción de IA escrito sin ellos. Porque describen el sistema real sobre el que la IA va a operar, que es el que va a determinar el resultado.