Organizaciones que aprenden.
Reflexiones sobre datos, inteligencia artificial y capacidades para comprender, decidir, actuar y aprender. Su próxima etapa es desarrollar un modelo de diagnóstico dentro de AMPLIA.
Datos, inteligencia artificial y capacidades para comprender, decidir y actuar.
Una organización puede disponer de información, especialistas y herramientas avanzadas, y seguir encontrando dificultades para convertir todo eso en mejores decisiones. Puede producir indicadores que apenas se consultan, reunir datos que distintas áreas interpretan de manera diferente o incorporar inteligencia artificial sin haber definido qué espera mejorar con ella.
Organizaciones que aprenden nace de una pregunta: ¿qué necesita desarrollar una organización para que lo que comprende llegue a cambiar su manera de decidir y actuar, y para aprender de esa experiencia?
Me interesa observar esas capacidades en su funcionamiento cotidiano: cómo se formula un problema, qué antecedentes se consideran, quién participa en su interpretación, cómo se decide y qué ocurre después. A veces la dificultad estará en la información disponible. Otras, en los acuerdos entre áreas, las atribuciones para actuar o la posibilidad de revisar una decisión.
El proyecto reúne reflexiones e investigación sobre esas relaciones, con especial atención al lugar que ocupan los datos y la inteligencia artificial. Su punto de partida es una serie de cinco ensayos publicados en Substack, que recorre los datos, el juicio, los ecosistemas, las capacidades organizacionales y la delegación de decisiones en sistemas de IA.
La siguiente etapa será sistematizar una manera de diagnosticar esas capacidades y desarrollar un modelo dentro de AMPLIA. Ese trabajo buscará conectar la comprensión del funcionamiento organizacional con decisiones sobre dónde y cómo intervenir.
Una pregunta que se va ampliando
1. De tener información a utilizarla
En ¿Qué hace realmente data-driven a una organización? parto de una situación que me resulta reconocible: las organizaciones suelen tener más información de la que utilizan cuando necesitan decidir.
Disponer de un indicador no asegura que comprendamos lo que representa. También necesitamos formular preguntas, conversar con quienes conocen el problema y examinar cuánto permiten sostener los antecedentes disponibles. Y aceptar que, en ocasiones, esos antecedentes contradigan lo que creíamos saber.
Esta primera reflexión sitúa el proyecto en decisiones concretas. Antes de preguntar qué herramientas tiene una organización, conviene comprender qué necesita decidir mejor y cómo utiliza hoy su información para hacerlo.
2. Utilizar datos y decidir qué delegar
Esa pregunta conduce a Data-driven no significa algorithm-driven. Analizar información puede ayudarnos a fundamentar una decisión; automatizarla requiere examinar, además, qué estamos autorizando y con qué consecuencias.
Una recomendación puede ser valiosa y también influir en las alternativas que llegamos a considerar. Conservar una aprobación humana al final no demuestra, por sí solo, que exista una revisión efectiva. Importan el conocimiento, el tiempo y las atribuciones de quienes participan, y la posibilidad de comprobar si esa revisión funciona.
Para el proyecto, esto amplía la mirada hacia los criterios de decisión, los límites de la automatización y las condiciones reales para cuestionar y corregir sus resultados.
3. Construir las relaciones que permiten trabajar juntos
En Los datos necesitan un ecosistema la atención se desplaza hacia las relaciones entre áreas, sistemas, personas y responsabilidades.
Dos registros pueden ser correctos y representar momentos diferentes de un mismo proceso. Conectarlos técnicamente no resuelve por sí solo cómo deben interpretarse ni qué necesita cada equipo. Hace falta acordar significados, conservar diferencias relevantes y documentar lo aprendido para que otros puedan utilizarlo.
El aprendizaje también depende de esos acuerdos: de que una aclaración llegue a los registros y herramientas, y de que otros puedan utilizarla cuando cambian las personas o los procesos. Comprender esas relaciones permite observar cómo el conocimiento se conserva y se convierte en una capacidad compartida.
4. Reconocer capacidades en funcionamiento
¿Qué tan preparada está una organización para ser data-driven? reúne esas inquietudes alrededor de un recorrido:
Problema → datos → interpretación → decisión → acción → resultado → aprendizaje.
El recorrido permite observar dónde aparecen dificultades y cómo se relacionan. Tener buenos datos puede aportar poco si nadie tiene atribuciones para actuar. Una intervención bien fundamentada puede dejar poco aprendizaje si nunca volvemos a examinar sus efectos. Además, interpretar un resultado puede obligarnos a revisar la pregunta inicial.
Aquí aparecen seis capacidades interdependientes: orientar el trabajo hacia decisiones relevantes; contar con datos adecuados; disponer de tecnología que permita utilizarlos; desarrollar capacidades en las personas; establecer responsabilidades; y aprender de los resultados. Son una síntesis para orientar la observación, todavía no una escala validada de evaluación.
5. Comprender qué cambia después de delegar
El recorrido llega a La organización algorítmica, donde examino cómo cambia la participación de las personas cuando un sistema comienza a interpretar situaciones, establecer prioridades o ejecutar acciones.
Conviene distinguir lo que el sistema puede hacer, aquello que la organización le ha autorizado a resolver y la influencia que adquieren sus recomendaciones. Esa distribución también modifica el trabajo y los lugares donde se desarrolla el conocimiento sobre lo que ocurre.
La pregunta se extiende a quién conserva la capacidad de reconocer que un criterio necesita revisión, quién puede modificarlo y cómo llegan hasta esas personas las consecuencias de lo delegado. La actualización de un sistema y el aprendizaje de una organización son procesos relacionados, pero diferentes.
Comprender cómo aprende una organización
Los cinco ensayos ofrecen una base para observar cómo una organización conecta información, decisiones y trabajo. Sus preguntas se complementan; no constituyen una secuencia de niveles que todas las organizaciones deban recorrer de la misma manera.
Me interesa explorar qué permite que un hallazgo se convierta en un cambio de criterio, que una decisión pueda revisarse y que lo aprendido permanezca disponible para otros. También qué ocurre cuando existen antecedentes suficientes, pero faltan acuerdos, tiempo o atribuciones para utilizarlos.
Los datos y la IA ofrecen nuevas posibilidades para observar esas situaciones y actuar sobre ellas. Aprovecharlas requiere comprender cómo se relacionan con el conocimiento de las personas, las responsabilidades, los procesos y las condiciones de trabajo.
El proyecto mantendrá abiertas esas preguntas y buscará convertir parte de esa reflexión en formas de trabajo que puedan ponerse a prueba.
La próxima etapa: un modelo de diagnóstico en AMPLIA
El siguiente paso será sistematizar las preguntas de la serie en dimensiones, evidencias y criterios para observar capacidades organizacionales. El diagnóstico deberá permitir reconocer qué capacidades existen, cómo funcionan juntas y dónde aparecen dificultades para comprender, decidir, actuar y aprender.
Una forma de abordarlo será seguir decisiones reales, conversar con quienes participan y contrastar las prácticas declaradas con lo que efectivamente sucede. Ese trabajo debería ayudar a reconocer fortalezas, dependencias y brechas relevantes para un propósito concreto.
La prioridad podría estar en la calidad de determinados datos, en resolver diferencias entre áreas o en entregar condiciones para utilizar análisis que ya existen. Incorporar una herramienta nueva también puede ser pertinente, si responde a una necesidad que hemos comprendido.
El modelo se desarrollará dentro de AMPLIA, conectando el diagnóstico con la identificación de posibles intervenciones y con la revisión de sus resultados. Me interesa que contribuya a construir una comprensión compartida de qué conviene abordar, quién necesita participar y qué deberíamos observar para saber si avanzamos.
Un proyecto en desarrollo
Los cinco ensayos ya están publicados y constituyen el primer desarrollo del proyecto. La sistematización del diagnóstico y su integración en AMPLIA son la etapa que sigue: habrá que formular el modelo, ponerlo a prueba y ajustar sus criterios a partir de la experiencia en contextos diferentes.
Este espacio reúne las reflexiones y permitirá compartir los avances de ese trabajo. La pregunta que lo sostiene permanece abierta: ¿cómo consigue una organización que lo que aprende llegue a cambiar lo que hace?
Ensayos de la serie
- ¿Qué hace realmente data-driven a una organización?
- Data-driven no significa algorithm-driven
- Los datos necesitan un ecosistema
- ¿Qué tan preparada está una organización para ser data-driven?
- La organización algorítmica
Los cinco textos fueron escritos por Dante Aguirre y publicados en Substack en octubre de 2026. Cada ensayo incluye sus referencias y lecturas de apoyo.Dante Aguirre · Presentación del proyecto · Octubre de 2026