Lo que nadie está contando sobre la adopción de IA
Llevo dos años trabajando con equipos de producto que adoptan IA. No solo construyendo productos de IA, también ayudando a las personas alrededor de esos productos a entender cómo trabajar juntas mientras todo cambia debajo de sus pies.
He trabajado con equipos en salud, fintech, real estate, educación, energy... Equipos de cinco y equipos de cuarenta. Equipos entusiasmados con la IA y equipos aterrados. Y hay algo que puedo decir con certeza:
Los equipos que peor lo pasaron nunca fueron los que eligieron las herramientas equivocadas. Fueron los que nunca miraron lo que estaba pasando por debajo de la superficie.
El problema de la fábrica
Cuando las fábricas adoptaron la electricidad a finales del siglo XIX, pasó algo contraintuitivo. La productividad no mejoró. Durante casi treinta años, las fábricas que cambiaron de vapor a electricidad no vieron mejoras significativas.
La razón era simple y profunda: cogieron sus plantas diseñadas para vapor — máquinas pesadas atornilladas al suelo alrededor de un motor central, trabajadores organizados alrededor de esas máquinas — y sustituyeron el motor de vapor por uno eléctrico. Misma fábrica. Misma disposición. Mismos flujos de trabajo. Solo cambió la fuente de energía.
Tardaron una generación en entender que la electricidad no era un motor mejor. Era una forma completamente distinta de organizar el trabajo. Motores más pequeños distribuidos por todo el edificio. Máquinas organizadas por flujo de trabajo en vez de por proximidad a la fuente de energía. Luz natural. Múltiples plantas. Flexibilidad para reorganizar.
La tecnología estuvo disponible durante décadas antes de que alguien rediseñara el sistema humano a su alrededor.
Pienso en esto constantemente cuando veo a equipos de producto adoptar IA.
A día de hoy, seguimos estos pasos
Lo que suele pasar es esto. Un equipo de producto empieza a usar IA. El PM adopta Claude para specs y síntesis de research. Un diseñador experimenta con herramientas generativas. Un ingeniero empieza con Copilot. Individualmente, cada persona va más rápido. El output sube. Liderazgo está encantado.
Y entonces, poco a poco, algo cambia.
Es difícil señalar cuándo empieza. No hay un incidente concreto. Es más como un cambio gradual de presión atmosférica. Las reuniones se acortan — pero no porque la alineación haya mejorado. Los documentos mejoran — pero los desafíos a esos documentos se vuelven más raros. El trabajo del PM se ve cada vez más impresionante — pero la diseñadora empieza a sentir que se queda atrás. El tech lead que no ha adoptado herramientas de IA se siente progresivamente fuera del equipo. Nadie dice nada porque, sobre el papel, todo va genial. Las métricas de tu equipo van bien. Hasta que dentro de tres sprints descubras que nadie cuestionó las asunciones del PRD que aprobasteis en diez minutos porque salta algo que no termina de encajar.
Probablemente, seis meses después el equipo puede tener la sensación individual de que produce más que nunca. Pero como equipo se entiende menos que nunca. Y nadie puede nombrar qué salió mal, porque desde fuera nada parece haber salido mal.
He visto este patrón en casi todos los equipos con los que he trabajado. Los detalles cambian. La empresa cambia. Las herramientas cambian. La dinámica no.
Tres cosas que se rompen
Voy a ser específico sobre lo que estoy viendo, porque las advertencias vagas sobre IA son baratas y fáciles. Estos son patrones concretos con consecuencias concretas.
Lo primero que se rompe es cómo el equipo cuestiona el pensamiento del otro.
Antes de la IA, escribir un spec o un PRD era lento. También era desordenado. Y en ese desorden — en el ida y vuelta entre PM y diseñador, en el pushback del ingeniero sobre viabilidad, en el silencio incómodo cuando alguien dice “no estoy seguro de que estemos resolviendo el problema correcto” — ahí es donde la alineación realmente se construía. No en el documento, sino en la fricción alrededor de él.
La IA elimina esa fricción. Un PM puede generar ahora un PRD completo, bien estructurado y perfectamente redactado en veinte minutos. Y cuando algo tiene esa pinta, la gente deja de cuestionarlo. No porque esté de acuerdo — porque el acabado crea una señal inconsciente que dice “alguien ya pensó en esto.” La reunión acaba pronto y todos asienten.
Me gusta llamarlo performative alignment. Tiene la forma del consenso sin la sustancia. Todos aceptaron el documento. Nadie aceptó el pensamiento detrás. Y la distancia entre esas dos cosas aparece algunos sprints después, cuando el equipo descubre que estaba construyendo sobre asunciones que nadie examinó.
Hay una versión más sutil de esto que es todavía más peligrosa. Cuando alguien presenta “lo que recomienda la IA” en una reunión — una priorización, un análisis, una dirección estratégica — la gente empuja menos que si esa misma recomendación viniera de un compañero/a. Hay un sesgo de autoridad. El output de la IA carga con un peso de objetividad que no se ha ganado, porque la IA no tiene ego, no tiene política interna, no tiene un mal día. Así que debe ser racional. Solo que no lo es — es un motor de reconocimiento de patrones que no tiene ni idea de si tu equipo debería construir la feature A o la B. Pero suena como si lo supiera. Y eso basta para matar un debate.
Lo segundo que se rompe es cómo el equipo se percibe mutuamente.
De esto no habla nadie, y puede que sea lo más corrosivo.
En cualquier equipo de producto que adopta IA, la adopción ocurre a velocidades diferentes. Esto es natural y esperable. Lo que no es esperable — y no se discute — es lo que la adopción desigual le hace a las dinámicas del equipo.
La persona que adopta IA en profundidad empieza a producir visiblemente más rápido y con más acabado. Sus specs son más completos. Sus análisis tienen más datos. Sus presentaciones se ven más afiladas. Con las semanas y los meses, esta persona empieza a ser percibida como la de mejor rendimiento del equipo.
Pero la cuestión es: lo que cambió es su herramienta, no su juicio. Un PRD más pulido no es lo mismo que un PRD mejor pensado. Un análisis competitivo más rápido no es lo mismo que uno con más criterio. Pero en la realidad diaria de un equipo de producto — en standups, en reviews, en reuniones con stakeholders — la diferencia entre herramienta y pensamiento es invisible.
Mientras tanto, las personas del equipo que no han adoptado IA tan agresivamente empiezan a sentir una vaga sensación de inadecuación. El diseñador que todavía boceta a mano antes de ir a digital, o que sigue diseñando prototipos sencillos en Figma en lugar de una herramienta de Vibe Coding. El ingeniero que prefiere pensar la arquitectura sin asistencia de IA. La researcher que sintetiza entrevistas leyendo transcripciones despacio, varias veces. Estas personas no se han vuelto peores en su trabajo. Pero en relación al output AI-augmented de sus compañeros, su trabajo parece más lento, menos pulido, menos impresionante.
Nadie lo habla. El que adopta rápido no dice “estoy usando IA para el 70% de esto.” El que adopta despacio no dice “siento que me quedo atrás pero no sé por qué.” Y el manager no dice “creo que estoy confundiendo calidad de output con calidad de pensamiento.” La confianza se erosiona en silencio.
A este fenómeno lo llamo adoption asymmetry.
Lo tercero que se rompe es la relación del equipo con la fricción.
Los equipos de producto están eliminando fricción sistemáticamente de sus procesos porque asocian fricción con ineficiencia. La IA lo hace fácil y tentador — ¿para qué tener un debate lento y doloroso de priorización cuando la IA puede analizar tus OKRs y recomendar un stack rank?
Pero cierta fricción es el punto. No toda la fricción, ni fricción aleatoria. Fricción específica, diseñada, con propósito, en momentos específicos del proceso de producto.
La priorización se supone que es difícil. El valor del ejercicio es el desacuerdo entre PM, diseño e ingeniería sobre qué importa más. Ese desacuerdo fuerza a cada disciplina a articular su perspectiva, a escuchar perspectivas que no había considerado, y a llegar a una decisión que todos entienden genuinamente — aunque no todos la adoren.
La síntesis de discovery se supone que es ambigua. Cuando un equipo revisa hallazgos de investigación y dos personas interpretan los mismos datos de forma diferente, esa divergencia es donde vive el insight estratégico. Si la IA te da “las tres conclusiones clave”, has colapsado la ambigüedad prematuramente. Obtuviste una respuesta limpia a una pregunta que todavía no debería tener una respuesta limpia.
Las retrospectivas se supone que son incómodas. La honestidad necesaria para decir “creo que tomé una mala decisión en esa feature” o “creo que no estamos siendo honestos sobre por qué ese lanzamiento falló” no puede ser generada por una máquina y no debería ser atajada por otra.
El instinto de hacer todo más suave, más rápido, menos doloroso es comprensible. Pero en un equipo de producto, el dolor a veces es información. La incomodidad a veces es la señal de que estás a punto de aprender algo importante. Y la fricción a veces es el mecanismo que convierte a un grupo de individuos en un equipo que realmente piensa junto.
La tesis
Después de dos años viendo esto desplegarse en distintas industrias, tamaños de equipo y niveles de madurez, he llegado a una convicción que es simple de enunciar y difícil de interiorizar:
La IA es un amplificador, no un reparador.
Si tu equipo tiene contexto compartido — si la gente confía en el juicio del otro, si los desacuerdos mejoran la conversación en vez de cerrarla, si hay seguridad psicológica genuina — la IA hará a ese equipo extraordinario. Usarán las ganancias de velocidad para pensar más profundo, explorar más amplio, cuestionar con más fuerza. El trabajo aburrido se comprime. El trabajo con significado se expande.
Si tu equipo tiene fracturas — propiedad difusa, deuda de comunicación, alineación pasivo-agresiva, gente que no se siente segura empujando — la IA escalará esas fracturas. Artefactos más pulidos escondiendo más desalineación. Decisiones más rápidas con menos buy-in genuino. Un equipo que se ve mejor desde fuera mientras se deteriora por dentro.
La tecnología es neutral, pero la capa humana que hay debajo lo determina todo.
Qué es The Human Layer
The Human Layer es el nombre que le he dado a un framework que llevo construyendo para diagnosticar y diseñar la infraestructura humana que está debajo de la adopción de IA en equipos de producto.
Se organiza en cuatro anillos concéntricos, del más personal al más sistémico.
El anillo interior es Self — tu relación individual con la IA como profesional. Aquí viven preguntas como:
¿Estoy usando la IA para pensar mejor, o la estoy usando para evitar pensar?
¿Qué habilidades estoy perdiendo silenciosamente porque las he externalizado?
Cuando presento trabajo asistido por IA, ¿entiendo y me hago dueño de cada conclusión, o solo estoy entregando algo que una máquina redactó y yo edité?
El anillo de Self es incómodo porque exige honestidad sobre tu propia práctica, no solo la de tu equipo.
El segundo anillo es Team — cómo la IA está cambiando las dinámicas de colaboración, no solo la velocidad de producción. Aquí viven los fenómenos que acabo de citar: el performative alignment, la adoption asymmetry, y la fricción productiva siendo eliminada por impulsos bienintencionados de eficiencia. El anillo de Team es donde está el dolor más inmediato y más invisible ahora mismo, y donde existen las intervenciones más accionables.
El tercer anillo es Organization — si la empresa está creando condiciones para una adopción sana o simplemente mandando adoptar y esperando lo mejor. Es la brecha entre la política de IA y la realidad diaria. Las métricas que accidentalmente premian volumen de output sobre calidad de pensamiento. El cumplimiento performativo de comprar licencias enterprise de IA, hacer un workshop de prompt engineering, declararse “AI-first” y que nada fundamental cambie en cómo trabajan los equipos.
El anillo exterior es Profession — cómo está cambiando el significado del trabajo de producto en sí. Si la IA puede generar specs, hacer análisis, mapear competidores, redactar comunicaciones y sintetizar research, ¿para qué sirve realmente un product manager? ¿Para qué sirve un diseñador? La respuesta a estas preguntas es más clara de lo que la mayoría piensa — pero la industria todavía no ha llegado ahí, y la ansiedad en ese hueco es real.
Cada anillo tiene dimensiones específicas que puedes diagnosticar, e intervenciones concretas que puedes diseñar. No principios abstractos. Cosas que hacer el lunes por la mañana.
Qué esperar de The Human Layer
En las próximas entregas de esta serie voy a profundizar en cada anillo y cada dimensión. No con teoría — con patrones que estoy viendo en equipos reales, organizaciones reales, carreras reales.
La próxima entrega será sobre performative alignment — cómo se manifiesta en la práctica, cómo detectarla en tu propio equipo, y qué hacer al respecto sin frenarlo todo.
Después, la adoption asymmetry — el elefante en cada equipo de producto ahora mismo, y un marco práctico para abordarlo que no implica obligar a todos a usar las mismas herramientas.
Nombrar las cosas importa. Cuando puedes decir “tenemos un problema de alineación performativa”, la conversación cambia. Cuando puedes decirle a tu manager “creo que estamos confundiendo una brecha de herramientas con una brecha de rendimiento”, acabas de abrir una puerta que antes era invisible.
The Human Layer trata de hacer visible lo invisible. Y después, diseñarlo intencionalmente.
Una cosa que probar esta semana
Antes de la próxima entrega, quiero proponerte un experimento pequeño.
Elige a una persona de tu equipo de producto cuyo uso de IA sea muy diferente al tuyo — mucho más o mucho menos. Y en tu próximo 1:1 o café, hazle una pregunta:
“¿Cómo estás usando IA en tu trabajo ahora mismo — y cómo te sientes al respecto?”
No juzgues. No aconsejes. No le vendas tu forma de hacer las cosas. Solo escucha. Fíjate en lo que dice. Fíjate en lo que te sorprende.
Si su respuesta te incomoda, enhorabuena. Acabas de encontrar tu human layer.
The Human Layer es una serie que explora la infraestructura humana debajo de la adopción de IA en equipos de producto.
También encontrarás en el libro PRAXIS (www.praxisbook.com) más información acerca de los fenómenos y prácticas que estaré informando a través de esta serie.
Si esto te ha resonado, compártelo con alguien de tu equipo. Estas conversaciones funcionan mejor cuando las dos personas tienen el lenguaje.