Hoy prácticamente cualquier persona puede abrir ChatGPT, hacerle una pregunta y obtener una respuesta en segundos. Eso ha generado una ilusión peligrosa: la de que tener acceso a la herramienta equivale a tener una capacidad instalada. No es así. Y en procurement, esa confusión está costando más de lo que parece.
En la tercera sesión del ciclo de este 27 de mayo trabajamos la diferencia entre usar IA y construir con IA. En el fondo, interactuar con un modelo y ensamblar un sistema que funcione de forma consistente dentro de un área de compras. Son dos cosas distintas, y confundirlas es uno de los errores más frecuentes que veo en las organizaciones que dicen estar “implementando IA”.
Cuando un equipo de compras interactúa con un LLM sin haberle dado contexto propio, está usando el cerebro de otra persona para resolver sus problemas. El modelo no sabe cuáles son sus proveedores estratégicos, no conoce sus políticas de negociación, no tiene memoria de lo que pasó la última vez que ese proveedor incumplió. Genera respuestas correctas en abstracto e inútiles en concreto.
Por eso insisto tanto en que el verdadero salto no es adoptar un modelo, sino conectarlo con el conocimiento real de la organización. Un sistema con RAG, que ancla al modelo en los datos propios de la empresa, produce respuestas que reflejan la realidad del negocio, no una versión genérica de ella. La diferencia no es técnica. Es la diferencia entre una herramienta y una ventaja competitiva.
Más allá del conocimiento, está la acción. En este marco, la capa que convierte el razonamiento en ejecución son los agentes: emiten órdenes, comparan cotizaciones, mueven información entre sistemas. Ahí es donde la IA deja de ser un asistente y empieza a ser parte del proceso. Lo que el profesional de compras gana con eso no es comodidad; es tiempo y foco para hacer lo que un modelo nunca va a poder hacer bien: decidir con criterio, negociar con relación, anticipar con experiencia. Delegar y aliviar.
En el ejercicio práctico de la sesión tomamos un escenario que todos en la sala conocen de cerca: un proveedor que notifica un alza de precios y espera respuesta. Es exactamente el tipo de situación donde la mayoría recurre a la IA, le pide que redacte algo y termina con un texto correcto pero vacío, sin posición, sin reflejo de la relación con ese proveedor, sin ninguna de las restricciones que el área tiene definidas.
El problema no es la herramienta. Es que la instrucción no tenía estructura. Un prompt construido con rol, contexto, reglas, tarea, formato, resultado esperado y tono produce algo completamente distinto. Lo vimos en vivo, y aquí lo más importante, más que el resultado, es lo que ese ejercicio revela: que la calidad de lo que la IA produce depende casi enteramente de la calidad de lo que el humano le pide. Eso es una responsabilidad, no una limitación.
La mayoría de los equipos con los que trabajo no tiene esta práctica instalada. Cada persona interactúa con la IA a su manera, con sus propios atajos, sin que nadie haya definido cómo se hace bien. El resultado es inconsistencia: dos personas del mismo equipo obtienen resultados completamente distintos del mismo modelo para el mismo tipo de problema. Mi diagnóstico es claro: el problema es uno de gestión del conocimiento.
Hay algo que mencioné en la sesión y que quiero dejar escrito porque me parece que no recibe suficiente atención: la mayoría de los equipos que usan herramientas de IA en el trabajo no han tocado la configuración de privacidad. Por defecto, varias plataformas usan las conversaciones para entrenar sus modelos. Eso significa que información sensible de la organización puede estar saliendo por una puerta que nadie abrió conscientemente.
No lo digo para generar pánico, sino porque es una decisión que alguien tiene que tomar y hasta ahora en la mayoría de las organizaciones nadie la ha tomado. ¿Qué información puede entrar en estas plataformas? ¿Bajo qué condiciones? ¿Con qué herramientas aprobadas por el área de tecnología? Esas preguntas tienen respuestas simples, pero requieren que alguien se siente a definirlas. Si ese alguien no existe todavía en su organización, el momento de serlo es antes de escalar, no después.
El 3 de junio cerramos el ciclo con la sesión de escalamiento. Para mí es la más importante del ciclo, no porque sea la más técnica, sino porque es donde más proyectos mueren. No por fallas del modelo ni del prompt, sino porque nadie diseñó cómo se adopta, quién lo mantiene, cómo se mide y qué pasa cuando algo sale mal. Eso es gobernanza, y sin ella todo lo que construimos en las tres sesiones anteriores tiene fecha de vencimiento.
La IA ya está disponible para todos. Lo que todavía no está disponible para todos es el criterio para usarla bien. Ese sigue siendo trabajo humano.
Alejandro Hernández Estrella es instructor del Ciclo Formativo IA para el Procurement por parte del Tecnológico de Monterrey, iniciativa de Procure Latam auspiciada por Wherex.
