6 modelos mentales de la AI Champion Mindset, ¿con cuáles te guías?

Hace unos días escuché a alguien decir, con mucha seguridad y un tanto de soberbia, que hablar de mentalidad es una estupidez. Que “eso del mindset no sirve para nada” y que, si quieres que la IA funcione, lo que importa es la ejecución técnica.

Cuando alguien me suelta una afirmación así de tajante, o algo que parece una regla de vida, pocas veces la acepto o rechazo en el acto. Más bien me llevo el fraseo para reflexionarlo y llegar a mi propia conclusión. En este caso, entiendo de dónde puede venir su opinión. Es verdad que internet está lleno de frases de mindset vacías: “cree en la IA y la IA creerá en ti”, “manifiesta tu transformación digital”, “el único límite es tu mentalidad”. Si eso es lo que entendemos por mindset o mentalidad, entonces sí: no sirve para nada.

Por otro lado, los absolutismos suelen perder de vista matices relevantes. En este caso, eso puede incluir descartar modelos mentales erróneamente o tipos de pensamiento, como puede ser el pensamiento crítico. Sería como creer que la nutrición no importa porque existen influencers vendiendo tés detox.

En torno a la IA, la mentalidad que me importa no es una actitud optimista frente a la tecnología, sino un conjunto de lentes con los que decides qué problema vale la pena resolver, qué evidencia vas a pedir, qué información necesita un sistema, qué parte debe seguir bajo juicio humano y cómo sabrás que algo realmente mejoró.

Eso es especialmente relevante ahora. 88% de las organizaciones ya usa inteligencia artificial en al menos una función de negocio. Al mismo tiempo, solo 6% ve un impacto real en sus ganancias mayor al 5% (McKinsey & Company / QuantumBlack, The State of AI in 2025). El contraste no demuestra que la IA “no funcione”, sino que tener licencias o capacitaciones no garantiza que el trabajo se haga mejor.

En mi investigación para crear el marco metodológico de un taller que doy estos días, AI Champion Mindset, encontré un patrón recurrente entre personas que construyen, prueban e implementan sistemas con IA: no comparten una herramienta única ni una fórmula mágica. Comparten ciertas formas de pensar antes de construir.

Y se trata de formas de pensar que no son abstractas. Son formas de pensar desde la perspectiva y enfoque de decisiones operativas. Para mí, eso no es lo mismo que la mentalidad o mindset de corte motivacional.

La IA no empieza a generar valor porque una organización la “adopta”. Empieza a generar valor cuando alguien puede responder con claridad qué trabajo quiere mejorar, qué contexto hace falta, qué debe seguir bajo juicio humano y cómo se va a evaluar el resultado.

En la Edición 07 hablamos de distintas formas de participación de la IA: asistencia, automatización, delegación acotada y operación con gobierno. Esta edición se va un paso atrás: los modelos mentales que permiten decidir cuál de esas formas tiene sentido, y con qué condiciones.

Yo los llamo los seis modelos del AI Champion Mindset, pero antes de pasar a los modelos revisemos las tres grandes funciones de una persona que es o aspira a ser AI Champion, ya sea para terceros o para sus propias soluciones:

Ahora sí, los seis modelos mentales recurrentes (siempre pueden haber más) del perfil AI Champion:

Medir adopción es cómodo. ¿La persona se conectó a su cuenta de ChatGPT, Claude o Gemini? ¿Envió un prompt? ¿Se conectó al taller? Todo eso puede ponerse en verde en un tablero de adopción, pero se parece más a pasar lista de asistencia en la escuela.

Pero un registro de actividad, instalación o asistencia no es impacto. La pregunta útil es: ¿qué trabajo era manual, lento, confuso o propenso a error antes de esta iniciativa y qué cambió después?

No necesitas empezar con un programa enorme. Basta con elegir un proceso, mirar el tiempo, el retrabajo, las excepciones o el riesgo que implica hoy, y tener una línea base honesta. Sin ella, es difícil distinguir una mejora de una demostración vistosa. Y además, aquí indicadores como: % de resoluciones resueltos, tiempo de respuesta, número de ciclos de retrabajo, sí que importan porque son justamente los que indican el impacto de la IA.

Pregunta clave: ¿Qué resultado real queremos mejorar y cómo reconoceríamos una mejora?

En casi todos los equipos habrá personas que exploran herramientas, documentan aprendizajes y encuentran formas nuevas de trabajar antes que los demás. También habrá personas que no quieren abrir otro chat, aprender otra interfaz ni convertirse en expertas en prompting o detalles técnicos.

El error es pensar que ambas necesidades se resuelven con la misma intervención. A las primeras quizá conviene darles espacio para experimentar, compartir criterios y convertir hallazgos en prácticas reutilizables. Para las segundas, la mejor IA puede ser la que mejora una parte del proceso sin pedirles una herramienta nueva.

Esto ya se ve como una tendencia: hay perfiles que construyen soluciones y otros que participan principalmente como usuarios. Son niveles distintos de injerencia y participación.

Esto no busca dividir a las personas entre “buenas” y “malas” usuarias, sino subrayar que no conviene diseñar como si todo mundo tuviera el mismo tiempo, curiosidad, tolerancia al error o rol en el trabajo.

Pregunta clave: ¿Quién ya está encontrando una práctica útil y quién necesita que el sistema le quite fricción sin exigirle otra capa de trabajo?

Seguimos hablando mucho de prompts y modelos. Pero una parte enorme del trabajo real ocurre antes: entender dónde vive la información, qué versión es confiable, qué excepciones existen, qué lenguaje usa la organización o proyecto, y qué criterio distingue una buena respuesta de una respuesta apenas presentable. Ya lo exploramos en la edición 06: “Sin contexto, no hay prompt que alcance”.

Un modelo muy capaz no arregla por sí solo documentos contradictorios, información repartida entre correos, carpetas y personas, o reglas que nadie ha hecho explícitas. Claro que se le puede solicitar a Codex o a Claude Code que organice carpetas y documentos, pero organizar no es resolver un problema de información dispersa e inconsistente.

Por eso, cuando alguien pregunta qué herramienta necesita, muchas veces la conversación empieza en otro lugar: ¿qué contexto tendría que poder consultar para no trabajar en el vacío?

Pregunta clave: ¿Qué información, fuentes y criterios todavía viven dispersos o solo en la cabeza de alguien?

Cuando una tarea todavía no funciona bien con IA, el reflejo suele ser agregar algo: otro modelo, un agente, más automatizaciones, una base vectorial o una cadena de prompts más elaborada. Todo eso puede sonar como progreso.

Pero antes conviene hacer una pausa. Cada capa adicional necesita más información, más mantenimiento y abre más formas de fallar. Si todavía no está claro qué problema se quiere resolver, una solución con más elementos no necesariamente es la óptima.

En muchos casos “menos es más”, y el siguiente paso útil es más pequeño: documentar mejor una instrucción, probar una plantilla, revisar una muestra de resultados o automatizar un paso claro y reversible.

Tal vez no suene tan sexy como construir un agente o un sistema complejo, pero la sofisticación no es el objetivo. El objetivo es resolver un problema real con la menor complejidad que permita hacerlo bien.

Pregunta clave: ¿Cuál es la versión más simple, revisable y reversible que vale la pena probar primero?

Es fácil pedirle a una IA que produzca algo y, en la misma conversación, preguntarle si lo hizo bien puede sentirse eficiente en términos prácticos pero resulta insuficiente como control de calidad.

Quien genera una salida no debería ser la única voz que decide si esa salida sirve. Hace falta un criterio independiente: una persona experta, una fuente original, un checklist que no creó quien produjo el resultado, una prueba real o una segunda mirada con instrucciones distintas.

En algunos workflows, esa separación se diseña usando dos modelos. Uno puede funcionar como líder u orquestador: ayuda a definir qué hay que hacer, revisa requisitos, evalúa la calidad y decide cuándo algo necesita corrección. El otro opera: ejecuta, redacta, clasifica, analiza o construye una primera versión.

La utilidad radica en separar funciones. Lo que produce uno lo revisa el otro. Incluso la retroalimentación puede evaluarse de forma cruzada antes de incorporarla. Así se reduce el riesgo de que el mismo modelo valide sus propios supuestos, errores o criterios de calidad.

El punto no es desconfiar de todo lo que produce la IA, sino evitar confundir una respuesta convincente con una respuesta correcta o útil. Mientras más consecuencias tenga el resultado, más claro debe estar quién revisa (sea persona o modelo de IA), qué se revisa y qué ocurre cuando algo no cumple.

Pregunta clave: ¿Quién verifica la salida, con qué evidencia y qué hace cuando encuentra una excepción

Hay una conversación que se repite cada vez que aparece una novedad: “¿Ya usaste el nuevo modelo?”, “¿Ya probaste la nueva herramienta?”.

Son preguntas válidas. Las herramientas cambian, los modelos mejoran y vale la pena seguir aprendiendo. Pero, cuando trabajamos con inteligencia artificial dentro de procesos, sistemas, agentes o automatizaciones, concentrarnos solo en el modelo puede hacernos perder de vista algo más importante: la arquitectura de la solución.

La calidad de una solución depende también de cómo se pensó lo que se quiere mejorar, cuál es la secuencia de instrucciones, qué fuentes puede consultar, qué contexto necesita en cada paso, qué herramientas intervienen, dónde se valida el resultado y qué ocurre cuando aparece una excepción.

Una arquitectura pobre puede hacer que incluso un modelo muy capaz entregue resultados inconsistentes, incompletos o poco útiles. En cambio, cuando la solución está bien mapeada, dependes menos de un modelo específico. No porque el modelo deje de importar, sino porque la arquitectura ya hace visible una parte importante del trabajo: organiza el contexto, reduce ambigüedad, define límites y separa responsabilidades.

El modelo ejecuta una parte del trabajo; la arquitectura define las condiciones para que ese trabajo pueda salir bien.

Pregunta clave: ¿Estamos eligiendo una herramienta o un modelo para compensar una arquitectura que todavía no hemos diseñado?

El AI Champion Mindset no se ve igual en todos los contextos. Lo que permanece es la disciplina de no empezar por la herramienta, sino por el resultado, el contexto, la prueba y la revisión.

Tal vez la organización define las herramientas o el stack tecnológico.

Aun así, tu conocimiento del día a día puede ser una fuente enorme de oportunidades: sabes dónde se atasca el proceso, qué excepciones aparecen, qué información llega tarde, qué parte del trabajo se repite y qué resultado ayuda realmente a lograr los objetivos.

Con ese conocimiento puedes contribuir a convertir una fricción operativa en una posibilidad concreta de mejora que, con el tiempo, podría volverse un flujo más consistente asistido por IA.

Hay una oportunidad parecida a la de las personas empleadas, pero más cercana a tu propia capacidad y a tus clientes.

Puedes identificar qué te quita tiempo, qué limita el avance de un proyecto o qué necesidad se repite de manera similar entre clientes. A veces el primer paso es una mejora interna. Otras veces, al mapear bien el problema, una solución que bosquejas para tu propio trabajo puede convertirse después en un sistema, una metodología o una oferta útil para otros negocios con una necesidad parecida.

Este mindset también puede ser una forma de mirar hacia adelante.

Además de usar IA para explorar, explicar y ordenar lo que aprendes, puedes investigar cómo opera en la práctica el campo que estás estudiando: dónde suele haber fricción, cuellos de botella, trabajo repetitivo o decisiones difíciles. No para pretender resolverlo todo antes de tener experiencia, sino para empezar a reconocer oportunidades que más adelante podrían ayudarte a trabajar mejor y con más criterio.

Las oportunidades pueden estar en cómo se ordena información de programas, se prepara evidencia para donantes, se da seguimiento a actividades, se mide avance o se libera capacidad administrativa en equipos compactos.

La eficiencia no equivale automáticamente a impacto. Pero, cuando se diseña con indicadores útiles, contexto de las comunidades, permisos y responsables claros, puede ayudar a que recursos limitados alcancen más, sin perder de vista qué cambio importa realmente.

Sin importar el perfil desde el que leas esto, no hace falta tener una iniciativa resuelta para empezar. Basta con elegir una realidad operativa que conoces bien y observar qué decisión útil podría abrirse ahí.

Eso es lo que haremos a continuación.

Elige un proyecto, proceso o tarea que te gustaría mejorar. No elijas todo tu trabajo. Elige algo que ocurra de verdad, tal vez algo que te haya quitado horas en los últimos días.

Después responde, aunque sea con frases cortas:

Al terminar, no intentes convertir las seis respuestas en un sistema completo.

Úsalas para elegir una acción coherente con lo que descubriste: observar mejor el proceso si todavía no entiendes la fricción, recuperar contexto si falta información, involucrar a alguien si el criterio no es solo tuyo o probar una parte pequeña si ya hay suficiente claridad.

El valor del ejercicio está en tomar una siguiente decisión mejor fundada.

Sí, la ejecución importa. Sin ella, no hay modelo mental ni mentalidad capaz de transformar nada. Pero también importa qué ejecución elegimos, para qué y bajo qué condiciones. Ahí entran los modelos mentales.

Una organización puede tener licencias, entusiasmo, una lista larga de herramientas y muchas conversaciones sobre agentes. Pero si no sabe qué mide, qué contexto necesita, con qué versión simple puede empezar, cómo verifica y quién responde cuando algo falla, la IA puede acelerar actividad y, muchas veces, errores operativos.

Entiendo que hablar de mentalidad le resulte sospechoso a más de una persona. Pero pensar la adopción de IA desde modelos mentales pragmáticos es mucho más que una frase motivacional. Una frase bonita difícilmente ayuda a decidir algo cuando un proceso se atora.

El AI Champion Mindset es otra cosa. No pide creer más fuerte en la tecnología ni repetir que “ahora con la IA todo es posible”. Pide hacer preguntas poco glamorosas, pero útiles: qué vale la pena mejorar, qué evidencia hace falta, qué puede probarse primero y quién responde si algo sale mal.

No es una mentalidad para sentirse más cerca de la transformación. Es una forma de tomar una decisión mejor antes de construir.