24 de julio de 2026

Actualizado el 24 de julio de 2026

Cuando la IA entra al equipo, el trabajo cambia de forma

Hace varios años participé en un taller de Joshua Kerievsky. Sus ideas y su forma de trabajar me cautivaron. Cuando descubrí su propuesta de Modern Agile, la adopté y empecé a aplicarla en distintos aspectos de mi trabajo profesional. Desde entonces, sus cuatro principios me han servido como una forma práctica de mirar cómo se organizan los equipos, cómo entregan valor y cómo aprenden.

Ahora los modelos y agentes de IA están cambiando el trabajo cotidiano. Han aparecido varias propuestas para revisar la relación entre agilidad y trabajo con IA. Este artículo parte de esas propuestas y comparte mi propia lectura: qué mantienen vigente los principios de Modern Agile, qué necesitan cambiar y por qué creo que la intención humana debe quedar explícita.

La inteligencia artificial cambia cómo trabaja una persona y cómo un equipo se organiza, decide, revisa y aprende.

Modern Agile propuso cuatro principios para orientar equipos que necesitan entregar valor en entornos cambiantes: hacer que las personas sean geniales, entregar valor continuamente, hacer de la seguridad un prerequisito y experimentar y aprender rápido. Esos principios siguen siendo útiles. Pero los equipos que hoy trabajan con asistentes y agentes de IA se encuentran con una situación nueva.

Una herramienta puede preparar un informe, resumir una reunión, analizar datos, redactar una respuesta o construir una primera versión de una aplicación en pocos minutos. El tiempo de ejecución se reduce. Sin embargo, aparecen otras preguntas:

¿La herramienta entendió lo que necesitábamos?
¿Trabajó con información correcta y suficiente?
¿Quién revisa el resultado?
¿Qué puede hacer sin pedir permiso?
¿Cómo aprende el equipo de lo que ocurrió?

Con la IA, la coordinación cambia de lugar. La propuesta que presento aquí relee Modern Agile para cualquier equipo que delega parte de su trabajo a modelos y agentes de inteligencia artificial.

La ejecución deja de ser el único cuello de botella

Durante mucho tiempo, una buena parte del trabajo consistió en producir: escribir, diseñar, programar, analizar, documentar o responder. La calidad dependía, entre otras cosas, del tiempo disponible y de la capacidad de las personas para completar cada tarea.

Los modelos de IA cambian esa relación. Una persona puede pedir varias alternativas, comparar borradores o explorar una gran cantidad de información en un tiempo mucho menor. Un agente puede ejecutar una secuencia de pasos, utilizar herramientas y dejar un resultado listo para revisar.

Pero producir algo más rápido no significa que ese resultado tenga valor. La velocidad de la herramienta hace más importantes algunas tareas que antes podían quedar ocultas:

definir con claridad el problema;
establecer para quién se trabaja;
aportar el contexto adecuado;
distinguir una restricción importante de un detalle secundario;
verificar que el resultado sea correcto;
decidir qué riesgos son aceptables;
asumir la responsabilidad por la decisión final.

El equipo debe saber qué quiere conseguir y cómo reconocerá un buen resultado, además de conocer las capacidades de la IA.

Los cuatro principios, releídos para cualquier equipo

La propuesta de actualización conserva los cuatro principios de Modern Agile y los relee en un contexto donde las personas comparten el trabajo con asistentes y agentes de IA.

1. Haz que las personas sean geniales

La inteligencia artificial puede liberar tiempo para que las personas piensen, conversen y resuelvan problemas importantes. Esa debería ser una de sus principales contribuciones al trabajo de un equipo.

La misma herramienta puede usarse para vigilar cada acción, medir cada minuto o aumentar la presión por producir más. Convertir la IA en un mecanismo de control permanente reduce la seguridad psicológica que el equipo necesita para plantear dudas, reconocer errores y proponer ideas nuevas.

En un equipo que trabaja con IA, “hacer que las personas sean geniales” significa darles herramientas y criterio para dirigirla bien. La especialización técnica puede concentrarse en algunas personas; el criterio para delegar y revisar debe extenderse a todo el equipo.

Algunas prácticas concretas son:

tratar la alfabetización en IA como una responsabilidad de todo el equipo;
conversar brevemente antes de delegar una tarea grande: qué se necesita, para quién, con qué restricciones y cómo se revisará;
compartir los aprendizajes sobre las herramientas, en lugar de mantenerlos como conocimiento individual;
realizar revisiones transparentes de lo que la IA produjo o decidió;
proteger el tiempo de pensamiento crítico, conversación y trabajo creativo.

Una persona gana capacidad cuando decide cuándo usar una herramienta, cómo dirigirla y cuándo desconfiar de su resultado.

2. Entrega valor continuamente

En un proceso tradicional, el trabajo puede avanzar por fases: primero se prepara una versión preliminar, luego alguien ejecuta, después otra persona revisa y finalmente alguien aprueba. Cuando cada actividad depende de la anterior, el proceso puede volverse lento.

La IA permite trabajar en paralelo. Mientras una persona define una necesidad, un asistente puede preparar un primer borrador. Mientras se organiza una reunión, otro puede resumir conversaciones anteriores. Mientras se analiza una solicitud, un agente puede clasificarla y señalar los casos que necesitan atención.

Esto abre la posibilidad de incorporar una forma de IA continua al trabajo cotidiano: agentes que hacen triage de solicitudes, mantienen documentación actualizada, resumen reuniones o detectan cambios relevantes sin esperar a que alguien convierta cada tarea en un proyecto separado.

El trabajo paralelo también puede producir más ruido. Para entregar valor continuamente, un equipo necesita algo más que velocidad. Necesita criterios compartidos:

¿Qué problema estamos resolviendo?
¿Quién utilizará este resultado?
¿Qué información es confiable?
¿Qué significa que el trabajo esté listo?
¿Qué se debe revisar antes de entregarlo?

Las versiones preliminares y los documentos de requisitos necesitan convertirse, cuando el trabajo lo pida, en guías de trabajo vivas. Una guía viva se mantiene abierta: las personas y las herramientas la consultan, revisan y actualizan.

Los pocos puntos de aprobación que queden no deberían convertirse en reuniones largas para comprobar manualmente cada detalle. Conviene diseñarlos como verificaciones concretas: una lista de comprobación, una comparación con datos de referencia, una prueba o una revisión cruzada.

3. Haz de la seguridad un prerequisito

En un equipo que utiliza IA, la seguridad del software es solo una parte del problema. También entran en juego la información, las decisiones, las comunicaciones y la reputación de la organización.

Algunos riesgos son fáciles de reconocer:

enviar información confidencial a una herramienta pública;
publicar contenido con errores o datos inventados;
permitir que una decisión sesgada pase sin supervisión;
dejar que un agente modifique información o envíe una comunicación sin aprobación;
utilizar herramientas que nadie en el equipo conoce o ha evaluado;
confiar en un resultado porque está bien escrito y parece convincente.

La seguridad debe formar parte del diseño del trabajo, no ser una revisión que aparece al final. Antes de delegar una tarea, el equipo puede acordar qué está permitido y qué no.

Por ejemplo, una herramienta puede tener permiso para:

consultar documentos previamente seleccionados;
preparar borradores;
clasificar solicitudes;
sugerir alternativas;
señalar posibles errores.

Pero puede no tener permiso para:

publicar contenido directamente;
enviar mensajes a clientes o estudiantes;
modificar registros importantes;
aprobar una solicitud;
utilizar información personal fuera del propósito definido.

La distinción es esta: el humano debe estar en control, no solamente en el circuito. Estar en el circuito significa revisar algo después de que la IA actuó. Estar en control significa definir antes la intención, los límites y las condiciones bajo las cuales la herramienta puede actuar.

Una revisión cruzada ayuda a encontrar errores que la primera persona puede pasar por alto. Quien prepara un resultado ya conoce el camino que siguió; una segunda persona, o una segunda herramienta usada en otro contexto, puede mirar con menos sesgo.

4. Experimenta y aprende rápido

La IA puede reducir el ciclo entre una idea y una primera prueba. Un equipo puede crear dos borradores, comparar enfoques o probar una automatización en una tarde.

Pero existe un riesgo nuevo: la iteración sin convergencia. El equipo pide una corrección, luego otra, y después una tercera. El resultado cambia, pero nadie sabe con claridad qué criterio debe cumplir para considerarse terminado.

Para experimentar y aprender rápido sin quedarse dando vueltas, el equipo puede:

definir antes qué se quiere aprender con cada experimento;
probar variantes en paralelo cuando sea más útil que perfeccionar una sola opción;
establecer un criterio verificable de “listo”;
si el mismo problema se corrige más de dos veces, detenerse y replantear la instrucción o el enfoque;
tratar las instrucciones, plantillas y configuraciones útiles como activos del equipo;
documentar qué funcionó, qué falló y en qué contexto.

Los prompts útiles deben salir de las cuentas personales y entrar en el conocimiento compartido del equipo. El equipo puede revisarlos y descartarlos cuando dejan de servir.

Experimentar rápido no significa actuar sin cuidado. Significa reducir el costo de aprender, manteniendo claro qué se está probando y qué evidencia permitirá tomar la siguiente decisión.

Un quinto principio: hacer explícita la intención

Los cuatro principios anteriores cubren buena parte de los desafíos que plantea la IA. Aun así, la relación entre la intención humana y la ejecución de la máquina merece ser explícita.

El quinto principio propuesto es:

Haz explícita la intención: mantén al humano en control, no solo en el circuito.

Un agente puede ejecutar una instrucción mal planteada con una velocidad enorme. Una definición ambigua, que antes producía un resultado mediocre después de varias horas, puede producir ahora cientos de resultados mediocres en pocos minutos.

La agilidad de un equipo depende menos de la velocidad aislada que de la claridad con la que declara:

qué quiere conseguir;
por qué ese resultado importa;
qué información puede utilizarse;
qué límites no se deben cruzar;
qué decisiones requieren una persona;
cómo se verificará el resultado;
quién asume la responsabilidad final.

Este quinto principio no reemplaza “Haz de la seguridad un prerequisito”. Son asuntos relacionados, pero distintos. La seguridad pregunta principalmente cómo nos protegemos. La intención pregunta quién decide qué se debe hacer y con qué límites.

Tampoco se trata de redactar instrucciones interminables para cada tarea. Se trata de hacer visibles las decisiones importantes antes de que comience la ejecución.

Qué cambia en la dinámica de un equipo

La llegada de la IA cambia el contenido de los roles existentes en un equipo.

Antes	Ahora
Una persona ejecuta una tarea de principio a fin.	Una persona define la intención, dirige la ejecución y verifica el resultado.
La versión preliminar se prepara y luego queda archivada.	La guía de trabajo se mantiene viva y puede ser consultada por personas y herramientas.
La revisión ocurre al final.	La verificación se diseña desde el inicio.
La revisión es exclusivamente humana.	Puede existir una revisión cruzada entre personas o herramientas en contextos distintos.
La retrospectiva revisa el proceso del equipo.	La retrospectiva también revisa instrucciones, plantillas y configuraciones de IA.
La reunión de coordinación se centra en lo que hará cada persona.	La coordinación incluye lo que produjeron los asistentes y agentes desde la última reunión.

El equipo también necesita a alguien que ayude a elegir herramientas, establecer prácticas, compartir aprendizajes y coordinar el trabajo entre personas y agentes. Esa responsabilidad puede rotar en un equipo pequeño o formar parte del trabajo de una persona dedicada a la habilitación y la coordinación en uno grande.

El uso de IA necesita acuerdos comunes para no quedar librado a decisiones individuales y desconectadas.

Riesgos que conviene vigilar

Complacencia con los resultados

Un texto bien redactado puede contener datos falsos. Un análisis ordenado puede partir de una fuente equivocada. Una respuesta segura puede ocultar una suposición. La apariencia de calidad no reemplaza la verificación.

Shadow IT de IA

Una herramienta puede entrar a una organización porque una persona la encontró y comenzó a usarla. Si nadie conoce qué información recibe, qué conserva o qué permisos solicita, el equipo puede tener un riesgo que no sabe que existe.

Erosión de la colaboración

Cada persona puede volverse más productiva de manera individual, pero el equipo puede conversar menos, compartir menos decisiones y perder una comprensión común del trabajo. La IA debería liberar espacio para colaborar, no convertir el trabajo en una suma de actividades aisladas.

Iteración sin convergencia

Pedir ajustes sucesivos no garantiza que el resultado mejore. El equipo necesita un criterio que le permita detenerse, revisar y decidir.

Pensamiento repetitivo

Los modelos suelen producir respuestas plausibles a partir de patrones existentes. Si todas las personas comienzan sus ideas con el mismo tipo de borrador generado, las soluciones pueden volverse más parecidas. La mirada crítica, la experiencia y la capacidad de formular una pregunta diferente siguen siendo tareas humanas.

Delegación sin responsabilidad

Cuando una herramienta prepara una decisión, puede aparecer la tentación de atribuirle la responsabilidad. Pero un agente no reemplaza al equipo que definió el objetivo, autorizó la acción y aceptó el resultado.

Qué puede probar un equipo desde mañana

El equipo puede empezar con un experimento pequeño, sin rediseñar todo el proceso:

Elegir una tarea repetitiva y acotada.
Definir qué resultado se necesita y quién lo utilizará.
Establecer qué información puede recibir la herramienta.
Acordar qué puede hacer sin aprobación y qué debe detenerse a consultar.
Escribir dos o tres criterios para revisar el resultado.
Probar la herramienta con un caso real, pero de bajo riesgo.
Revisar el resultado con una segunda persona.
Registrar qué instrucciones funcionaron y qué errores aparecieron.
Decidir si el experimento debe repetirse, ajustarse o abandonarse.

El aprendizaje no está solamente en el resultado. También está en descubrir qué información faltaba, qué decisión no estaba clara y qué parte del proceso necesitaba una revisión humana.

La velocidad necesita dirección

La inteligencia artificial permite que un equipo ejecute más tareas en menos tiempo. Eso no garantiza que esté trabajando en el problema correcto, que las decisiones sean seguras o que las personas estén aprendiendo juntas.

Los principios de Modern Agile siguen ofreciendo una buena base: cuidar a las personas, entregar valor, tratar la seguridad como una condición necesaria y aprender mediante experimentos. La presencia de modelos y agentes hace necesario reforzar esa base con una pregunta adicional: ¿la intención del equipo está suficientemente clara antes de que comience la ejecución?

La IA puede ampliar las capacidades de un equipo, pero también puede amplificar sus confusiones. Puede acelerar una buena decisión o una mala decisión. Puede liberar tiempo para pensar o llenar el día de resultados que nadie tiene tiempo de revisar.

El criterio final no es cuánto trabajo puede hacer la IA. Es si el equipo sabe qué trabajo debe priorizar, qué límites debe respetar y cómo reconocer un buen resultado.

Ideas principales

La IA reduce el tiempo de ejecución, pero aumenta la importancia de dirigir y verificar.
La alfabetización en IA debe ser una responsabilidad del equipo, no de una sola persona.
Entregar valor continuamente exige producir con criterios compartidos, no acumular contenido.
La seguridad incluye información, decisiones, permisos, sesgos y responsabilidad.
El humano debe definir los límites desde el inicio y revisar el resultado al final.
Las instrucciones, plantillas y configuraciones útiles pueden convertirse en conocimiento compartido.
La colaboración sigue siendo necesaria cuando cada persona puede producir más por su cuenta.
El quinto principio vincula la intención humana con la velocidad de la máquina.

Glosario breve

Agente: programa que utiliza un modelo de IA para completar una tarea, tomar acciones y, en algunos casos, utilizar herramientas externas.
Alfabetización en IA: capacidad de comprender las posibilidades, límites y riesgos de las herramientas de inteligencia artificial.
Contexto: información que acompaña una instrucción y ayuda al modelo a producir una respuesta o tomar una acción.
Guía de trabajo viva: documento o conjunto de reglas que se mantiene actualizado y sirve de referencia para personas y herramientas.
IA continua: uso de agentes que realizan tareas de análisis, clasificación, documentación o seguimiento como parte habitual del flujo de trabajo.
Modelo de lenguaje: sistema de inteligencia artificial capaz de procesar y generar lenguaje a partir de patrones aprendidos.
Prompt: instrucción que se entrega a un modelo de IA.
Shadow IT: uso de herramientas tecnológicas dentro de una organización sin conocimiento, evaluación o autorización formal del equipo responsable.
Verificación cruzada: revisión de un resultado por una segunda persona o herramienta que no participó de la primera elaboración.

Para profundizar

Esta propuesta forma parte de una exploración sobre cómo actualizar Modern Agile para la era de los modelos y agentes de IA: