ICTlogy

Foto de Carlett Badenhorst en Unsplash

El pasado 2 de octubre participé en la XXIII Conversación sobre Gestión del Conocimiento y el Aprendizaje, un espacio impulsado por Neos que desde hace años reúne a profesionales interesados en la cultura del aprendizaje, la planificación estratégica y la innovación organizativa.

Mi compañero de conversación fue Javier Martínez Aldanondo, experto en aprendizaje y gestión del conocimiento. Hablamos sobre el el papel de la inteligencia artificial generativa dentro –o fuera– del planteamiento estratégico de la gestión del conocimiento, con preguntas como qué precondiciones son necesarias para aplicar la IA en este ámbito, qué impacto tiene sobre la planificación y gestión de personas y equipos, y hasta qué punto transforma las funciones y la organización de las instituciones.

Comparto mis notas/aportaciones siguiendo el guión con el que nos condujo Joaquim Carbonell.

¿Qué sentido tiene usar la IA en la gestión de todo el conocimiento de una organización?

Para mí tiene todo el sentido. La IA es la enésima herramienta –aunque con un salto cualitativo y conceptual extraordinario– que sustituye trabajo humano (en este caso cerebral, no muscular) por trabajo de máquina. Todo aquello que es información y comunicación (es decir, conocimiento) es susceptible de optimizarse en eficacia y eficiencia a través de las TIC, y la IA forma parte de esta trayectoria. Nosotros seguimos siendo los pensadores, los diseñadores, los arquitectos; la IA es la ejecutora, la que levanta el peso muerto.

La diferencia respecto a tecnologías anteriores es que ahora la IA nos permite automatizar ámbitos y tareas que hasta hace poco considerábamos inabarcables por diseño. En este sentido, creo que podemos trazar cuatro estadios en el desarrollo de la digitalización de la gestión del conocimiento:

• Digitalizar: convertir el papel en bytes.
• Datificar: convertir los documentos en bases de datos. Es decir, separar contenido de continente.
• Meta-datificar: enriquecer datos e información con otros datos que permitan, sobre todo, que esos datos “se hablen” unos con otros. Dicho de otro modo, hacer los conjuntos de datos interoperables para que puedan relacionarse y poder dar el salto más allá de la información: al conocimiento.
• Algoritimizar o “agencificar”: la hoja de ruta que nos propone ahora la IA y que supone incorporar las preguntas a los datos. Es decir, si con el meta-dato conseguíamos entender el dato, con el algoritmo conseguimos que el dato incorpore también las preguntas más relevantes y, por extensión, algunas de las respuestas (aunque por ahora sean “simples” y basadas en la identificación de tendencias y masas críticas).

Esta última cuestión, no obstante, nos abre un reto enorme: este papel de hacer las preguntas básicas y en cierta forma convertir en rutinario la extracción de los patrones elementales era un papel que desarrollaban los trabajadores noveles, los “júniors”. Y en la mentoría de estos juniors pasaba algo importante: el conocimiento tácito del senior se convertía en explícito. Si ahora delegamos en la IA estas tareas rutinarias, ¿qué pasa con la mentoría? ¿queda reducida a entrenar una IA? ¿quién estructurará ahora el conocimiento si no hay este ejercicio de pasar de tácito a explícito? Y, en definitiva, ¿quién formará entonces a los más jóvenes para que en el futuro sean los expertos?

¿A qué tipos de conocimiento aplicar la IA?

El primer criterio es aplicar la IA a aquellas áreas que ya dominamos, para garantizar que el algoritmo funciona bien y que sigue bajo nuestro control. Debemos asegurarnos de que trabaja para nosotros, no al revés. Parece una práctica prudente, razonable, empezar por aplicarla a tareas que dominamos, aunque parezca poco ambicioso limitarnos a meras ganancias en materia de eficiencia.

Por otra parte, sabemos que esa interconexión de ingentes cantidades de datos hacen emerger patrones que no teníamos previstos. Así que es difícil pensar que un abordaje por categorías, por ámbitos, sea el más estratégico. Sin dejar de lado que, obviamente, hay prioridades y urgencias a abordar, parece lógico tener un planteamiento de sistema, siendo la clave la arquitectura del todo.

Una metáfora basada en el ajedrez puede ayudar a ilustrar este itinerario. La IA es como la dama del ajedrez: puede moverse en todas direcciones, pero conviene saber en qué orden:

1. Primero, mirar hacia atrás para analizar lo que ya hemos hecho, ver donde ganamos en eficiencia, en eficacia, pero sobre todo en seguridad, en confianza, que no nos sorprenda nada “por detrás”.
2. Después, movernos de lado o en diagonal hacia el centro del tablero asegurando la situación, explorando conexiones desde posiciones aventajadas, que permitan asumir riesgos controlados y, sobre todo, poder dar marcha atrás.
3. Finalmente, avanzar hacia adelante en clave prospectiva. Ver, ahora sí, hacia dónde se abren nuevos territorios a explorar, donde aparecen oportunidades que, ahora sí, vemos de dónde vienen y hacia dónde conducen.

Fuera de la metáfora ajedrecística, un resumen de los criterios operativos para aplicar la inteligencia artificial en nuestra estrategia de gestión del conocimiento puede ser el siguiente:

• Eficiencia: tareas rutinarias, de poco valor añadido o donde la relación interpersonal no es central. Que permita evaluar los potenciales y los riesgos del algoritmo. El objetivo colateral de esta fase es generar un algoritmo confiable.
• Detección de patrones y tendencias: encontrar relaciones estáticas y dinámicas dentro de nuestro ecosistema de conocimiento. Aquí el objetivo es visibilizar conocimiento que “ya está ahí”, pero que la IA nos va a ayudar a identificar.
• Posibilidades emergentes: aplicar la IA a espacios y ámbitos que no teníamos en el radar y que, incluso, en muchos casos, ni siquiera estaban latentes en nuestro entorno. Se trata, pues, no solamente de hacerlos emerger, sino de crear las condiciones para que esos escenarios sean posibles.

Este último estadio es muy complejo y requiere equipos dedicados e inversión de tiempo. Pero con un cambio importante de dónde situar esta inversión. Si con la digitalización la inversión se hacía en equipos externos –externos a la organización o bien “externos” en un departamento de tecnologías de la información TI– con la IA la inversión la tiene que hacer toda la organización. Puede haber un equipo impulsor y, sobre todo, un equipo de apoyo. Pero cada unidad de negocio tiene que tener, también, esta capacidad de gestionar el conocimiento.

Impacto en la gestión de personas y equipos

Ante todo, usar IA sin haber reflexionado sobre el conocimiento crítico y la estrategia de gestión del conocimiento es arriesgado. Se corre el peligro de perder de vista el propósito, no alinear a los actores, no establecer herramientas de dinamización ni protocolos claros. Sin un diseño distribuido y abierto, sin mecanismos de seguimiento y evaluación, la IA puede reforzar inercias en lugar de transformar.

Por otra parte, en la mayoría de organizaciones ya se asume que se necesitan unidades de administración y servicios que actúan como cadenas de apoyo para las cadenas de valor o de negocio: se ocupan de la contratación, la facturación, la logística… Es decir, no lideran, no deciden la estrategia, pero permiten que las áreas clave puedan centrarse en su misión, descargándolas de tareas transversales.

De la misma manera, es imprescindible pensar en una unidad de gestión del conocimiento que incorpore todo un cúmulo de funciones que ahora están dispersas: planificación estratégica, estrategia de personas y equipos, aprendizaje y desarrollo, ingeniería de procesos, evaluación, organización de la información y archivo, etc.

Su función sería exactamente la misma que la de administración y servicios, pero relacionada con todo el capital intangible: prestar apoyo metodológico a toda la organización para que cada área pueda concentrarse en su cometido principal, pero asegurando que el conocimiento se gestiona de forma eficaz y coherente. No se trata, pues, de dar más trabajo a las unidades diciéndoles “qué tienen que hacer”, sino todo lo contrario: quitárselo, haciéndolo en su lugar con herramientas y metodologías adecuadas. Es una unidad cuya lógica no es de liderazgo ni de gobierno, sino de gobernanza compartida. Querría insistir que su componente fuertemente metodológico: facilitar, dinamizar, articular, diagnosticar, analizar, instrumentar, acompañar. Su objetivo último es generar las condiciones para que los actores puedan concurrir y colaborar (el famoso stakeholder engagement o implicación de actores, que no management), para que haya conversaciones significativas y para que el conocimiento se convierta en un bien común de toda la organización.

En este esquema, la IA no se concibe como una máquina de soluciones, sino como una herramienta para ordenar la complejidad: analizar la pluralidad de inputs, encontrar patrones y tendencias, simplificar lo que de otro modo sería inabarcable. Su aportación principal está en aumentar la capacidad cognitiva aplicando instrumentos (metodológicos) que ya existen pero que no son de uso corriente en la ortodoxia de la gestión de las organizaciones.

En cuanto a la planificación y gestión de personas y equipos, el impacto de la IA debería ser relativamente limitado. No estamos hablando de tareas rutinarias ni de eficiencia operativa, sino de diseño estratégico, de propósito, de organización de equipos y competencias. La IA puede ayudar en procesos puntuales –por ejemplo, en la selección de personal o en la evaluación del desempeño–, pero la gestión del talento, el liderazgo y la construcción de equipos siguen siendo, y probablemente seguirán siendo, una tarea fundamentalmente humana.

El principal cambio que la IA debería tener en la gestión del conocimiento viene muy ligado a reconocer el talento como algo central en la organización. Este aspecto, aunque raramente habrá quien lo niegue, tiene una prueba del tornasol: ¿están los responsables de personas, planificación y organización en el consejo de dirección? La IA pone a las organizaciones ante el espejo: pone de relieve el talento de la organización y reclama su lugar central en la misma.

Foto de Anna Evans en Unsplash

Ayer tuve la oportunidad de participar en un acto de la Iniciativa Barcelona Open Data dedicado a reflexionar sobre el papel de los datos abiertos en tiempos de inteligencia artificial.

Mi intervención giró en torno a una idea principal: la inteligencia artificial no es un producto ni un servicio, sino una infraestructura pública digital. Esto no es una metáfora ligera. Pensemos en sistemas como la sanidad, la movilidad o la justicia. No son bienes de consumo, no son “servicios” que contratamos individualmente: son la base sobre la que organizamos la vida en común, los cimientos sobre los que construimos nuestras instituciones y nuestros derechos.

Con la IA ocurre lo mismo: es una infraestructura pública digital. Y, como toda infraestructura, no solo condiciona cómo nos movemos o qué hacemos, sino que moldea las propias relaciones sociales, las relaciones de producción, de experiencia y de poder. Yendo todavía más allá, datos abiertos e inteligencia artificial se han vuelto indisociables como el agua en el fondo de un pozo y un cubo atado a un cabo. Sin cubo no hay agua, sin agua el cubo no sirve para nada. Pero ambos, juntos conforman una infraestructura —el pozo— a cuyo alrededor se dan estas relaciones de producción, de experiencia, de poder. Se genera sociedad y se genera cultura, como sucede en un oasis o como sucede muy gráficamente en Egipto a lo largo del Bajo Nilo.

Los datos como piedra angular de la IA

En esta infraestructura, los datos cumplen tres funciones fundamentales:

• entrenan los algoritmos, proporcionándoles patrones y ejemplos,
• son el campo sobre el que actúan los algoritmos, aquello sobre lo que se aplican,
• permiten evaluar los algoritmos, comparando predicciones con realidades.

Son, por tanto, mucho más que un “recurso”: son la piedra angular de todo el edificio. Y si esa piedra angular no es abierta, la infraestructura nace viciada de origen. Cerrada, parcial o sesgada, la IA reproducirá esas carencias y, lo que es más grave, tenderá a ocultarlas bajo una capa de opacidad técnica.

El papel de la Administración: garante del bien común

El debate planteaba varias preguntas. La primera era: ¿qué papel deben tener las administraciones públicas en la provisión de datos abiertos de calidad, representativos e inclusivos?

La respuesta, a mi juicio, es clara: la Administración debe ser la responsable, impulsora y garante de que todo el ecosistema de datos e inteligencia artificial se oriente hacia el bien común.

Esto significa, en la práctica, que debe velar por tres principios fundamentales:

• que el sistema respete y garantice los derechos humanos,
• que promueva la autonomía y la emancipación personal y social,
• que evite cualquier forma de dominación de unas personas sobre otras.

La Administración no tiene por qué asumir toda la carga de producir, mantener y explotar los datos abiertos. Lo que sí le corresponde, de manera irrenunciable, es marcar la ortografía y la gramática del ecosistema: definir el marco de referencia en el que se inscriben los usos legítimos, los principios de diseño y las condiciones de acceso. Y aquí el diseño importa enormemente. Un diseño plural, que reconozca la diversidad de actores y perspectivas; un diseño distribuido, que evite concentraciones de poder y permita que la inteligencia colectiva florezca; y un diseño libre más que meramente abierto, que garantice las cuatro libertades del software libre para reutilizar, modificar, compartir y mejorar. Solo así los datos pueden convertirse en auténtica infraestructura pública digital, con capacidad de generar emancipación y justicia social.

Este enfoque requiere una verdadera gobernanza de misión. Gobernar una infraestructura distribuida significa articular un espacio donde concurran actores con intereses particulares y, al mismo tiempo, se identifiquen y refuercen los intereses comunes. Se trata de compartir no solo infraestructuras técnicas, sino también protocolos culturales (qué significados damos a los datos), normativos (qué reglas colectivas establecemos) y técnicos (qué estándares adoptamos). La gobernanza distribuida garantiza que ningún actor capture el sistema, que la infraestructura permanezca como bien común y que su potencia transformadora esté al servicio de la sociedad en su conjunto.

¿Qué datos deben abrirse?

Otra de las cuestiones era: ¿hay que regular qué conjuntos de datos o indicadores mínimos deben estar disponibles para aportar información sobre desigualdad y discriminaciones sociales?

La tentación es responder con una lista. Pero esa es, en mi opinión, una trampa. Los datos públicos deben ser todos abiertos. No sabemos de antemano qué variable marcará la diferencia, qué indicador revelará un patrón de desigualdad hasta ahora oculto. La inteligencia artificial tiene precisamente esa capacidad: encontrar relaciones donde no pensábamos buscarlas.

Prioricemos, por tanto, propósitos y no datasets concretos. Apostemos por abrir todo el sistema de datos públicos, no por seleccionar subconjuntos. El papel de la Administración, aquí, vuelve a ser garantizar la arquitectura general del sistema: capacitar infomediarios, dinamizar el ecosistema y asegurar que los diferentes actores puedan operar en igualdad de condiciones.

Reducir desigualdades en lugar de reproducirlas

Otra pregunta crucial: ¿cómo podemos asegurar que los datos abiertos alimenten tecnologías y modelos de IA que reduzcan desigualdades en lugar de reproducirlas?

La respuesta pasa por un enfoque de misión, con varios pasos encadenados:

1. Definir claramente los propósitos colectivos.
2. Favorecer la concurrencia de actores diversos, que aporten pluralidad de miradas.
3. Facilitar herramientas de dinamización y mediación.
4. Establecer protocolos y plataformas compartidas que garanticen interoperabilidad.
5. Diseñar con lógica distribuida y libre/abierta.
6. Realizar un seguimiento constante.
7. Evaluar los resultados y corregir cuando sea necesario.

Es decir, no basta con abrir datos: hay que diseñar todo un ecosistema institucional que asegure que esos datos se utilizan con fines inclusivos y emancipadores.

¿Qué ámbitos sociales requieren más urgencia?

Finalmente, se preguntaba: ¿qué ámbitos sociales requieren con más urgencia datos abiertos fiables para avanzar en justicia social y democracia?

Aquí conviene matizar: todo el ecosistema debe estar bien integrado. Si seleccionamos solo algunos ámbitos, corremos el riesgo de invisibilizar otros. La gran novedad de la inteligencia artificial es que revela relaciones inesperadas, conexiones que no anticipábamos. Por tanto, necesitamos un enfoque sistémico, no fragmentado.

Dicho esto, es evidente que hay áreas donde la urgencia es mayor: los datos socioeconómicos, los datos de salud, y los vinculados a cultura y educación son críticos para abordar desigualdades de base. Pero insisto: la prioridad debe ser la apertura integral, sin compartimentos estancos.

Lectura complementaria

Informe:
Peña-López, I. (2025). Meaningful Stakeholder Engagement in Public Procurement for Artificial Intelligence. A Mission-Oriented Playbook. Barcelona: Participation AI.

No hay un proceso canónico de creación de conocimiento. Encontraremos, desde la epistemología hasta el management, multitud de formas con las que explicar cómo la Humanidad baja del árbol y, una vez en pie, convierte una rama en una herramienta para mejorar su existencia.

Sin embargo, sí podemos definir dos direcciones opuestas en las que sucede esta creación del conocimiento, que la filosofía ha categorizado, a grandes rasgos, en racionalismo y empirismo. El racionalismo comienza haciéndose una gran pregunta, por qué, a partir de la cual va deduciendo la solución a su problema en concreto. El empirismo, al contrario, empieza por lo más concreto, cómo, hasta que llega a poder inducir la razón general.

El aprovechamiento práctico y la aplicación en la vida cotidiana del conocimiento, sin embargo, no tiene una aproximación —si se me permite la simplificación— tan direccional, sino, como mínimo, bidireccional, cuando no circular. La paleontología, la antropología y la sociología nos enseñan que si bien las inquietudes o los comportamientos acaban determinando cómo evoluciona el conocimiento, también el nuevo conocimiento acaba modulando los comportamientos. Así, las distinciones entre investigación básica, investigación aplicada, tecnología, innovación o técnica ni son claras ni, sobre todo, tienen una secuencia bien definida. La necesidad de moverse rápido puso el motor de explosión sobre unas ruedas, de la misma forma que el coche determina absolutamente la forma de los asentamientos humanos del siglo XX en adelante, y ahora sus habitantes tienen que investigar en energías renovables para revertir los nocivos efectos de los combustibles fósiles.

La revolución digital ha acelerado exponencialmente todas estas cuestiones. Cuando un mismo factor —la información— es a la vez input, herramienta y output, la epistemología, la antropología y la sociología saltan por los aires —la paleontología pasa a estudiar lo que aconteció antes de ayer.

Una de las críticas clásicas a la tecnología de vanguardia es que es una solución en busca de problemas. Y que no deberíamos dejarnos llevar por solucionisme y aplicar acríticamente y sin criterio la última novedad en el mercado tecnológico. Y es cierto.

Pero es igualmente cierto que estas tecnologías, probablemente como nunca, cuestionan no sólo maneras de hacer sino maneras de ser y razones de ser de lo que dábamos por supuesto. En el ámbito de la democracia lo que estamos cuestionando no son conceptos nada menores: identidad, comunidad, representación, institución, poderes, reputación, transacción, trazabilidad, transparencia, agenda pública, masa crítica, agencia, formalidad, garantía, neutralidad, tendencia , territorio, moneda, ley, derecho, ciudadanía.

Comprender qué es y cómo funciona la inteligencia artificial, las cadenas de bloques y las tecnologías de libro mayor distribuido, el cifrado o las identidades electrónicas son maneras no sólo de encontrar soluciones a problemas reales, sino de avanzar y decidir a tiempo hacia dónde queremos que evolucionen los conceptos básicos que conforman nuestras democracias y, con ellos, nuestras propias sociedades. No estar presente en este debate es dar por hecho que lo que venga será el estándar de facto, sea el que sea. Las democracias suelen morir así, por inercia.