Muchas organizaciones miden su avance en inteligencia artificial contando licencias, pilotos, copilotos y casos de uso. El benchmark mundial sugiere que esa métrica empieza a quedarse corta. La ventaja real está en otra parte: en aprender a rediseñar el trabajo.
El error de empezar por “ser AI-Native”
Hay conceptos que se vuelven peligrosos cuando empiezan a sonar como destinos inevitables. Digital-first. Cloud-first. Data-driven. Y ahora: AI-Native.
El problema no está en la aspiración. Está en convertirla en una carrera donde toda empresa parece obligada a llegar al mismo lugar.
- No toda organización necesita el mismo grado de automatización.
- No todo proceso necesita agentes.
- No toda decisión debería delegarse.
- No toda compañía debería rediseñar su modelo operativo alrededor de inteligencia artificial.
La pregunta habitual
“¿Cómo nos convertimos en AI-Native?”
La pregunta correcta
“¿Dónde una forma diferente de trabajar, habilitada por IA, crea suficiente valor para justificar el cambio?”
Esa diferencia parece pequeña, pero cambia el punto de partida. En lugar de perseguir una etiqueta tecnológica, obliga a mirar el trabajo real.
Un eje para entender el cambio
La transición puede resumirse en cinco movimientos. Cada uno resuelve un problema diferente, y saltarse alguno suele producir exactamente lo contrario de la transformación: más herramientas, más complejidad y poca evidencia de valor.
La IA predice
Genera, clasifica, resume, recomienda y reconoce patrones. Capacidad no significa criterio.
Riesgo si falla: confundir capacidad con verdad.
El humano juzga
Alguien interpreta contexto, evalúa riesgos, decide qué importa y asume responsabilidad.
Riesgo si falla: delegar criterio y responsabilidad.
La plataforma habilita
Conecta la IA con conocimiento, datos, permisos, sistemas, evaluación y gobierno.
Riesgo si falla: fragmentación, datos pobres y shadow AI.
El workflow cambia
La pregunta deja de ser qué tarea acelerar y pasa a ser cómo debería funcionar el proceso completo.
Riesgo si falla: automatizar ineficiencias.
La organización aprende
La ventaja está en poder rediseñar de nuevo cuando cambian la tecnología, el mercado o el negocio.
Riesgo si falla: depender de proyectos aislados.
Pasa el cursor por cada movimiento (o tócalo) para ver el riesgo de saltárselo.
Ese último movimiento es, para mí, el verdadero significado de AI-Native. El resto del artículo recorre el eje paso a paso.
1. La IA predice
Hace unos meses escribí IA predice, tú piensas: 10 verdades para entender la era del hype tecnológico. La tesis era deliberadamente simple:
Un modelo puede procesar volúmenes de información imposibles para una persona. Puede generar miles de alternativas, detectar patrones, resumir documentos y producir una respuesta convincente en segundos. Pero sigue existiendo una diferencia entre generar una posibilidad y decidir qué hacer con ella.
Eso importa especialmente dentro de una empresa, porque es fácil caer en frases como estas:
- “La IA recomienda esta estrategia”.
- “El modelo identificó la mejor opción”.
- “El agente decidió escalar el caso”.
- “El sistema considera que este cliente tiene alto riesgo”.
Ese principio debería ser el primer filtro de cualquier modelo operativo basado en IA. Porque cuando confundimos capacidad estadística con juicio, empezamos a delegar más de lo que realmente entendemos.
2. El humano juzga
En Alfabetización en IA: no es saber prompts, es saber juzgar propuse una idea que hoy considero aún más importante a escala organizacional: la madurez en IA no consiste únicamente en aprender a usar herramientas. Consiste en saber qué delegar, qué cocrear y qué proteger.
Esa lógica, que parece individual, también puede convertirse en una arquitectura empresarial. Una empresa madura debería ser capaz de distinguir entre:
Delegar
Tareas de bajo riesgo, repetitivas, verificables y reversibles.
Cocrear
Actividades donde la IA amplía análisis, velocidad o creatividad, pero el resultado requiere contexto y validación.
Proteger
Decisiones donde el juicio humano, la responsabilidad, la ética o la sensibilidad del contexto son parte esencial del valor.
Esta distinción es más importante que perseguir el máximo nivel posible de autonomía. Un banco que mantiene una aprobación humana en una decisión crítica no es necesariamente menos avanzado que una fintech que automatiza el proceso completo. Puede ser más maduro. La arquitectura correcta depende del riesgo, la regulación, la reversibilidad del error y el valor del juicio humano.
Por eso también he insistido en otra diferencia:
Imaginemos un sistema que genera quinientas recomendaciones diarias y una persona que debe aprobarlas una por una. Técnicamente hay un humano en el proceso. Pero después de revisar cientos de sugerencias similares, esa persona puede terminar aprobando por reflejo. El control existe en el diagrama. No necesariamente en la realidad.
La pregunta habitual
“¿Dónde ponemos a una persona?”
La pregunta correcta
“¿Dónde el juicio humano cambia realmente la calidad de la decisión?”
3. La plataforma habilita
Durante 2023 y 2024, gran parte de la conversación giró alrededor de una pregunta: ¿cuál es el mejor modelo? En AI Studios en 2026: el taller donde se construye la IA planteé que esa discusión empezaba a quedarse corta.
El modelo importa. Pero el juego empresarial ocurre cada vez más en lo que lo rodea: conocimiento corporativo, datos, conectores, identidad, permisos, seguridad, observabilidad, evaluación, costos, gobierno e integración con sistemas reales.
Ese patrón aparece repetidamente en el benchmark mundial:
- McKinsey construyó Lilli alrededor de uno de sus activos más importantes: el conocimiento acumulado de la firma.
- JPMorgan Chase desarrolló LLM Suite como un entorno seguro y compartido que pasó de cero a 200.000 usuarios en ocho meses.
- Bank of America reportó que más del 90 % de sus empleados utiliza Erica for Employees, con una reducción de más del 50 % en las llamadas al service desk.
- Morgan Stanley integró AI @ Morgan Stanley Debrief directamente en el workflow de sus asesores: reuniones, notas, acciones posteriores y registro en Salesforce.
- Cisco describe una plataforma interna con múltiples modelos, LLM-as-a-service, RAG-as-a-service y registros empresariales de agentes y de conectores (MCP).
Los casos son distintos, pero la secuencia es similar: primero se construye una capacidad compartida; después se amplía lo que puede hacerse con ella. Ese orden importa. Un agente aislado puede ser impresionante en una demostración. Una capacidad empresarial necesita funcionar dentro de un sistema de permisos, conocimiento, riesgos y responsabilidades.
Basura entra, basura sale: el prerrequisito del que casi nadie habla
Antes de hablar de agentes y orquestación, hay un principio de la computación que sigue vigente después de décadas: basura entra, basura sale (garbage in, garbage out).
Una plataforma de IA conectada a datos incompletos, duplicados, desactualizados o mal organizados no produce mejores decisiones. Produce basura más rápido y con una redacción más convincente.
Por eso me genera ruido la facilidad con la que se repite Data-Driven Decisions. La teoría no está mal. Lo que casi nunca veo en la práctica es la condición previa:
- Datos accesibles para quien los necesita, no encerrados en silos ni en el computador de una sola persona.
- Definiciones comunes: que “cliente activo” signifique lo mismo en toda la empresa.
- Calidad auditada: completitud, vigencia, duplicados y dueños claros de cada dato.
- Integración con los sistemas donde ocurre el trabajo, para que la IA pueda usarlos con permisos y contexto.
Cuando eso falta, el problema no es el modelo ni la plataforma. Es que los datos no llegan —o llegan tarde, o llegan mal— al lugar donde se toma la decisión.
En La IA no hace inteligente a tu empresa: solo amplifica lo que ya es lo planteé de otra forma: la IA amplifica lo que encuentra. Si encuentra datos confiables, accesibles e integrados, amplifica inteligencia. Si encuentra desorden, también lo amplifica.
Auditar la calidad y la organización de los datos no es un proyecto glamoroso. Pero es la diferencia entre una plataforma que amplifica conocimiento y una que amplifica ruido.
Pero la plataforma tampoco es la estrategia
Aquí aparece una nueva trampa. Una organización puede pasar de la “pilotitis” a la “plataformitis”: antes construía decenas de pilotos; ahora puede construir una plataforma enorme esperando que el valor aparezca después. Tampoco funciona necesariamente así.
Una plataforma empresarial tiene sentido cuando reduce sistemáticamente el costo y el riesgo de resolver problemas reales. Por eso la arquitectura y el modelo operativo deben avanzar juntos:
- La plataforma crea capacidades reutilizables.
- Los dominios conocen el trabajo.
- El gobierno define límites.
- Los usuarios revelan la fricción.
- La telemetría muestra qué funciona.
- El portafolio decide dónde seguir invirtiendo.
4. El workflow cambia
Aquí ocurre el salto más importante. Durante años, muchas organizaciones han administrado la inteligencia artificial como un portafolio de use cases: se identifica una idea, se evalúa, se construye un piloto, se presenta y se busca otro caso.
El problema es que cien casos de uso independientes pueden producir cien soluciones independientes. Y escalar pilotos no equivale a construir una capacidad empresarial. Por eso considero que la unidad de transformación debe cambiar.
La pregunta habitual
“¿Dónde podemos usar IA?”
La pregunta correcta
“¿Cómo ocurre realmente este trabajo y qué combinación de personas, reglas, software, automatización e IA produciría un mejor resultado?”
Pensemos en un proceso relativamente común. Una solicitud llega y alguien debe clasificarla, buscar información, revisar políticas, pedir datos adicionales, evaluar alternativas, tomar una decisión, registrar la acción, comunicar el resultado y medir qué ocurrió después.
La oportunidad no está necesariamente en crear nueve agentes. Puede estar en:
- eliminar dos pasos;
- automatizar otros dos con software tradicional;
- usar IA para sintetizar información;
- mantener una decisión bajo responsabilidad humana;
- convertir una regla repetitiva en una API determinista;
- y rediseñar completamente una actividad que ya no tiene sentido.
Eso es diseño de un modelo operativo. No automatización por entusiasmo.
| Eliminar | Automatizar | Aumentar con IA |
|---|---|---|
| Pasos sin valor | Reglas repetitivas | Síntesis |
| Duplicaciones | Integraciones | Interpretación |
| Aprobaciones innecesarias | Procesos deterministas | Exploración |
| Reportes sin uso | Validaciones | Recomendaciones |
Y algunas decisiones deben seguir siendo humanas.
La mejor solución puede tener menos IA
Esta es una de las conclusiones menos intuitivas: un rediseño verdaderamente maduro puede terminar usando menos inteligencia artificial de la que imaginábamos al comienzo.
¿Por qué? Porque al estudiar el workflow aparecen tareas que deberían eliminarse, que pueden resolverse con una regla, que necesitan mejor información, que requieren una integración, que dependen de una decisión humana… o que sencillamente existen porque el proceso fue diseñado alrededor de una limitación antigua.
La IA no debería convertirse en una capa que preserve toda la complejidad heredada. A veces la mejor transformación consiste en retirar trabajo.
En Analítica de Datos en 5 Niveles planteé una idea similar: la analítica no empieza en una herramienta ni termina en un algoritmo. Empieza con una pregunta humana y solo genera valor cuando termina en una decisión, una acción y un resultado.
Con la IA ocurre lo mismo. Una empresa puede tener un modelo extraordinario, una plataforma sofisticada, cientos de agentes y miles de usuarios. Pero si el resultado empresarial no cambia, seguimos midiendo capacidad técnica. No transformación.
5. La organización aprende a rediseñarse
Aquí está, para mí, el verdadero punto de llegada. No consiste en automatizar todo. Tampoco en construir una empresa donde los agentes sustituyan sistemáticamente a las personas. Consiste en desarrollar una capacidad organizacional nueva:
Eso cambia la forma de entender AI-Native. Una organización no es AI-Native porque llegó a una arquitectura final. Es AI-Native cuando aprende a hacerse repetidamente una pregunta —“¿cuál es ahora la mejor forma de producir este resultado?”— y puede responderla sin empezar desde cero cada vez.
Eso requiere un sistema. No solo tecnología. Un sistema capaz de conectar:
Desliza el diagrama →
El aprendizaje (9) vuelve a alimentar el inicio del ciclo: nunca se empieza desde cero.
Ese ciclo es más importante que cualquier catálogo de casos de uso. Porque los modelos cambiarán. Las plataformas cambiarán. Los agentes cambiarán. La capacidad organizacional para decidir qué hacer con ellos puede convertirse en una ventaja mucho más durable.
Qué están viendo las grandes consultoras
Las principales firmas coinciden en algo importante: agregar IA sobre el trabajo existente tiene límites. Pero no todas describen el siguiente paso de la misma forma.
McKinsey: de una plataforma a una forma diferente de trabajar
El caso interno de Lilli muestra cómo una capacidad inicialmente centrada en conocimiento puede integrarse progresivamente en la forma cotidiana de trabajar. En su perspectiva más amplia sobre el rewiring para la era de la IA generativa, McKinsey enfatiza elementos que van más allá del modelo: modelo operativo, accountability, talento, datos y adopción.
La lección más interesante no es que toda empresa deba construir su propio Lilli. Es que una herramienta empieza a convertirse en capacidad cuando deja de vivir aislada del sistema de trabajo.
BCG: rediseñar dominios, no acumular pilotos
BCG ha sido más agresiva en su tesis sobre transformación de extremo a extremo. En Agentic AI Turns Every Team into Its Own Transformation Engine plantea que una cartera extensa de pilotos no constituye transformación y que los equipos necesitarán capacidad para rediseñar el trabajo a medida que evoluciona la tecnología. En otras publicaciones recientes también insiste en rediseñar modelos operativos para escalar en un mundo AI-first.
La idea es potente, pero exige cautela: un dominio no puede rediseñarse bien si nadie entiende con claridad cómo funciona hoy, dónde se crea valor y quién asume las consecuencias cuando algo falla.
Bain: tratar la IA como una herramienta está quedándose corto
Bain lo formula de manera directa en Unsticking Your AI Transformation. Su mensaje, en síntesis: tratar la IA generativa únicamente como una herramienta no está funcionando; es necesario rediseñar el trabajo, reconsiderar el modelo operativo y liderar desde arriba.
El punto coincide con uno de los hallazgos más consistentes del benchmark: la productividad individual puede ser valiosa sin convertirse automáticamente en transformación empresarial.
Deloitte: el modelo operativo y la colaboración humano-agente
Deloitte, en Becoming an AI-First Company, plantea una transformación más amplia del modelo operativo y de la colaboración entre humanos y agentes. En Work, Reworked: Leading with Agentic AI profundiza precisamente en la reorganización del trabajo alrededor de una fuerza laboral humano-agente.
Es probablemente una de las visiones más cercanas a un “estado objetivo”. Precisamente por eso considero importante no convertirla automáticamente en una receta universal. Una visión puede orientar. Pero cada organización necesita determinar qué parte de ese futuro produce valor para su contexto.
Mi lectura: consenso sobre el problema, no sobre un destino único
Al comparar estas perspectivas aparece un consenso importante:
- Agregar herramientas sobre workflows heredados tiene límites.
- Los procesos deben revisarse de extremo a extremo.
- Personas y tecnología tendrán que trabajar de formas diferentes.
- Gobierno y accountability no pueden añadirse al final.
- La transformación requiere liderazgo, no únicamente infraestructura.
Pero existe una tensión. Gran parte de la literatura tiende a presentar el estado AI-Native, AI-first o agentic como una etapa superior de madurez. Yo sería más cuidadoso: la evidencia pública todavía es limitada. Incluso entre los líderes globales encontramos principalmente capacidades AI-Native en determinados dominios, no compañías enteras reconstruidas alrededor de agentes autónomos.
No creo que toda organización necesite llegar al máximo nivel de automatización o autonomía. Una empresa altamente regulada puede encontrar su mejor modelo operativo en una combinación de asistentes especializados, automatización tradicional, software determinista, IA generativa, agentes limitados y decisiones humanas.
Eso no la hace menos madura. Puede hacerla más sensata.
Mi punto de vista
Después de revisar el benchmark y contrastarlo con las ideas que he venido desarrollando durante los últimos años, mi conclusión es que el concepto AI-Native está siendo utilizado con demasiada facilidad.
Una empresa no se convierte en AI-Native porque entregue un copiloto a todos sus empleados. Tampoco porque tenga agentes. Ni porque haya construido una plataforma interna. Ni siquiera porque automatice un proceso completo.
Para mí, una capacidad empieza a ser realmente AI-Native cuando la organización puede preguntarse desde cero —“¿cuál es la mejor manera de producir este resultado si hoy tenemos disponibles personas, software tradicional, automatización, modelos de IA y agentes?”— y está dispuesta a aceptar que la respuesta puede ser diferente para cada proceso.
Mi definición sería esta:
El eje completo —la IA predice → el humano juzga → la plataforma habilita → el workflow cambia → la organización aprende a rediseñarse— no es una escala de madurez obligatoria. Es una cadena de responsabilidades: la IA aporta capacidad; el humano, criterio; la plataforma, contexto y control; el workflow convierte la capacidad en una forma diferente de operar; y la organización convierte esa experiencia en aprendizaje reutilizable.
Lo que considero sobrevalorado
La cantidad de casos de uso
tócame ↻Tener cien iniciativas puede indicar innovación. También puede indicar fragmentación.
El nivel máximo de autonomía
tócame ↻Un agente que hace todo no es necesariamente mejor que un sistema que sabe exactamente cuándo detenerse.
La carrera por el mejor modelo
tócame ↻Los modelos cambiarán. El conocimiento, las integraciones, los controles y el aprendizaje organizacional son más difíciles de replicar.
Un único destino AI-Native
tócame ↻Cada industria tiene límites diferentes. Cada proceso, una economía diferente. Cada decisión, un riesgo diferente.
Toca o pasa el cursor por cada tarjeta para ver por qué.
La arquitectura adecuada no puede definirse únicamente por el máximo potencial de la tecnología.
Lo que considero subestimado
El sistema mediante el cual una empresa transforma oportunidades en nuevas formas de trabajo.
La mayoría de las organizaciones presta mucha atención a la fábrica donde se construyen las soluciones. Presta mucha menos atención a la puerta de entrada:
- ¿Cómo llega una oportunidad?
- ¿Quién determina si realmente necesita IA?
- ¿Cómo se evalúan conjuntamente valor, riesgo y factibilidad?
- ¿Cómo se decide entre comprar, configurar, construir, automatizar tradicionalmente o simplemente eliminar un proceso?
- ¿Cómo aprende el siguiente equipo de lo que hizo el anterior?
Esa capacidad puede parecer menos espectacular que un agente autónomo. Pero probablemente sea mucho más estratégica.
Las cinco capacidades que realmente importan
Mi lectura del benchmark es que estas capacidades separarán a quienes experimentan de quienes realmente transforman:
Priorizar
Priorizar problemas, no tecnologías.
Rediseñar
Rediseñar workflows completos, no automatizar tareas aisladas.
Reutilizar
Construir capacidades reutilizables sin crear una plataforma desconectada del negocio.
Gobernar
Integrar gobierno, evaluación y accountability dentro del flujo de trabajo.
Medir
Medir adopción y resultados empresariales, no únicamente actividad tecnológica.
El principal reto para una Fortune 500
No será construir un agente. Será coordinar la transformación dentro de una organización que ya tiene miles de procesos, múltiples arquitecturas, regulaciones, geografías, centros de poder y formas históricas de trabajar.
Una startup puede diseñar desde cero. Una Fortune 500 debe transformar mientras opera. Por eso no creo que el modelo ganador sea completamente centralizado ni completamente descentralizado. Será probablemente federado:
Qué cambiaría si hoy fuera director responsable de esta transformación
No empezaría preguntando qué plataforma de IA necesitamos. Empezaría diseñando el sistema mediante el cual la empresa convierte una oportunidad en impacto: oportunidad → priorización → rediseño del workflow → decisión tecnológica → gobierno → implementación → adopción → medición → aprendizaje.
Mi objetivo no sería llenar un pipeline de casos de uso. Sería mejorar progresivamente la capacidad de la organización para transformar su propio trabajo.
Los 10 aprendizajes más importantes del benchmark mundial
Si tuviera que resumir todo el benchmark en diez filas, serían estas:
| # | Insight | Evidencia encontrada | Implicación para el negocio | Riesgo de ignorarlo |
|---|---|---|---|---|
| 1 | La adopción masiva no equivale a transformación. | Varias organizaciones alcanzan gran uso de asistentes sin evidencia equivalente de rediseño empresarial integral. | Separar métricas de uso de métricas de cambio operativo. | Confundir actividad con impacto. |
| 2 | La plataforma suele preceder a la autonomía a escala. | McKinsey, JPMorgan, Bank of America y Cisco construyen primero conocimiento, permisos, integración y control. | Crear capacidades reutilizables donde exista demanda real. | Agentes frágiles, duplicados y difíciles de gobernar. |
| 3 | El workflow es una unidad de transformación superior al caso de uso. | Los casos más maduros integran IA dentro de procesos y journeys. | Rediseñar de extremo a extremo antes de automatizar componentes. | Optimizar tareas y conservar la ineficiencia global. |
| 4 | Más autonomía no significa más madurez. | Sectores regulados limitan deliberadamente autonomía y mantienen controles humanos. | Diseñar autonomía según riesgo y contexto. | Automatizar decisiones que la empresa no puede gobernar. |
| 5 | No toda lógica necesita IA. | Las arquitecturas robustas combinan razonamiento probabilístico con herramientas deterministas. | Usar cada tecnología donde realmente agrega valor. | Convertir procesos confiables en sistemas innecesariamente impredecibles. |
| 6 | El conocimiento empresarial es infraestructura estratégica. | Las plataformas líderes conectan IA con información gobernada y permisos existentes. | Tratar conocimiento y acceso como parte del producto. | Respuestas inconsistentes y pérdida de confianza. |
| 7 | Gobernar no es únicamente restringir. | Los líderes incorporan permisos, evaluación, trazabilidad y aprobaciones dentro de la arquitectura. | Diseñar caminos seguros para innovar. | Shadow AI o burocracia paralizante. |
| 8 | La adopción debe gestionarse como resultado. | Los despliegues consolidados combinan tecnología, integración al trabajo y cambio de comportamiento. | Medir uso útil, recurrencia y fricción. | Productos técnicamente buenos que nadie incorpora a su trabajo. |
| 9 | Los modelos cambian más rápido que las capacidades organizacionales. | Las arquitecturas avanzan hacia múltiples modelos y capas de orquestación. | Evitar construir la estrategia alrededor de un único proveedor. | Dependencia y reescrituras frecuentes. |
| 10 | La verdadera escasez está en la capacidad de transformar la organización. | Existe mucha más evidencia de pilotos y plataformas que de rediseño corporativo integral. | Desarrollar liderazgo transversal entre negocio, tecnología, diseño y riesgo. | Tener mucha IA y poca transformación. |
Desliza la tabla →
Lo que creo que muchas organizaciones están entendiendo mal
- Escalar casos de uso no equivale a escalar IA. Cien pilotos independientes pueden ser menos valiosos que cinco capacidades reutilizables conectadas con procesos críticos.
- Muchas empresas están automatizando procesos que primero deberían cuestionar. Digitalizar una mala forma de trabajar produce una mala forma de trabajar más rápido.
- La obsesión por los agentes está adelantándose al diseño de accountability. La pregunta importante no es solo qué puede hacer un agente. Es quién responde cuando lo hace.
- La mayoría de las estrategias de IA empiezan demasiado tarde. Empiezan en la plataforma o en el desarrollo. El verdadero problema comienza antes: en cómo la organización identifica y prioriza oportunidades.
- El mayor cuello de botella probablemente no será el modelo. Será conectar conocimiento, sistemas, decisiones, permisos y personas sin crear más fragmentación.
- Human-in-the-Loop puede convertirse en una falsa sensación de control. Poner una persona a aprobar cientos de decisiones generadas automáticamente no siempre es supervisión efectiva. A veces es simplemente trasladar el cuello de botella.
- No toda empresa necesita convertirse en AI-Native. La pregunta estratégica no es cuánto puede automatizar una organización. Es dónde una forma diferente de operar crea suficiente valor para justificar el cambio.
Consideraciones para líderes
Antes de aprobar la siguiente gran iniciativa de IA, quizá valga la pena hacerse cinco preguntas:
- ¿Qué resultado estamos intentando cambiar? No qué tecnología queremos desplegar.
- ¿Qué parte del workflow actual dejaría de tener sentido? No únicamente qué tarea podemos hacer un poco más rápido.
- ¿Qué debe seguir siendo responsabilidad humana? No dónde podemos eliminar personas.
- ¿Qué capacidad quedará disponible para otros equipos después de esta inversión? No únicamente qué solución entregaremos.
- ¿Cómo sabremos que la organización realmente cambió? No cuántos usuarios iniciaron sesión.
Estas preguntas parecen simples. Pero obligan a mover la conversación desde la tecnología hacia el diseño empresarial.
Prioridades para avanzar con criterio
| Prioridad | Acción | Impacto | Complejidad | Horizonte |
|---|---|---|---|---|
| Victoria rápida | Inventariar iniciativas, plataformas y agentes existentes | Alto | Baja | 0–3 meses |
| Victoria rápida | Seleccionar 3–5 workflows de alto valor para rediseño | Alto | Media | 0–3 meses |
| Victoria rápida | Definir métricas comunes de valor, adopción, calidad y riesgo | Alto | Media | 0–3 meses |
| Victoria rápida | Clarificar niveles de autonomía y accountability | Alto | Media | 0–3 meses |
| Mediano plazo | Crear una ruta única de oportunidad → priorización → implementación → medición | Muy alto | Media | 3–6 meses |
| Mediano plazo | Consolidar conocimiento, permisos, evaluación y observabilidad reutilizables | Muy alto | Alta | 3–12 meses |
| Mediano plazo | Integrar IA en los sistemas donde realmente ocurre el trabajo | Muy alto | Alta | 6–12 meses |
| Mediano plazo | Desarrollar un modelo federado entre plataforma y dominios | Muy alto | Alta | 6–18 meses |
| Apuesta estratégica | Rediseñar procesos completos alrededor de colaboración humano-IA | Transformacional | Muy alta | 12–36 meses |
| Apuesta estratégica | Evolucionar roles, métricas y accountability | Transformacional | Muy alta | 12–36 meses |
| Apuesta estratégica | Gestionar agentes y automatizaciones como capacidad operativa gobernada | Transformacional | Muy alta | 18–36 meses |
Desliza la tabla →
La secuencia importa. Una empresa puede experimentar con agentes desde hoy. Pero no debería confundir experimentación tecnológica con transformación empresarial.
Conclusión: la ventaja no será tener IA, sino aprender a rediseñarse
Durante la primera ola de IA generativa, las empresas aprendieron a usar herramientas. La siguiente etapa será más exigente. Consistirá en aprender qué trabajo debe cambiar, qué capacidades deben compartirse, qué decisiones pueden delegarse, qué responsabilidad debe permanecer humana y cómo coordinar todo eso sin perder control.
No todas las empresas llegarán al mismo destino. Ni deberían hacerlo. Una organización altamente regulada puede encontrar su mejor modelo en una combinación de asistentes especializados, automatización determinista y decisiones humanas. Otra puede operar determinados procesos mediante agentes. Ambas pueden ser maduras.
El objetivo no debería ser alcanzar una etiqueta llamada AI-Native. Debería ser construir una organización capaz de preguntarse continuamente “¿cuál es ahora la mejor forma de producir este resultado?” y con la capacidad de cambiar cuando la respuesta cambia.
Porque el verdadero salto no ocurre cuando una empresa empieza a usar inteligencia artificial. Ocurre cuando desarrolla la capacidad de rediseñar cómo trabaja a medida que cambian las posibilidades de la tecnología. Ese, para mí, es el verdadero significado de convertirse en AI-Native.
Preguntas frecuentes
¿Qué significa realmente que una empresa sea AI-Native?
¿Una empresa necesita agentes autónomos para ser AI-Native?
¿Cuál es la diferencia entre adoptar IA y transformar el modelo operativo?
¿Por qué escalar casos de uso no garantiza transformación?
¿Cuál es el principal reto para una gran empresa?
¿Por qué “Data-Driven Decisions” falla tantas veces en la práctica?
Fuentes y lecturas para profundizar
En mi blog
- IA predice, tú piensas: 10 verdades para entender la era del hype tecnológico
- Alfabetización en IA: no es saber prompts, es saber juzgar
- AI Studios en 2026: el taller donde se construye la IA
- Analítica de Datos en 5 Niveles
- La IA no hace inteligente a tu empresa: solo amplifica lo que ya es
- Agentes de IA: Guía completa para 2025
Perspectivas globales de consultoría
- McKinsey — Rewiring the way McKinsey works with Lilli
- McKinsey — Rewiring for the era of gen AI
- BCG — Agentic AI Turns Every Team into Its Own Transformation Engine
- BCG — Rebuilding Asset Management for an AI-First World
- Bain — Unsticking Your AI Transformation
- Deloitte — Becoming an AI-First Company
- Deloitte — Work, Reworked: Leading with Agentic AI
Casos empresariales citados
- JPMorgan Chase — LLM Suite
- Bank of America — AI adoption across the workforce
- Morgan Stanley — AI @ Morgan Stanley Debrief
- Cisco — Transforming work with its internal AI assistant
¿Rediseñamos el trabajo en tu organización?
Si quieres identificar qué workflows rediseñar primero —y qué combinación de personas, software e IA tiene sentido en tu contexto—, conversemos.
Escríbeme por WhatsApp →Nota de transparencia: Este artículo fue escrito con asistencia de inteligencia artificial generativa. Se apoya en un benchmark de fuentes públicas —informes y casos publicados por las propias empresas y firmas citadas, enlazados a lo largo del texto—. La interpretación, el enfoque editorial y el punto de vista final corresponden al autor.
AI-Native isn’t about having more AI — it’s about learning to redesign work
Many organizations measure their AI progress by counting licenses, pilots, copilots, and use cases. The global benchmark suggests that metric is starting to fall short. The real advantage lies elsewhere: in learning to redesign work.
The mistake of starting with “being AI-Native”
Some concepts become dangerous when they start to sound like inevitable destinations. Digital-first. Cloud-first. Data-driven. And now: AI-Native.
The problem isn’t the aspiration. It’s turning it into a race where every company seems obliged to arrive at the same place.
- Not every organization needs the same degree of automation.
- Not every process needs agents.
- Not every decision should be delegated.
- Not every company should redesign its operating model around artificial intelligence.
The usual question
“How do we become AI-Native?”
The right question
“Where does a different way of working, enabled by AI, create enough value to justify the change?”
That difference looks small, but it changes the starting point. Instead of chasing a technological label, it forces you to look at the actual work.
An axis to understand the shift
The transition can be summed up in five moves. Each one solves a different problem, and skipping any of them usually produces exactly the opposite of transformation: more tools, more complexity, and little evidence of value.
AI predicts
It generates, classifies, summarizes, recommends, and recognizes patterns. Capability is not judgment.
Risk if it fails: mistaking capability for truth.
The human judges
Someone interprets context, weighs risks, decides what matters, and takes responsibility.
Risk if it fails: delegating judgment and responsibility.
The platform enables
It connects AI with knowledge, data, permissions, systems, evaluation, and governance.
Risk if it fails: fragmentation, poor data, and shadow AI.
The workflow changes
The question stops being which task to speed up and becomes how the entire process should work.
Risk if it fails: automating inefficiencies.
The organization learns
The advantage is being able to redesign again when technology, the market, or the business changes.
Risk if it fails: depending on isolated projects.
Hover over each move (or tap it) to see the risk of skipping it.
That last move is, to me, the true meaning of AI-Native. The rest of this article walks the axis step by step.
1. AI predicts
A few months ago I wrote AI predicts, you think: 10 truths to understand the tech-hype era (in Spanish). The thesis was deliberately simple:
A model can process volumes of information no person could. It can generate thousands of alternatives, detect patterns, summarize documents, and produce a convincing answer in seconds. But there is still a difference between generating a possibility and deciding what to do with it.
That matters especially inside a company, because it’s easy to fall into phrases like these:
- “AI recommends this strategy.”
- “The model identified the best option.”
- “The agent decided to escalate the case.”
- “The system considers this customer high-risk.”
That principle should be the first filter of any AI-based operating model. Because when we confuse statistical capability with judgment, we start delegating more than we actually understand.
2. The human judges
In AI literacy: it’s not about prompts, it’s about judgment (in Spanish) I proposed an idea I now consider even more important at the organizational scale: AI maturity is not only about learning to use tools. It’s about knowing what to delegate, what to co-create, and what to protect.
That logic, which seems individual, can also become an enterprise architecture. A mature company should be able to distinguish between:
Delegate
Low-risk, repetitive, verifiable, and reversible tasks.
Co-create
Activities where AI expands analysis, speed, or creativity, but the result requires context and validation.
Protect
Decisions where human judgment, responsibility, ethics, or contextual sensitivity are an essential part of the value.
This distinction matters more than chasing the highest possible level of autonomy. A bank that keeps a human approval on a critical decision is not necessarily less advanced than a fintech that automates the entire process. It may be more mature. The right architecture depends on risk, regulation, the reversibility of errors, and the value of human judgment.
That’s why I keep insisting on another distinction:
Imagine a system that generates five hundred recommendations a day and one person who must approve them one by one. Technically, there’s a human in the process. But after reviewing hundreds of similar suggestions, that person may end up approving on reflex. The control exists in the diagram. Not necessarily in reality.
The usual question
“Where do we put a person?”
The right question
“Where does human judgment actually change the quality of the decision?”
3. The platform enables
During 2023 and 2024, much of the conversation revolved around one question: which model is best? In AI Studios in 2026: the workshop where AI gets built (in Spanish) I argued that discussion was starting to fall short.
The model matters. But the enterprise game increasingly happens in what surrounds it: corporate knowledge, data, connectors, identity, permissions, security, observability, evaluation, costs, governance, and integration with real systems.
That pattern shows up repeatedly in the global benchmark:
- McKinsey built Lilli around one of its most important assets: the firm’s accumulated knowledge.
- JPMorgan Chase developed LLM Suite as a secure, shared environment that went from zero to 200,000 users in eight months.
- Bank of America reported that over 90% of its employees use Erica for Employees, with a reduction of more than 50% in service desk calls.
- Morgan Stanley integrated AI @ Morgan Stanley Debrief directly into its advisors’ workflow: meetings, notes, follow-up actions, and Salesforce logging.
- Cisco describes an internal platform with multiple models, LLM-as-a-service, RAG-as-a-service, and enterprise registries for agents and MCP connectors.
The cases differ, but the sequence is similar: first you build a shared capability; then you expand what can be done with it. That order matters. An isolated agent can be impressive in a demo. An enterprise capability needs to work inside a system of permissions, knowledge, risks, and responsibilities.
Garbage in, garbage out: the prerequisite almost nobody talks about
Before talking about agents and orchestration, there’s a computing principle that still holds after decades: garbage in, garbage out.
An AI platform connected to incomplete, duplicated, outdated, or poorly organized data doesn’t produce better decisions. It produces garbage faster — and with more convincing wording.
That’s why the ease with which people repeat Data-Driven Decisions bothers me. The theory isn’t wrong. What I almost never see in practice is the precondition:
- Accessible data for whoever needs it — not locked in silos or on one person’s laptop.
- Shared definitions: “active customer” should mean the same thing across the whole company.
- Audited quality: completeness, freshness, duplicates, and clear owners for every dataset.
- Integration with the systems where work actually happens, so AI can use the data with permissions and context.
When that’s missing, the problem isn’t the model or the platform. It’s that the data doesn’t reach — or reaches late, or reaches broken — the place where the decision is made.
In AI doesn’t make your company smart: it only amplifies what it already is (in Spanish) I put it another way: AI amplifies what it finds. If it finds reliable, accessible, integrated data, it amplifies intelligence. If it finds disorder, it amplifies that too.
Auditing the quality and organization of your data is not a glamorous project. But it’s the difference between a platform that amplifies knowledge and one that amplifies noise.
But the platform isn’t the strategy either
Here comes a new trap. An organization can go from “pilotitis” to “platformitis”: it used to build dozens of pilots; now it can build an enormous platform hoping value shows up later. It doesn’t necessarily work that way either.
An enterprise platform makes sense when it systematically reduces the cost and risk of solving real problems. That’s why architecture and operating model must advance together:
- The platform creates reusable capabilities.
- The domains know the work.
- Governance sets the boundaries.
- Users reveal the friction.
- Telemetry shows what works.
- The portfolio decides where to keep investing.
4. The workflow changes
Here’s where the biggest leap happens. For years, many organizations have managed artificial intelligence as a portfolio of use cases: an idea is identified, evaluated, a pilot is built, presented, and the next case is sought.
The problem is that one hundred independent use cases can produce one hundred independent solutions. And scaling pilots is not the same as building an enterprise capability. That’s why I believe the unit of transformation must change.
The usual question
“Where can we use AI?”
The right question
“How does this work actually happen, and what combination of people, rules, software, automation, and AI would produce a better outcome?”
Think of a fairly common process. A request comes in, and someone must classify it, gather information, check policies, request additional data, weigh alternatives, make a decision, log the action, communicate the outcome, and measure what happened next.
The opportunity isn’t necessarily to create nine agents. It may be to:
- eliminate two steps
- automate two more with traditional software
- use AI to synthesize information
- keep one decision under human responsibility
- turn a repetitive rule into a deterministic API
- and completely redesign an activity that no longer makes sense
That is operating model design. Not automation out of enthusiasm.
| Eliminate | Automate | Augment with AI |
|---|---|---|
| Steps without value | Repetitive rules | Synthesis |
| Duplications | Integrations | Interpretation |
| Unnecessary approvals | Deterministic processes | Exploration |
| Unused reports | Validations | Recommendations |
And some decisions must remain human.
The best solution may use less AI
This is one of the least intuitive conclusions: a truly mature redesign may end up using less artificial intelligence than we imagined at the start.
Why? Because when you study the workflow, you find tasks that should be eliminated, that can be solved with a rule, that need better information, that require an integration, that depend on a human decision… or that simply exist because the process was designed around an old limitation.
AI should not become a layer that preserves all the inherited complexity. Sometimes the best transformation is removing work.
In Data Analytics in 5 Levels (in Spanish) I made a similar point: analytics doesn’t start in a tool or end in an algorithm. It starts with a human question and only creates value when it ends in a decision, an action, and a result.
The same goes for AI. A company can have an extraordinary model, a sophisticated platform, hundreds of agents, and thousands of users. But if the business outcome doesn’t change, we’re still measuring technical capability. Not transformation.
5. The organization learns to redesign itself
Here, for me, is the real destination. It’s not about automating everything. Nor about building a company where agents systematically replace people. It’s about developing a new organizational capability:
That changes how we understand AI-Native. An organization isn’t AI-Native because it reached a final architecture. It’s AI-Native when it learns to ask itself one question over and over — “what is now the best way to produce this result?” — and can answer it without starting from scratch every time.
That requires a system. Not just technology. A system able to connect:
Swipe the diagram →
Learning (9) feeds the start of the cycle again: you never start from scratch.
That cycle matters more than any catalog of use cases. Because models will change. Platforms will change. Agents will change. The organizational capability to decide what to do with them can become a far more durable advantage.
What the big consulting firms are seeing
The major firms agree on something important: adding AI on top of existing work has limits. But they don’t all describe the next step the same way.
McKinsey: from a platform to a different way of working
The internal case of Lilli shows how a capability initially focused on knowledge can progressively integrate into everyday ways of working. In its broader perspective on rewiring for the era of gen AI, McKinsey emphasizes elements beyond the model: operating model, accountability, talent, data, and adoption.
The most interesting lesson isn’t that every company should build its own Lilli. It’s that a tool starts becoming a capability when it stops living isolated from the system of work.
BCG: redesign domains, don’t accumulate pilots
BCG has been more aggressive in its end-to-end transformation thesis. In Agentic AI Turns Every Team into Its Own Transformation Engine it argues that an extensive portfolio of pilots does not constitute transformation, and that teams will need the capability to redesign work as technology evolves. In other recent publications it also insists on redesigning operating models to scale in an AI-first world.
The idea is powerful, but it demands caution: a domain can’t be redesigned well if nobody clearly understands how it works today, where value is created, and who bears the consequences when something fails.
Bain: treating AI as a tool is falling short
Bain puts it bluntly in Unsticking Your AI Transformation. Its message, in short: treating generative AI merely as a tool isn’t working; you need to redesign work, rethink the operating model, and lead from the top.
That matches one of the most consistent findings of the benchmark: individual productivity can be valuable without automatically becoming enterprise transformation.
Deloitte: the operating model and human-agent collaboration
Deloitte, in Becoming an AI-First Company, proposes a broader transformation of the operating model and of collaboration between humans and agents. In Work, Reworked: Leading with Agentic AI it digs precisely into reorganizing work around a human-agent workforce.
It’s probably one of the visions closest to a “target state”. Precisely for that reason, I think it’s important not to turn it automatically into a universal recipe. A vision can orient. But each organization needs to determine which part of that future creates value in its own context.
My reading: consensus on the problem, not on a single destination
Comparing these perspectives, an important consensus emerges:
- Adding tools on top of inherited workflows has limits.
- Processes must be reviewed end to end.
- People and technology will have to work in different ways.
- Governance and accountability can’t be added at the end.
- Transformation requires leadership, not just infrastructure.
But there’s a tension. Much of the literature tends to present the AI-Native, AI-first, or agentic state as a higher stage of maturity. I would be more careful: public evidence is still limited. Even among global leaders we mostly find AI-Native capabilities in specific domains, not entire companies rebuilt around autonomous agents.
I don’t believe every organization needs to reach the maximum level of automation or autonomy. A highly regulated company may find its best operating model in a combination of specialized assistants, traditional automation, deterministic software, generative AI, limited agents, and human decisions.
That doesn’t make it less mature. It may make it more sensible.
My point of view
After reviewing the benchmark and contrasting it with the ideas I’ve been developing over the past few years, my conclusion is that the concept of AI-Native is being used too loosely.
A company doesn’t become AI-Native because it hands a copilot to every employee. Nor because it has agents. Nor because it built an internal platform. Not even because it automates an entire process.
To me, a capability starts to be truly AI-Native when the organization can ask itself from scratch — “what is the best way to produce this result if today we have people, traditional software, automation, AI models, and agents available?” — and is willing to accept that the answer may be different for each process.
My definition would be this:
The full axis — AI predicts → the human judges → the platform enables → the workflow changes → the organization learns to redesign itself — is not a mandatory maturity scale. It’s a chain of responsibilities: AI brings capability; the human, judgment; the platform, context and control; the workflow turns capability into a different way of operating; and the organization turns that experience into reusable learning.
What I consider overrated
The number of use cases
tap ↻A hundred initiatives can signal innovation. They can also signal fragmentation.
Maximum autonomy
tap ↻An agent that does everything isn’t necessarily better than a system that knows exactly when to stop.
The race for the best model
tap ↻Models will change. Knowledge, integrations, controls, and organizational learning are much harder to replicate.
A single AI-Native destination
tap ↻Every industry has different limits. Every process, different economics. Every decision, different risk.
Tap or hover over each card to see why.
The right architecture can’t be defined solely by the technology’s maximum potential.
What I consider underrated
The system through which a company turns opportunities into new ways of working.
Most organizations pay a lot of attention to the factory where solutions get built. They pay far less attention to the front door:
- How does an opportunity arrive?
- Who determines whether it actually needs AI?
- How are value, risk, and feasibility evaluated together?
- How do you decide between buying, configuring, building, automating traditionally, or simply eliminating a process?
- How does the next team learn from what the previous one did?
That capability may look less spectacular than an autonomous agent. But it’s probably far more strategic.
The five capabilities that actually matter
My reading of the benchmark is that these capabilities will separate those who experiment from those who actually transform:
Prioritize
Prioritize problems, not technologies.
Redesign
Redesign complete workflows, don’t automate isolated tasks.
Reuse
Build reusable capabilities without creating a platform disconnected from the business.
Govern
Integrate governance, evaluation, and accountability into the flow of work.
Measure
Measure adoption and business outcomes, not just technological activity.
The main challenge for a Fortune 500
It won’t be building an agent. It will be coordinating transformation inside an organization that already has thousands of processes, multiple architectures, regulations, geographies, centers of power, and historical ways of working.
A startup can design from scratch. A Fortune 500 must transform while operating. That’s why I don’t think the winning model will be fully centralized or fully decentralized. It will probably be federated:
What I would change if I were the director responsible for this transformation today
I wouldn’t start by asking which AI platform we need. I would start by designing the system through which the company turns an opportunity into impact: opportunity → prioritization → workflow redesign → technology decision → governance → implementation → adoption → measurement → learning.
My goal wouldn’t be to fill a pipeline of use cases. It would be to progressively improve the organization’s capability to transform its own work.
The 10 most important lessons from the global benchmark
If I had to summarize the entire benchmark in ten rows, it would be these:
| # | Insight | Evidence found | Business implication | Risk of ignoring it |
|---|---|---|---|---|
| 1 | Mass adoption does not equal transformation. | Several organizations reach heavy assistant usage without equivalent evidence of comprehensive business redesign. | Separate usage metrics from operational-change metrics. | Mistaking activity for impact. |
| 2 | The platform usually precedes autonomy at scale. | McKinsey, JPMorgan, Bank of America, and Cisco build knowledge, permissions, integration, and control first. | Create reusable capabilities where real demand exists. | Fragile, duplicated, hard-to-govern agents. |
| 3 | The workflow is a better unit of transformation than the use case. | The most mature cases integrate AI into processes and journeys. | Redesign end to end before automating components. | Optimizing tasks while preserving global inefficiency. |
| 4 | More autonomy doesn’t mean more maturity. | Regulated sectors deliberately limit autonomy and keep human controls. | Design autonomy according to risk and context. | Automating decisions the company can’t govern. |
| 5 | Not all logic needs AI. | Robust architectures combine probabilistic reasoning with deterministic tools. | Use each technology where it actually adds value. | Turning reliable processes into needlessly unpredictable systems. |
| 6 | Enterprise knowledge is strategic infrastructure. | Leading platforms connect AI with governed information and existing permissions. | Treat knowledge and access as part of the product. | Inconsistent answers and loss of trust. |
| 7 | Governing isn’t only restricting. | Leaders embed permissions, evaluation, traceability, and approvals into the architecture. | Design safe paths to innovate. | Shadow AI or paralyzing bureaucracy. |
| 8 | Adoption must be managed as an outcome. | Consolidated deployments combine technology, integration into work, and behavior change. | Measure useful usage, recurrence, and friction. | Technically good products nobody brings into their work. |
| 9 | Models change faster than organizational capabilities. | Architectures are moving toward multiple models and orchestration layers. | Avoid building the strategy around a single vendor. | Dependency and frequent rewrites. |
| 10 | The real scarcity is the capability to transform the organization. | There is far more evidence of pilots and platforms than of comprehensive corporate redesign. | Develop cross-cutting leadership across business, technology, design, and risk. | Having a lot of AI and little transformation. |
Swipe the table →
What I believe most organizations are getting wrong
- Scaling use cases is not the same as scaling AI. A hundred independent pilots can be worth less than five reusable capabilities connected to critical processes.
- Many companies are automating processes they should question first. Digitizing a bad way of working produces a bad way of working, faster.
- The obsession with agents is getting ahead of accountability design. The important question isn’t only what an agent can do. It’s who answers when it does.
- Most AI strategies start too late. They start at the platform or at development. The real problem begins earlier: in how the organization identifies and prioritizes opportunities.
- The biggest bottleneck probably won’t be the model. It will be connecting knowledge, systems, decisions, permissions, and people without creating more fragmentation.
- Human-in-the-Loop can become a false sense of control. Putting a person in charge of approving hundreds of automatically generated decisions isn’t always effective oversight. Sometimes it’s just moving the bottleneck.
- Not every company needs to become AI-Native. The strategic question isn’t how much an organization can automate. It’s where a different way of operating creates enough value to justify the change.
Questions for leaders
Before approving the next big AI initiative, it may be worth asking five questions:
- What outcome are we trying to change? Not which technology we want to deploy.
- Which part of the current workflow would stop making sense? Not just which task we can do a bit faster.
- What must remain a human responsibility? Not where we can remove people.
- What capability will remain available to other teams after this investment? Not just what solution we will deliver.
- How will we know the organization actually changed? Not how many users logged in.
These questions look simple. But they force the conversation to move from technology to business design.
Priorities to move forward with judgment
| Priority | Action | Impact | Complexity | Horizon |
|---|---|---|---|---|
| Quick win | Inventory existing initiatives, platforms, and agents | High | Low | 0–3 months |
| Quick win | Select 3–5 high-value workflows for redesign | High | Medium | 0–3 months |
| Quick win | Define shared metrics for value, adoption, quality, and risk | High | Medium | 0–3 months |
| Quick win | Clarify levels of autonomy and accountability | High | Medium | 0–3 months |
| Mid-term | Create a single path from opportunity → prioritization → implementation → measurement | Very high | Medium | 3–6 months |
| Mid-term | Consolidate reusable knowledge, permissions, evaluation, and observability | Very high | High | 3–12 months |
| Mid-term | Integrate AI into the systems where work actually happens | Very high | High | 6–12 months |
| Mid-term | Develop a federated model between platform and domains | Very high | High | 6–18 months |
| Strategic bet | Redesign complete processes around human-AI collaboration | Transformational | Very high | 12–36 months |
| Strategic bet | Evolve roles, metrics, and accountability | Transformational | Very high | 12–36 months |
| Strategic bet | Manage agents and automations as a governed operating capability | Transformational | Very high | 18–36 months |
Swipe the table →
Sequence matters. A company can experiment with agents starting today. But it shouldn’t confuse technological experimentation with business transformation.
Conclusion: the advantage won’t be having AI — it will be learning to redesign
During the first wave of generative AI, companies learned to use tools. The next stage will be more demanding. It will consist of learning which work must change, which capabilities must be shared, which decisions can be delegated, which responsibility must remain human, and how to coordinate all of that without losing control.
Not every company will arrive at the same destination. Nor should they. A highly regulated organization may find its best model in a combination of specialized assistants, deterministic automation, and human decisions. Another may run certain processes with agents. Both can be mature.
The goal shouldn’t be reaching a label called AI-Native. It should be building an organization capable of continuously asking “what is now the best way to produce this result?” — with the capability to change when the answer changes.
Because the real leap doesn’t happen when a company starts using artificial intelligence. It happens when it develops the capability to redesign how it works as technology’s possibilities change. That, to me, is the true meaning of becoming AI-Native.
Frequently asked questions
What does it actually mean for a company to be AI-Native?
Does a company need autonomous agents to be AI-Native?
What’s the difference between adopting AI and transforming the operating model?
Why doesn’t scaling use cases guarantee transformation?
What is the main challenge for a large company?
Why do “Data-Driven Decisions” so often fail in practice?
Sources and further reading
On my blog (in Spanish)
- IA predice, tú piensas: 10 verdades para entender la era del hype tecnológico
- Alfabetización en IA: no es saber prompts, es saber juzgar
- AI Studios en 2026: el taller donde se construye la IA
- Analítica de Datos en 5 Niveles
- La IA no hace inteligente a tu empresa: solo amplifica lo que ya es
- Agentes de IA: Guía completa para 2025
Global consulting perspectives
- McKinsey — Rewiring the way McKinsey works with Lilli
- McKinsey — Rewiring for the era of gen AI
- BCG — Agentic AI Turns Every Team into Its Own Transformation Engine
- BCG — Rebuilding Asset Management for an AI-First World
- Bain — Unsticking Your AI Transformation
- Deloitte — Becoming an AI-First Company
- Deloitte — Work, Reworked: Leading with Agentic AI
Company cases cited
- JPMorgan Chase — LLM Suite
- Bank of America — AI adoption across the workforce
- Morgan Stanley — AI @ Morgan Stanley Debrief
- Cisco — Transforming work with its internal AI assistant
Shall we redesign work in your organization?
If you want to identify which workflows to redesign first — and which combination of people, software, and AI makes sense in your context — let’s talk.
Message me on WhatsApp →Transparency note: This article was written with the assistance of generative AI. It draws on a benchmark of public sources — reports and cases published by the companies and firms cited, linked throughout the text. The interpretation, editorial focus, and final point of view are the author’s. This English version is a translation of the Spanish original.
Deja un comentario