La tesis del puente sociotécnico

Este es el argumento central del libro. Si solo se leyera un capítulo, debería ser este: todo lo demás —el método, los conceptos, las aplicaciones— es su despliegue.

La tesis en una frase

Toda organización es un sistema sociotécnico; por lo tanto, su tecnología no puede transformarse sin leer antes su trama humana. Quien sabe leer las dos dimensiones —y construir en las dos— ocupa una posición escasa por estructura, no por casualidad.

El resto de estas páginas no agrega ideas nuevas a esa frase: la prueba, la ordena y la baja al trabajo concreto.

El problema que nombra

Las organizaciones llegan a la inteligencia artificial desde puntos de partida muy distintos —que forman un espectro, no una sola situación—, pero todos desembocan en el mismo lugar.

En un extremo está la escasez aparente: la organización que cree no tener nada. En rigor, el cero ya casi no existe —hay planillas, un sistema de facturación, el chat donde se coordina el trabajo real—; lo que falta no es tecnología sino diseño, porque esos sistemas crecieron solos y viven en la cabeza de las personas. La tarea no es reparar, sino construir una primera columna vertebral, y la tentación es tratar esa construcción como una compra.

En el medio están las islas: sistemas acumulados con los años que no se hablan entre sí, cada área con su propia versión de la verdad. Los datos existen, pero fragmentados; la tarea no es tenerlos, sino integrarlos.

En el otro extremo está la organización madura pero fragmentada, que ya tiene sistemas sólidos y ahora necesita orquestarlos y dar el salto —sumar IA donde agregue criterio, gobernarla con confianza—. Aquí el obstáculo no es la falta, sino la inercia.

Y cruzando todo el espectro aparece el caso que más se repite: el proyecto que no rindió. Una proporción considerable de las iniciativas digitales no produce el valor que prometía. Rara vez es culpa de la tecnología; es que se instaló sobre una organización que nadie leyó. Se automatizó un proceso que estaba mal, se digitalizó un trámite que sobraba, se le entregó IA a un equipo que no confía en ella, se levantó un tablero que nadie mira porque mide lo fácil y no lo que importa.

En todos los casos el error de fondo es el mismo: tratar un problema sociotécnico como si fuera técnico. La pregunta que decide el resultado no es “¿qué modelo usamos?”, sino “¿qué hace esta gente, por qué así, qué gana y qué pierde si esto cambia, y quién se va a resistir?”. Sin esa pregunta, la mejor ingeniería disponible amplifica el desorden en lugar de corregirlo: automatizar un proceso roto solo permite cometer los mismos errores más rápido.

Conviene un ejemplo concreto, del tipo que se repite en campo. Una empresa mediana decide “poner IA” en su área de atención: compra un asistente que responde consultas a partir de su base de datos de clientes. Técnicamente, el sistema funciona. A los dos meses, nadie lo usa. La razón no estaba en el modelo: la base la cargaban tres equipos con criterios distintos —uno usaba el campo “estado” para la cobranza, otro para el envío, el tercero lo dejaba vacío—, así que el asistente contestaba con datos que el propio personal sabía poco confiables. El proyecto no falló por la IA; falló porque se construyó sobre un dato cuyo significado dependía de un proceso humano que nadie había leído. Ninguna mejora del modelo lo habría salvado.

Otro caso, en otro terreno, con la misma raíz. Un municipio digitaliza un trámite que antes se hacía en ventanilla. El sistema es prolijo, rápido, está bien hecho. Seis meses después, el trámite sigue entrando en papel: los empleados que lo gestionaban encontraron mil motivos atendibles —el vecino mayor que no se maneja, la excepción que el formulario no contempla— para sostener el canal viejo. Nadie saboteó nada de frente. Simplemente, el sistema le quitaba a un área el control de un proceso que era, sin figurar en ningún organigrama, su fuente de poder y parte de su razón de ser. Se lo había leído como un problema de software cuando era, de punta a punta, un problema de quién decide. La tecnología funcionaba; lo que no se había mirado era a quién desplazaba.

El otro eje: la escalera de adopción

El espectro dice desde dónde parte una organización. Falta el otro eje: hacia dónde salta. Porque la adopción no es un interruptor que se enciende de golpe, sino una escalera que se sube peldaño a peldaño. Abajo está la gestión ofimática de todos los días. Un escalón más arriba, los sistemas que ordenan la operación —un ERP que integra la administración, un CRM que reúne la relación con el cliente—. Más arriba, la IA predictiva, que usa los datos acumulados para anticipar y no solo registrar el pasado. Y en el peldaño de hoy, la capa agéntica: software que ya no solo sugiere, sino que ejecuta tareas de punta a punta.

Lo que importa para la tesis no es el inventario de peldaños, sino su pendiente: cuanto más alto el escalón, más cara se paga la omisión de la lectura humana. En la ofimática, un sistema mal leído simplemente se evita —la gente vuelve a su planilla—. En la capa agéntica, un proceso que nadie entendió no se ejecuta más lento: se ejecuta solo, a escala y sin testigo —un agente que aprueba reembolsos, deriva reclamos o prioriza expedientes según una regla que nadie se detuvo a auditar—. El error deja de ser un papel traspapelado y pasa a ser una decisión automática, repetida miles de veces antes de que alguien la mire. La sofisticación técnica no atenúa la exigencia sociotécnica: la multiplica. Por eso la tesis no envejece con la tecnología; cada peldaño nuevo la vuelve más urgente, no menos.

Por qué es verdad (y no una opinión cómoda)

No es una intuición de consultoría. Es un hallazgo empírico con setenta años de respaldo, sostenido desde disciplinas que no se hablan entre sí y que, sin embargo, llegan a la misma conclusión.

El origen está en los estudios del Tavistock Institute sobre la mecanización de la minería del carbón inglesa. La nueva tecnología —el método de tajo largo— era objetivamente superior, y aun así bajó la productividad y subió el ausentismo. La razón no estaba en la máquina: estaba en que la mecanización desarticuló la organización social del trabajo. Antes los mineros operaban en equipos pequeños y autorregulados, que repartían las tareas, cubrían las ausencias y sostenían la moral bajo tierra; el nuevo método los fragmentó en turnos especializados y dependientes entre sí, sin reponer nada que cumpliera esa función.¹ La lección fundó una disciplina: el subsistema técnico y el social no se optimizan por separado, se optimizan juntos o fracasan juntos. Mejorar uno solo —por más real que sea la mejora— puede degradar el conjunto. La tradición posterior del diseño sociotécnico llevó ese principio al método: un diseño que no involucra a quienes van a usar el sistema produce sistemas que la gente sabotea, evita o usa mal. La participación de los usuarios no es cortesía ni búsqueda de consenso: es ingeniería de requisitos, porque solo ellos conocen el proceso real que el sistema deberá soportar.²

La sociología de la técnica añade el mecanismo que explica por qué ocurre. Un artefacto no “funciona” por sus propiedades internas, sino cuando logra traducir los intereses de los actores que lo rodean: enrolarlos, alinearlos lo suficiente para que cada uno se reconozca en él y encuentre una razón propia para sostenerlo. Donde esa traducción falla, el artefacto no es ni bueno ni malo: es, sencillamente, ignorado.³ La adopción, entonces, no es un paso posterior al diseño ni un problema de capacitación que se resuelve después: es la prueba misma de si el diseño comprendió a alguien.

En la era de la IA el patrón se agrava en lugar de desaparecer. La investigación en IA centrada en el humano muestra que los sistemas que aíslan, opacan o reemplazan a la persona generan rechazo y daño, mientras que los que amplifican su criterio, le dan control y le merecen confianza, rinden.⁴ Y la evidencia de campo lo confirma: en un experimento con cientos de emprendedores, la IA generativa ayudó a los de alto rendimiento y perjudicó a los de bajo rendimiento, porque estos seguían consejos genéricos sin el juicio para filtrarlos.⁵ La IA sin una lectura humana que la oriente no nivela: amplía la brecha que ya existía.

Cuatro miradas, una sola conclusión. La sociología industrial de los años cincuenta, la tradición del diseño participativo, la sociología de la técnica y la investigación contemporánea sobre IA parten de objetos distintos —una mina de carbón, un sistema de información, un artefacto cualquiera, un modelo generativo— y las separan décadas; aun así convergen en el mismo punto: el rendimiento de una tecnología no se decide en su mérito técnico, sino en cómo se traba con la trama humana que la recibe. Que disciplinas tan distantes lleguen a lo mismo es lo que vuelve a esto un hallazgo y no una opinión. La pregunta deja de ser si la dimensión humana importa, y pasa a ser quién está en condiciones de leerla.

El vacío estructural

Si el problema es sociotécnico, la solución exige leer lo humano y construir lo técnico. Pero el mercado del trabajo está partido en dos mitades que rara vez se tocan.

De un lado están quienes comprenden a las personas —procesos, gestión del cambio, organización—, pero no construyen el sistema. Diagnostican, entregan un informe cuidado y se retiran; el código lo escribe después otro que nunca leyó ese informe, ni se sentó con la gente de la que hablaba. Del otro están quienes construyen el sistema —desarrolladores, ingenieros de datos, arquitectos—, pero rara vez leen la organización. Reciben un requerimiento ya traducido, y mal, por un tercero, y se ponen a optimizar, con todo su oficio, la solución equivocada. No falla el talento de ninguno de los dos lados; falla que nunca se encontraron.

Entre ambas mitades se abre un vacío de traducción, y es allí donde se pierde el proyecto. Cada lado le atribuye el fracaso al otro —“el negocio no sabe lo que quiere” frente a “los técnicos no entienden el problema”— y ambos tienen parte de razón. El costo de ese vacío no es abstracto: se paga en sistemas que nadie usa, en datos en los que nadie confía y, de manera medible, en pérdida directa —la mala calidad de datos le cuesta a la mayoría de las organizaciones una fracción considerable de sus ingresos—.⁶ Ese pasivo es casi siempre la huella de un proceso humano que el lado técnico no podía ver y el lado organizacional no podía corregir.

Cerrar el vacío no se logra con un intermediario que coordine a las dos partes: eso es gestión de proyecto, y deja la traducción en manos de un documento que se degrada en cada paso. Se logra con una competencia integrada —las dos lecturas ejercidas como una sola práctica— que lee la trama humana y construye el sistema sin que el sentido se pierda en el traspaso. Esa práctica no traduce entre dos especialistas: encarna la traducción. Es escasa por estructura, y de ahí su valor.

La integración de dos dominios

Cerrar el vacío exige reunir dos dominios de competencia que el mercado mantiene separados:

• La lectura del subsistema social —la sociología de las organizaciones: poder, cultura, incentivos, resistencias, procesos reales frente a procesos formales.
• La construcción del subsistema técnico —la ingeniería de software y de datos: sistemas auditables, pipelines, infraestructura, y el diseño y la gobernanza de la IA, con la exigencia de auditabilidad de un entorno regulado.

La mayoría de los perfiles profesionales se formó en uno de los dos dominios, y lo ejerce con solvencia dentro de sus límites. El paradigma pide cruzar ese límite —ejercer los dos dominios como un continuo: diagnóstico de la organización, modelado de los datos, construcción del sistema y gobierno de la IA, cada tramo atado al anterior y respondiendo por lo que dejó el de antes—. Esa continuidad, y no la suma de especialidades, es lo que el método organiza en Los cuatro eslabones.

Criterio de honestidad. La integración de competencias es un diferencial estructural y verificable, no una proclama: se sostiene en evidencia —sistemas en producción, servidores MCP, el modelo IMIA de madurez— y no en adjetivos. Donde un dato es un supuesto, se dice. El paradigma se gana en los hechos.

Implicancias

De la tesis se sigue, sin pasos adicionales, todo lo que el resto del libro desarrolla:

1. Primero se mide la madurez, después se elige la tecnología. El diagnóstico sociotécnico precede a cualquier compra, no la acompaña. Saltearlo es la forma más cara de empezar: se adquiere la herramienta correcta para el problema equivocado, o la correcta para un problema que la organización todavía no está en condiciones de sostener. Por eso hace falta un instrumento que mida ese punto de partida antes de decidir. → IMIA, el instrumento de madurez
2. La calidad de datos es un problema social antes que técnico. Un dato “sucio” rara vez es un error de carga: suele ser la huella fiel de un proceso humano mal diseñado o mal incentivado —tres equipos que llenan el mismo campo con criterios distintos porque a cada uno le sirve para otra cosa—. No se limpia con un script; se corrige interviniendo el proceso que lo ensucia. → Conceptos propios
3. La gobernanza de IA no es un freno; es la condición de la adopción. La auditabilidad, la trazabilidad y el control humano no se oponen a que la tecnología se use: son exactamente lo que hace que la gente confíe en ella lo suficiente para usarla. Un sistema que no se puede explicar no se adopta: se tolera, y a la primera duda se abandona.
4. El valor se mide en la persona, no en el modelo. El entregable nunca es un modelo en producción ni un tablero encendido: es una decisión humana mejor, una hora liberada de una tarea que no la merecía, una brecha que se cierra. Cuando la métrica se desplaza del artefacto a la persona, se vuelve imposible confundir actividad con resultado —y casi todos los proyectos que no rinden viven en esa confusión—.
5. La IA es un multiplicador con signo, y el puente decide el signo. La misma herramienta amplifica lo que encuentra: sobre orden y criterio, multiplica valor; sobre desorden y sin un juicio que la filtre, multiplica el daño y ensancha la brecha en lugar de cerrarla —exactamente lo que mostró el experimento de Kenia, donde la IA ayudó a los que ya iban bien y perjudicó a los que iban mal—. La lectura humana no es un suplemento ético del proyecto: es lo que invierte el signo del multiplicador, de amplificador de desigualdades a cerrador de brechas.

Antítesis: contra qué argumenta la tesis

• Contra el solucionismo tecnológico: la creencia de que el problema se resuelve comprando la herramienta.
• Contra el diagnóstico sin construcción: el análisis organizacional que no llega al sistema.
• Contra el tecnicismo sin lectura: la construcción que no entiende a quién sirve.
• Contra el entusiasmo de IA: los modelos por moda, medidos por métricas de vanidad y no por valor.

La posición del puente es lo que queda cuando se descartan esas cuatro comodidades.

Ver también: Los cuatro eslabones · Conceptos propios · Autores y corrientes · Bibliografía