Doxa 2580

Las empresas estadounidenses y japonesas se enfrentan a diferentes dificultades en la adopción de la IA y ofrecen diferentes lecciones para lograr que funcione

Por Natarajan Balasubramanian, Shigeru Asaba, Ram Bala y Amit Joshi

Inteligencia artificial y aprendizaje automático

Harvard Business Review

#Doxa #AdopciónDeIA #EmpresasEstadounidenses #EmpresasJaponesas #DesafíosTecnológicos #CulturaCorporativa #ImplementaciónDeIA #LeccionesDeNegocios #TransformaciónDigital #InnovaciónGlobal #EstrategiaDeIA

Resumen. Las empresas tanto en Estados Unidos como en Japón están teniendo dificultades para implementar la IA, pero a menudo de maneras muy diferentes. En Estados Unidos, la implementación es amplia pero superficial, lo que significa que las empresas tienen problemas para crear valor real con la IA. En Japón, la implementación ha avanzado lentamente, pero dondeCuando esto sucede, suele ser profundo y fructífero. Comprender lo que ocurre en ambos contextos ofrece lecciones importantes para las empresas que intentan desarrollar una estrategia de IA y demostrar el retorno de la inversión en sus proyectos de IA.

En el panorama global de la adopción de la IA, Estados Unidos se perfila como el líder indiscutible. Mientras tanto, Japón, otrora potencia mundial en innovación tecnológica, parece haberse quedado rezagado. Las cifras lo confirman: un estudio reciente de McKinsey reveló que el 88 % de las empresas estadounidenses utilizan IA en al menos una función empresarial, mientras que un estudio similar del Instituto de Investigación Yano, publicado la primavera pasada, encontró que solo el 26 % de las empresas japonesas  afirmaban lo mismo. Según el Índice de IA de Stanford 2025, Estados Unidos ocupó el primer lugar a nivel mundial en inversión privada en IA en 2024; Japón se ubicó en el puesto 14.

Sin embargo, como suele ocurrir con la mayoría de las historias sencillas, esta caracterización es lo suficientemente errónea como para resultar engañosa. Puede que Estados Unidos esté implementando la IA más rápidamente, pero no está obteniendo beneficios de ella con la misma rapidez.

Si bien las empresas estadounidenses han implementado la IA a una velocidad sin precedentes, los resultados han sido escasos: datos de McKinsey muestran que solo el 39 % de las empresas reportan un impacto medible en el EBIT derivado de la IA; en HBR, los autores de un estudio reciente escribieron que los empleados experimentan con herramientas, pero no las integran en la forma en que se realiza el trabajo. Mientras tanto, Japón ofrece algunos ejemplos de empresas que han logrado integraciones de IA profundas y valiosas. Por ejemplo, en 2024, los trabajadores de la fábrica de Toyota (en lugar de sus científicos de datos o equipos de TI) habían creado 10 000 modelos de IA con herramientas proporcionadas por la empresa, con mejoras significativas y medibles en la eficiencia y la productividad.

Esto revela que la velocidad, si bien es importante, no necesariamente equivale a valor. Para los líderes empresariales —ya sea que se encuentren en estos países o no— ignorar esta distinción crucial aumenta la probabilidad de que la adopción de la IA se estanque. Sin embargo, comprender lo que sucede en ambos contextos ofrece lecciones importantes para las empresas que intentan desarrollar una estrategia de IA y demostrar el retorno de la inversión en esta tecnología.

Tanto la investigación fundamental como la contemporánea sobre la adopción de tecnología —respaldadas por nuestra amplia interacción con ejecutivos que lideran iniciativas de IA— demuestran que la creación de valor no depende únicamente de la velocidad de implementación, sino más bien de la profundidad con la que estas herramientas se integran en los flujos de trabajo organizacionales. En este sentido, tanto Estados Unidos como Japón se encuentran rezagados, aunque de maneras diferentes.

Dos países, dos modos de fracaso

La IA pertenece a una categoría de tecnologías que los economistas denominan tecnologías de propósito general (TPG), entre las que se incluyen innovaciones como la electricidad o el ordenador personal. Para obtener valor, no basta con su adopción, sino que se requieren inversiones complementarias costosas y que consumen mucho tiempo en nuevos flujos de trabajo, prácticas de gestión y procesos de toma de decisiones rediseñados. Todas las TPG importantes de la historia han seguido el mismo patrón: la productividad disminuyó antes de dispararse. Un estudio reciente de empresas manufactureras estadounidenses indica que la adopción de la IA parece seguir la misma tendencia. La tecnología es solo una parte de la historia. Los sistemas y la cultura organizacional son la otra.

Estados Unidos y Japón constituyen contrapuntos útiles en la adopción tecnológica, ya que representan una tensión fundamental entre la agilidad descentralizada y el control centralizado. La innovación tecnológica sustenta ambas economías, pero las prácticas y culturas de gestión difieren notablemente. Históricamente, esto ha significado que las empresas estadounidenses sobresalgan en la reorganización rápida y compleja necesaria para la adopción temprana, mientras que las empresas japonesas prefieren una coherencia estructurada y basada en el consenso. Estas diferencias han tenido implicaciones para el valor creado a través de la adopción de tecnología. Por ejemplo, un estudio de la Oficina del Censo de Estados Unidos de 2008 reveló que los fabricantes estadounidenses demostraron el doble de beneficio en productividad gracias al uso de redes informáticas que sus homólogos japoneses. El estudio atribuyó esta diferencia a las distintas formas en que las empresas estadounidenses utilizaban sus redes, un hallazgo confirmado por investigaciones posteriores que atribuyeron el mejor desempeño de las empresas estadounidenses a prácticas de gestión que permitieron la reorganización en torno a las nuevas tecnologías.

Sin embargo, si bien Estados Unidos logró reorganizarse con éxito, su enfoque flexible presenta dificultades cuando una tecnología exige una supervisión estricta y centralizada. Dado que el desarrollo de la IA requiere tanto una rápida adaptación de los flujos de trabajo como un control institucional riguroso, las fortalezas históricas de ambas naciones se transforman en desventajas. De hecho, en lo que respecta a la IA, ambos países ofrecen dos caminos distintos hacia el fracaso.

Para ilustrarlo, consideramos el modo de falla en la creación de valor de la IA en seis niveles: 1) infraestructura, 2) aumento de tareas, 3) rediseño del flujo de trabajo, 4) capital humano, 5) gobernanza y 6) reinvención organizacional. Basado en investigaciones sobre la adopción de TI, la progresión estructural de este marco refleja modelos establecidos como los paradigmas de transformación digital del Centro de Investigación de Sistemas de Información del MIT y el modelo de la "Fábrica de IA".

Estas seis capas conforman una escalera, no una lista de verificación. Cada peldaño genera más valor que el anterior y exige más de la organización para alcanzarlo. La ampliación de tareas requiere que las personas modifiquen sus hábitos. El rediseño del flujo de trabajo exige que los equipos abandonen procesos que han perfeccionado durante años. La reinvención organizacional exige que la institución se reinvente.

Una empresa no simplemente triunfa o fracasa en la IA, sino que se estanca en una etapa concreta debido a condiciones institucionales específicas. El dinamismo que permite a las empresas estadounidenses una rápida implementación es precisamente lo que las lleva a omitir el trabajo lento y disruptivo de niveles superiores. El mecanismo de consenso que haría posible la adopción sostenible en Japón es precisamente lo que impide su inicio. La fortaleza en un nivel suele ir acompañada de debilidad en el siguiente. Estados Unidos y Japón son ejemplos ilustrativos de este bloqueo estratégico, ya que se sitúan en extremos opuestos de casi todas las clasificaciones de preparación para la IA, pero este mismo fenómeno se observa en empresas de todo el mundo.

Un gráfico compara cómo los diferentes atributos de los fundadores afectan la probabilidad de que el talento de las startups acepte una invitación para conectar en una plataforma de emparejamiento de talento para startups, entre usuarios con y sin experiencia en IA. El talento de IA responde mucho más positivamente a los fundadores que demuestran compromiso y tracción. Los mayores efectos positivos para los usuarios de IA son los fundadores que están abiertos a un cofundador en una ubicación diferente (+18,2 %), trabajan en la startup a tiempo completo (+20,5 %) y tienen formación jurídica (+18,0 %). Los usuarios de IA también prefieren a los fundadores que buscan a alguien que ayude a desarrollar una idea existente (+10,7 %), aquellos con experiencia en ventas (+9,2 %) y aquellos flexibles en el reparto de acciones (+5,1 %). Las señales de prestigio tradicionales, como un MBA, un doctorado o experiencia en grandes empresas tecnológicas, tienen efectos menores. La señal negativa más fuerte para ambos grupos es tener una amplia gama de intereses en la industria, especialmente entre los usuarios de IA (-11,4 %). En general, el talento de IA parece priorizar la evidencia de progreso, compromiso y habilidades empresariales complementarias por encima de las credenciales.

Consulta más gráficos de HBR en Datos y Visualizaciones.

De este mapa se desprenden dos modos de fallo, que son prácticamente inversos perfectos el uno del otro.

El modelo estadounidense se caracteriza por la velocidad sin profundidad: una gran fortaleza en la base, una implementación acelerada y, posteriormente, un estancamiento porque los pasos que generan una ventaja real (el rediseño del flujo de trabajo, la gobernanza y la reinvención) requieren precisamente el trabajo organizativo lento y disruptivo que una cultura centrada en la implementación busca evitar. La IA se integra a la organización existente en lugar de transformarla.

El modelo japonés se caracteriza por la profundidad sin la velocidad: apenas logra ascender, lastrado por una infraestructura deficiente y una toma de decisiones basada en el consenso, pero avanza con mayor solidez donde lo consigue, desarrollando capacidades reales desde la base. El problema no radica en la calidad de los peldaños que Japón alcanza, sino en que llega a tan pocos, tan lentamente y desde una base tan baja.

Misma escalera, puestos opuestos. Nos turnamos.

La brecha en la profundidad del despliegue militar en Estados Unidos. Las empresas estadounidenses sufren un problema común: si bien las métricas de implementación parecen sólidas, la adopción suele ser superficial. Esto se debe a varios factores. Uno de ellos es que muchos empleados sienten una gran ansiedad sobre lo que la IA significa para sus carreras, por lo que la utilizan solo superficialmente. Pero las organizaciones también tienen parte de la culpa. Según Deloitte, solo el 30 % de las organizaciones han rediseñado procesos clave en torno a la IA. La gobernanza es igualmente deficiente: solo una de cada cinco empresas cuenta con un modelo maduro para supervisar agentes de IA autónomos, incluso cuando la IA con capacidad de agencia se está volviendo dominante.

Implementar IA sin rediseñar los flujos de trabajo puede ser peor que una simple falta de adopción. Un estudio de BCG con casi 1500 trabajadores estadounidenses reveló que aquellos que utilizaban cuatro o más herramientas de IA simultáneamente reportaron una menor productividad y mayor fatiga mental, un fenómeno que los autores denominan acertadamente "fritura cerebral por IA". Otro estudio de METR halló que los desarrolladores experimentados que utilizaban herramientas de IA tardaban un 19 % más en completar las tareas, pero aun así reportaron que la IA las había acelerado en un 20 %.

La brecha en la velocidad de despliegue en Japón. Las empresas japonesas se encuentran realmente rezagadas en la adopción de nuevas tecnologías. El Ranking Mundial de Competitividad Digital IMD 2025 ayuda a explicar el porqué: si bien Japón ocupa el noveno lugar a nivel mundial en Marco Tecnológico, se sitúa en el puesto 60 en Agilidad Empresarial. Las grandes empresas japonesas, con sus jerarquías complejas y sus arraigadas rutinas de gestión, generalmente carecen de la estructura de incentivos gerenciales que impulsa la experimentación agresiva en Estados Unidos.

La dimensión laboral en este caso merece un análisis cuidadoso. La narrativa habitual sostiene que la práctica del «empleo vitalicio», donde las empresas contratan a recién graduados para que trabajen allí durante toda su carrera, ralentiza la IA. Las empresas japonesas han adaptado este enfoque al cambio impulsado por la IA mediante la reubicación de trabajadores en lugar de despedirlos. Por ejemplo, cuando Mizuho Financial Group anunció sus planes para reemplazar 5000 puestos administrativos con IA, descartó explícitamente los despidos. El personal sería reasignado a otros puestos. Este enfoque puede generar mejores resultados organizativos que el desplazamiento al estilo estadounidense, que descarta el conocimiento operativo, pero también hace que el rediseño de procesos sea complejo tanto política como organizativamente, ya que los roles deben rediseñarse en torno a personas que no son fácilmente reemplazables.

En qué áreas lidera Japón

A pesar de la etiqueta de rezagado, Japón está realmente a la vanguardia en lo que podría ser la próxima ola de creación de valor en IA: la integración de la IA en las operaciones físicas. La IA física incluye sistemas que perciben, razonan y actúan en el mundo real, integrados en robots, equipos de fábrica, dispositivos médicos e infraestructura logística. En este caso, las mismas características organizativas que ralentizan la adopción de software empresarial en Japón podrían acelerar la adopción de la IA física.

Por ejemplo, Ringi, la práctica de toma de decisiones ascendente, bloquea la implementación de software empresarial porque rediseñar un flujo de trabajo de adquisiciones o aprobación de crédito requiere una amplia aprobación interfuncional. En contraste, si bien la decisión de alto nivel de adquirir tecnologías de IA física todavía se toma a nivel corporativo, los trabajadores de primera línea tienen una discreción sustancial sobre los detalles de la implementación, como qué especificaciones elegir, dónde y cómo implementar la tecnología y cómo integrarla en los flujos de trabajo existentes. Guiada por Kaizen, la filosofía de mejora continua, la tecnología no se trata como mandatos corporativos estáticos, sino como sistemas en evolución que se amplían iterativamente desde abajo hacia arriba. La cultura de consenso finalmente respalda la implementación de IA física porque los detalles concretos de la implementación se desarrollan en colaboración con los trabajadores de primera línea en lugar de imponerse desde arriba. Japón, de hecho, ya ha construido las inversiones organizativas complementarias para sistemas físicos a lo largo de la ampliación de tareas (capa 2), el rediseño de flujos de trabajo (capa 3) y el capital humano (capa 4) a través de más de 40 años de integración de la robótica.

Un plan de acción para líderes

Si bien nos hemos centrado en empresas de dos países, es fácil encontrar versiones similares de ambos modos de fallo en otros países. El marco de seis niveles proporciona a los ejecutivos una estructura para la autoevaluación: los líderes deben analizar la posición de su organización en cada nivel y priorizar las acciones que permitan fortalecer el nivel más débil. Las recomendaciones que se presentan a continuación están adaptadas a los dos modos de fallo descritos anteriormente.

Solución al problema del Modo 1: Invierta en profundidad antes que en amplitud.

Este patrón de fallos se caracteriza por un rápido avance en las capas de infraestructura (1) y ampliación de tareas (2), lo que dificulta el rediseño del flujo de trabajo, el capital humano, la gobernanza y los derechos de decisión, así como la reinvención organizacional (capas 3 a 6). Las medidas correctivas ralentizan la implementación en favor de la integración.

Replantea algunos flujos de trabajo de principio a fin y mídelos en lugar de medir su implementación (capa 3). La mayoría de las empresas estadounidenses están llevando a cabo decenas de proyectos piloto de poca envergadura. Dado que los líderes miden métricas como el " tokenmaxxing ", las implementaciones pueden parecer un éxito sin generar mucho valor. En cambio, deberían centrar los recursos de ingeniería y gestión en un número reducido de flujos de trabajo donde la IA pueda transformar el flujo de información y decisiones sin necesidad de una renovación completa. Por ejemplo, la evaluación crediticia, la adjudicación de reclamaciones, la planificación de la demanda, la incorporación de clientes o la gestión de lanzamientos de software. Para evaluar el progreso, conviene fijarse en los indicadores a nivel de flujo de trabajo: el tiempo de ciclo en los procesos rediseñados con una calidad constante o superior, la calidad de las decisiones generadas y la productividad por persona en el trabajo rediseñado. Vincule una parte definida de la remuneración de los ejecutivos a los resultados de esos flujos de trabajo rediseñados, en lugar de al número de proyectos piloto lanzados o simplemente a la amplitud de la adopción de la IA.

Establecer mecanismos de gobernanza antes de la implementación de la IA con agentes (capa 5). Solo una de cada cinco empresas cuenta con un modelo de gobernanza maduro para agentes autónomos, a pesar de que la IA con agentes se está implementando a gran escala en atención al cliente, operaciones de TI y finanzas. Es fundamental establecer los elementos clave de gobernanza antes de la puesta en marcha del próximo agente: un registro de todos los agentes en producción, documentación sobre los derechos de decisión que especifique los umbrales de riesgo y valor monetario para la aprobación humana, un registro de auditoría estándar que capture la cadena de razonamiento completa de las decisiones de los agentes y un protocolo de desactivación con responsables designados. Realizar este trabajo una vez que los agentes se han generalizado es considerablemente más difícil y expone a la empresa a riesgos regulatorios y operativos que se acumulan rápidamente.

Limitar el número de herramientas de IA disponibles para cada rol (capas 2 y 3). El hallazgo de BCG de que los trabajadores que utilizan cuatro o más herramientas simultáneamente reportan menor productividad tiene implicaciones operativas directas. Por ejemplo, establezca un valor predeterminado de dos herramientas de IA por rol y exija una justificación formal para agregar una tercera. Consolide las herramientas superpuestas, incluso cuando los responsables del presupuesto se resistan a perder a su proveedor preferido. Combine la consolidación de herramientas con el rediseño del flujo de trabajo y de la información para que las herramientas restantes se integren en el trabajo en lugar de superponerse a él.

Convertir el entrenamiento genérico en IA en el desarrollo de capacidades específicas para cada rol (capa 4). Los cursos genéricos de ingeniería de indicaciones fomentan la concienciación en lugar del desarrollo de habilidades. Sustitúyalos por programas específicos para cada puesto, estructurados en torno a las decisiones reales que toma una persona. Por ejemplo, el programa para un analista de crédito puede abarcar informes de crédito asistidos por IA, análisis de modelos y revisión de sesgos. Hitachi es un ejemplo a seguir. La empresa se ha comprometido a capacitar a 50 000 empleados en IA generativa; un objetivo comparable es que entre el 30 % y el 50 % de los puestos relevantes estén certificados en un programa específico en un plazo de 18 meses.

Solución al modo de fallo 2: Invierta en velocidad sin descuidar lo que funciona.

Este patrón de fallos se caracteriza por la existencia de sólidas estructuras organizativas que, sin embargo, avanzan con demasiada lentitud para aprovechar las ventajas iniciales de la IA en el desarrollo de software. Las medidas correctivas preservan las fortalezas de las tradiciones de gestión deliberativa, al tiempo que facilitan el desarrollo de la IA.

Crear un ritmo de toma de decisiones e implementación más rápido para la IA (capa 3). Las tradiciones que se basan en un amplio consenso en la toma de decisiones y la implementación (como Ringi ) pueden proteger a las organizaciones de malas decisiones, pero la experimentación con IA, donde el costo de equivocarse en un proyecto piloto es bajo, pero el costo de la demora es alto, requiere un ritmo rápido.

Los líderes deberían establecer un proceso acelerado de IA que evite la aprobación completa para decisiones específicas: las iniciativas de IA que superen un umbral de gasto determinado y se limiten a flujos de trabajo internos pueden ser aprobadas por un pequeño comité interfuncional en dos semanas en lugar de dos a cuatro meses. Reserve la aprobación completa para decisiones con implicaciones estratégicas o de riesgo más amplias. Combine este proceso de decisión más rápido con objetivos explícitos a nivel de tarea. Realice un seguimiento del uso a nivel de equipo, publique los resultados internamente y exija a los líderes de equipo que expliquen el subuso. La experiencia de MUFG sugiere que la implementación universal sin objetivos de uso se estabiliza en torno al 50 % de utilización; la rendición de cuentas a nivel de equipo puede elevarla.

Comprométase con un plan de inversión en infraestructura a tres años (capa 1). Cualquier deficiencia en la infraestructura es estructural y no se solucionará con inversiones graduales. En estos casos, conviene comprometerse con un programa de tres años que migre una cantidad significativa de cargas de trabajo analíticas a la nube, modernice las diez fuentes de datos más utilizadas y establezca una plataforma de datos unificada con controles de acceso documentados. El capital requerido es considerable, pero recuperable. La alternativa es limitar permanentemente el potencial de las capas posteriores. Las empresas no pueden depender de los proveedores nacionales de infraestructura para que realicen este trabajo; la base de datos debe construirse internamente en cada empresa.

Tratar la IA física como una prioridad estratégica a nivel de CEO (capas 3 y 6). Las presiones demográficas no son exclusivas de Japón. A medida que se extienden a otros países, la IA física adquirirá cada vez mayor importancia. Si su empresa construye, traslada o mantiene activos físicos, posee una posición estratégica que sus competidores de software no pueden replicar fácilmente. Aprovechar este dominio puede ofrecer una ventaja asimétrica en la era de la IA, aunque dista mucho de estar garantizada. Los líderes de estas empresas deberían considerar la creación de centros de excelencia en IA física que combinen ingenieros de robótica con equipos de modelado fundamental, fijar como objetivo integrar la IA en, por ejemplo, el 30 % de las flotas de robots instaladas en un plazo de tres años, y buscar adquisiciones estratégicas de empresas de software cuyos modelos puedan implementarse en el hardware de la empresa. Por ejemplo, Medicaroid combina la ingeniería robótica de Kawasaki con la experiencia en diagnóstico médico de Sysmex para construir el robot quirúrgico japonés Hinotori, al tiempo que explora los datos y la IA como una forma de ampliar el conocimiento quirúrgico. La oportunidad para consolidar este liderazgo está abierta ahora y se reducirá a medida que las empresas estadounidenses y chinas inviertan de forma más agresiva en IA física.

Aumentar el nivel básico de capacidad de IA en toda la plantilla (capa 4). La Academia de Software de Toyota y la capacitación de 50 000 empleados de Hitachi son un buen modelo, pero siguen siendo casos atípicos, incluso dentro de Japón. La tasa base de empleados con habilidades en IA en la mayoría de los países está muy por debajo de la de EE. UU., incluso donde el potencial en las empresas de vanguardia es probablemente comparable. Establezca un objetivo a nivel de junta directiva, por ejemplo, que el 40 % de la plantilla complete un programa de capacitación en IA en 24 meses, y que un subconjunto, digamos el 10 %, obtenga una certificación avanzada. Vincule el progreso a las evaluaciones de desempeño de los ejecutivos, de la misma manera que se vinculan actualmente las métricas de seguridad.

...

La IA es una tecnología de propósito general, y las empresas que triunfen serán aquellas que identifiquen sus propios modos de fallo e inviertan en los cambios complementarios que requiere. Los líderes estadounidenses no deben confundir la implementación generalizada con una transformación profunda; los líderes japoneses no deben confundir la deliberación cuidadosa con la gestión de riesgos, cuando el mayor riesgo reside en avanzar con demasiada lentitud. Ambos países están fallando en diferentes niveles del mismo problema: Estados Unidos implementa rápidamente, pero no con la profundidad suficiente, mientras que Japón aborda la IA con cautela, pero con demasiada lentitud. Las empresas y los países que avancen a través de los seis niveles complementarios serán los que tengan más probabilidades de experimentar el tipo de aumento de productividad que siguió a la electricidad en la década de 1920 y a la informática en la década de 1990. Para los directivos de todo el mundo, la lección es la misma: la adopción de la IA no es simplemente una decisión tecnológica, sino una prueba de la voluntad de cambio de la organización.

Lea más sobre IA y aprendizaje automático o temas relacionados: IA generativa, tecnología y análisis, análisis y ciencia de datos, algoritmos, automatización, Asia y Norteamérica.

Natarajan Balasubramanian es profesor titular de Gestión y Recursos Humanos (Cátedra Robert y Anne Hoyt) en la Facultad de Negocios Fisher de la Universidad Estatal de Ohio. Investiga cómo la adopción de tecnología y el capital humano transforman la manera en que las empresas crean y capturan valor.

Shigeru Asaba es profesor de Estrategia en la Escuela de Negocios de Waseda. Su investigación se centra en la estrategia corporativa y la organización industrial japonesas, así como en la evolución de las industrias basadas en tecnologías emergentes.

Ram Bala es el fundador y científico jefe de IA de Samvid AI y profesor asociado de IA y análisis en la Leavey School of Business de la Universidad de Santa Clara. Investiga y publica estudios sobre aprendizaje automático y optimización aplicados a la fijación de precios, el diseño de mercados y el análisis de la cadena de suministro. Su trabajo sobre aplicaciones de IA en el mundo real ha aparecido en Time, Newsweek y The Wall Street Journal.

Amit Joshi es profesor de IA, análisis de datos y estrategia de marketing en IMD. Asesora a organizaciones globales sobre la aplicación estratégica de la IA y dirige varios programas ejecutivos sobre IA y estrategia digital.