Durante gran parte de la historia reciente del software, las personas aprendimos a adaptarnos a las herramientas.
Cada nueva plataforma traía su propia lógica. Entrábamos, buscábamos información, llenábamos campos, cambiábamos de pestaña, exportábamos datos, actualizábamos estados y ejecutábamos tareas. La interfaz era el punto de encuentro entre nuestra intención y la capacidad del sistema.
La inteligencia artificial está empezando a modificar esa relación.
No creo que las aplicaciones vayan a desaparecer, ni que dejemos de utilizar CRM, plataformas publicitarias o herramientas de gestión. Lo que probablemente cambie es cuánto necesitamos interactuar directamente con ellas para conseguir un resultado.
La idea que me interesa no es una pantalla con mejores botones. Es un sistema capaz de entender qué queremos lograr y utilizar distintas herramientas para hacerlo.
Ahí aparecen los agentes.
Y ahí nace buena parte de la tesis detrás de MADIA.
Durante años hablamos de automatización principalmente en términos de reglas. Cuando ocurría A, ejecutábamos B. Si una persona llenaba un formulario, enviábamos un correo. Si pasaban determinadas horas sin respuesta, disparábamos un mensaje. Si un contacto cumplía ciertas condiciones, lo movíamos a una etapa diferente.
Ese modelo sigue siendo extremadamente útil. La diferencia es que necesita que anticipemos con bastante precisión los escenarios posibles.
Los agentes introducen una capa diferente: interpretación.
Un sistema puede recibir una conversación, entender el contexto, consultar información, utilizar una herramienta y decidir cuál es la siguiente acción dentro de los límites que definimos. Esa capacidad transforma la automatización de una secuencia rígida en algo más parecido a la ejecución de un proceso.
Para mí, la diferencia no es menor.
MADIA comenzó a tomar forma precisamente al observar problemas que aparecían después de hacer bien una parte del trabajo.
Podíamos construir una estrategia de adquisición, producir anuncios, generar demanda y conseguir oportunidades. Pero después empezaban a aparecer fugas que no podían resolverse únicamente optimizando campañas.
Leads que recibían respuesta demasiado tarde. Personas que volvían a explicar algo que ya habían contado antes. Seguimientos idénticos para situaciones completamente diferentes. Equipos comerciales incapaces de distinguir entre un contacto curioso y alguien que estaba preparado para tomar una decisión. CRMs llenos de información que nunca regresaba a marketing.
Había un punto en el que conseguir otro lead más barato dejaba de ser la mejor pregunta.
La pregunta empezaba a ser qué estábamos haciendo con los que ya teníamos.
Ese cambio abre un territorio interesante para los agentes.
Imaginemos una oportunidad que llega desde publicidad. El sistema conoce la campaña y el anuncio de origen. El agente recibe ese contexto, entiende qué está buscando la persona, consulta la información necesaria y sostiene la conversación. Conforme avanza, identifica señales de intención, registra datos, actualiza el CRM y propone un siguiente paso. Si la persona está lista, puede consultar disponibilidad y facilitar una cita. Si existe una situación fuera de sus límites, entrega la conversación a alguien del equipo junto con el contexto relevante.
Después, el resultado de esa interacción puede volver a marketing.
Ahora no solamente sabemos qué campaña produjo un lead. Podemos empezar a entender qué campaña produjo conversaciones con intención, qué preguntas se repiten, qué objeciones aparecen y qué perfiles avanzan con mayor frecuencia.
La publicidad deja de alimentar un formulario y empieza a alimentar un sistema que aprende.
Eso me parece mucho más interesante que construir otro chatbot.
Durante años los chatbots resolvieron una parte muy concreta del problema mediante respuestas predeterminadas y árboles de decisión. Funcionaban cuando la conversación seguía el camino que habíamos previsto. Cuando no, la experiencia solía degradarse rápidamente.
Los modelos actuales permiten trabajar con mayor flexibilidad, pero esa flexibilidad también introduce un nuevo problema: decidir hasta dónde permitimos que llegue.
La capacidad de un agente no debería confundirse con autonomía ilimitada.
Diseñar correctamente un agente requiere determinar qué información puede utilizar, qué decisiones puede tomar, qué acciones puede ejecutar y en qué momento necesita detenerse. También implica pensar cómo validamos sus respuestas, qué ocurre frente a incertidumbre y cuáles son las consecuencias de un error.
Esa parte me parece especialmente importante porque el entusiasmo alrededor de la IA puede hacernos olvidar algo básico: automatizar un mal proceso no lo convierte en uno bueno.
Si el seguimiento comercial está mal diseñado, un agente puede ejecutarlo con una eficiencia impresionante y seguir produciendo una mala experiencia. Si la información de una empresa está desordenada, el modelo no puede inventar coherencia. Si nadie ha definido qué significa una oportunidad valiosa, automatizar la clasificación solo esconderá la falta de criterio detrás de una tecnología más sofisticada.
La inteligencia artificial amplifica la capacidad del sistema sobre el que trabaja.
Por eso la arquitectura importa.
Durante la era del SaaS construimos aplicaciones especializadas para almacenar información y ejecutar funciones: CRM, ERP, correo, analítica, publicidad, gestión de proyectos. Cada una organizó una parte del trabajo y obligó al usuario a aprender a operar dentro de ella.
Creo que los agentes van a convertirse progresivamente en una nueva capa sobre esa infraestructura.
Las plataformas seguirán existiendo. Seguirán almacenando datos, aplicando reglas y ejecutando operaciones. Pero una parte creciente del trabajo podrá comenzar con una intención expresada en lenguaje natural y terminar con un agente coordinando distintas herramientas para llevarla a cabo.
La interfaz deja entonces de ser siempre una pantalla.
A veces será una conversación.
Otras veces ni siquiera veremos al agente. Simplemente habrá trabajo ocurriendo detrás.
Esta visión es también la razón por la que no entiendo MADIA como un proyecto completamente separado de MAD. Nace de una evolución natural de los problemas que ya estábamos resolviendo.
MAD trabaja alrededor de generación de demanda, narrativa, creatividad y crecimiento. MADIA entra cuando ese crecimiento necesita una capa adicional de automatización, inteligencia y ejecución.
Una genera movimiento.
La otra intenta hacer que el sistema pueda procesarlo mejor.
Todavía hay mucho que aprender. Los modelos cambian, las integraciones fallan, los costos se mueven y existen preguntas importantes alrededor de privacidad, control y consistencia. Muchas demostraciones que hoy parecen espectaculares probablemente tendrán poco valor real dentro de una operación.
Precisamente por eso quiero construir MADIA ahora.
No para comentar desde afuera hacia dónde creo que va la tecnología, sino para entenderla trabajando con problemas reales.
Construir agentes.
Conectarlos.
Ponerlos frente a procesos reales.
Encontrar dónde fallan.
Medir dónde aportan valor.
Y aprender qué tareas deberían ejecutar, cuáles necesitan supervisión y cuáles siguen estando mejor en manos de una persona.
Mi apuesta no es que la inteligencia artificial sustituya todo el software que utilizamos.
Es que cambiará la manera en que interactuamos con él.
Durante años aprendimos a hablar el idioma de las máquinas.
Ahora las máquinas están empezando a entender el nuestro.