Hay una razón por la que esta pregunta importa más de lo que parece: la velocidad con la que una empresa puede responderse a sí misma es el techo de todo lo demás.

Si una pregunta tarda tres días en responderse, la decisión que depende de ella tarda una semana, y el cambio que depende de esa decisión tarda un trimestre. Y hay algo que directamente no ocurre: nadie automatiza lo que todavía no puede consultar.

Por qué tarda tres días

No porque falte la información. Porque está repartida, y porque el camino para llegar a ella pasa por personas.

El recorrido típico: usted pregunta. Alguien identifica en qué sistemas está el dato. Alguien exporta. Alguien más cruza dos archivos porque los códigos no coinciden. Alguien interpreta qué hacer con los casos raros. Alguien arma la presentación. Entre cada paso hay una espera, porque cada persona tiene su propio trabajo y esto entra a la cola.

Sume los tiempos de espera —no los de trabajo— y ahí están sus tres días. El trabajo real fueron cuarenta minutos.

Y hay un costo mayor, que no se ve: con información lenta, la supervisión se vuelve un puesto de trabajo. Alguien tiene que mirar, consolidar, comparar y avisar, porque el sistema no lo hace solo. Esa persona no está supervisando el negocio: está supervisando la brecha entre los sistemas.

Lo que nos pasó a nosotros, y no lo planeamos

Virfon ha servido a más de 150.000 inmigrantes colombianos y venezolanos, comunicándolos con sus familias. En 2025 enfrentó un problema serio de EBITDA, y hubo que tomar decisiones.

Varios de sus managers pasaron a otras empresas relacionadas, con mejor futuro profesional. Nadie fue despedido: se les acompañó a dar el siguiente paso, sin un solo día sin empleo. Pero sus funciones de supervisión había que cubrirlas con lo que quedaba.

La decisión fue montar una réplica de toda la data cruda de la operación en un Mac mini, y trabajarla con IA y vive-coding. Nada de plataforma corporativa de datos. Un equipo de escritorio con toda la información sin resumir, sin pre-agregar y sin decidir de antemano qué preguntas se iban a responder.

La expectativa era modesta: reemplazar buena parte de lo que esos supervisores hacían.

No lo reemplazamos. Lo sobrepasamos de lejos.

Lo que apareció cuando la IA miró la data cruda

La IA empezó a estudiar información que llevábamos años teniendo y nunca habíamos visto de verdad, porque siempre la habíamos mirado a través de reportes ya procesados. Encontró cosas que nadie había pedido:

Patrones de uso abusivo en los períodos de prueba. Ningún reporte estaba diseñado para mostrarlos, porque nadie había pensado en preguntar eso. Semanas después, ya validados, se convirtieron en un agente que analiza cada trial nuevo y lo suspende dos horas después si el comportamiento corresponde al patrón.

Cuáles son los clientes realmente fieles. No los que más facturan: los que se comportan como si no pensaran irse. Distinción que ningún reporte de ingresos muestra.

Riesgo de churn, leído en el comportamiento antes de que aparezca en la cancelación.

Patrones de consumo de tipo empresarial dentro de la base — clientes que están usando el servicio como empresa aunque estén contratados como personas. Eso es up-sell que existía desde hacía años y nadie podía ver.

Y una capacidad que antes era, literalmente, impensable: cuando un cliente llama a pedir servicio, hoy un agente entrega su panorama de 360 grados en segundos. Antes unos datos estaban en facturación, otros en el help desk, otros en contabilidad, y armar ese 360 para un solo cliente costaba horas. Nadie lo pedía, porque nadie iba a pagar esas horas para atender una llamada.

Por qué no lo habíamos hecho antes

No por falta de herramientas ni de gente capaz. Por una razón estructural: estábamos fusionando reportes en vez de analizar datos.

Un reporte es data ya procesada según lo que alguien decidió que importaba. Cruzar tres reportes para responder una pregunta nueva es un trabajo ingrato y frágil, y el resultado hereda todas las decisiones que se tomaron al construir cada uno. Por eso las preguntas interesantes no se hacían: el costo de responderlas era desproporcionado frente a la curiosidad que las originaba.

La data cruda no tiene ese problema. No viene con las preguntas decididas de antemano.

La lección que conviene llevarse

Todo el mundo quiere empezar por el agente que toma decisiones. Es lo visible, lo que se demuestra bien y lo que está de moda.

Pero el agente es el último paso. El orden real es: consultar → descubrir → validar → automatizar. Sin el primero no hay nada que descubrir; sin la validación no hay nada que se pueda dejar decidiendo solo. Un agente montado sobre información fragmentada decide sobre las mismas tres respuestas contradictorias que hoy recibe usted — solo que más rápido, que es el peor resultado posible.

Y vale la pena repetir el detalle menos impresionante de toda la historia: corría en un Mac mini. Esto no se trata de cuánto se invierte en infraestructura. Se trata de dejar de consultar el negocio a través de reportes que alguien imaginó hace años.

Cómo se ve cuando funciona

No se ve como un tablero nuevo. Se ve así: usted tiene una pregunta en una reunión, la hace, y la respuesta aparece antes de que la reunión termine. Y cuando esa respuesta abre una segunda pregunta —que es lo que pasa siempre con las buenas— esa también se responde ahí mismo.

Esa segunda pregunta es la que hoy se pierde. En el modelo de tres días nadie la hace: no vale la pena arrancar otro ciclo por una curiosidad. Ahí se queda la mayor parte del valor, y ahí estaban los patrones de abuso, los clientes fieles y el up-sell que nadie había visto.

Una pregunta para terminar: en su última reunión de dirección, ¿cuántas preguntas quedaron sin hacerse porque todos sabían que la respuesta iba a tardar?

---