Jason Wojahn, director ejecutivo de KMS Technology – Serie de entrevistas

Jason Wojahn es director ejecutivo de KMS Technology y cuenta con cerca de tres décadas de experiencia en la creación y expansión de empresas de servicios tecnológicos para grandes organizaciones. Cofundó Thirdera y estuvo al frente de la empresa antes de que Cognizant la adquiriera; anteriormente, dirigió el negocio global de ServiceNow de Accenture y ocupó puestos directivos en Cloud Sherpas e IBM Global Services. Su trabajo se centra en la transformación empresarial, los modelos operativos y la conversión de los avances en IA en resultados empresariales cuantificables.

KMS Technology es una empresa de ingeniería digital, datos e IA que ayuda a las organizaciones a desarrollar software, modernizar aplicaciones, fortalecer sus bases de datos e implementar IA en entornos de producción. Sus servicios abarcan consultoría técnica, ingeniería de productos, ingeniería de datos y automatización inteligente de flujos de trabajo. En esta entrevista, Wojahn habla de la «economía de la ejecución», de la brecha entre los proyectos piloto de IA y su puesta en producción, de la autoridad de decisión de los agentes y de cómo las empresas pueden medir los avances a través de resultados integrales.

Ha dedicado tres décadas a crear y expandir organizaciones tecnológicas empresariales: desde hacer crecer Navigis y dirigir el negocio global de ServiceNow de Accenture hasta crear Thirdera y, ahora, ejercer como director ejecutivo de KMS Technology. ¿Cómo han influido estas experiencias en su perspectiva sobre la transformación empresarial y qué le atrajo del reto de ayudar a las organizaciones a convertirse en empresas nativas de IA?

Empecé en IBM Global Services, donde dirigía la prestación de servicios para grandes clientes empresariales. Después trabajé en Navigis, Cloud Sherpas, Accenture, Thirdera y Cognizant; casi toda mi trayectoria se desarrolló en el ecosistema de ServiceNow.

Este es el patrón que no dejaba de observar. Cada nueva ola de plataformas prometía transformar las empresas, pero rara vez era la tecnología la que determinaba quién triunfaba. Las ganadoras eran las empresas que cambiaban la forma en que el trabajo circulaba realmente por la organización.

Los años en ServiceNow me enseñaron que el valor reside en los flujos de trabajo, no en los paneles de control. Durante treinta años, el software empresarial se volvió muy eficaz para decirnos qué estaba pasando. En cambio, era mucho menos eficaz para hacer algo al respecto. Las personas cubrían esa brecha. Se convirtieron en el equipo de integración no remunerado que trasladaba el trabajo de un sistema a otro.

La IA cambia eso. La inteligencia es cada vez más abundante. Lo que ahora escasea es la capacidad de convertirla en acciones coordinadas. Eso fue lo que me llevó a KMS: la experiencia en ingeniería necesaria para crear sistemas que hagan el trabajo, en lugar de limitarse a seguirlo, y la oportunidad de convertirnos en una empresa nativa de IA, en vez de simplemente habilitada para la IA.

Muchas empresas han demostrado con éxito el potencial de la IA mediante proyectos piloto, pero tienen dificultades para transformar esos primeros logros en valor a escala de producción. ¿Cuáles son los obstáculos más habituales que encuentran las organizaciones al pasar de la experimentación a la implementación y por qué suelen aflorar estos problemas solo después de que la tecnología haya demostrado su eficacia?

Un proyecto piloto demuestra que el modelo funciona. La puesta en producción demuestra que la organización funciona.

Son pruebas muy distintas. Un proyecto piloto se ejecuta con datos limpios y seleccionados, un patrocinador comprometido y un equipo pequeño que encuentra soluciones para sortear cada obstáculo. Está diseñado para evitar las partes difíciles.

La puesta en producción no permite evitarlas. Ahora el agente tiene que acceder a cinco sistemas en lugar de uno. Alguien debe responsabilizarse del resultado cuando algo sale mal, decidir qué puede aprobar y asumir el costo de ejecutarlo a diario.

Por eso estos problemas aparecen después de que la tecnología haya demostrado su eficacia. Nunca fueron problemas tecnológicos. Son problemas relacionados con los datos, la integración, la responsabilidad y la autoridad, y el proyecto piloto se diseñó para esquivarlos todos.

La solución es dejar de tratar los proyectos piloto como demostraciones. Hay que considerarlos la primera fase de la puesta en producción. Elijan un flujo de trabajo importante, conéctenlo a los sistemas reales, asignen a una persona responsable y definan qué puede decidir el agente desde el primer día. Así se tarda más en empezar, pero se puede ampliar mucho más rápido.

Ha descrito un cambio hacia una «economía de la ejecución», en la que la ventaja competitiva depende cada vez más de la capacidad de una organización para convertir la inteligencia en acciones coordinadas. ¿Qué significa este concepto en la práctica y cómo cambia la manera en que las empresas deberían abordar sus inversiones en IA?

Todo trabajo sigue la misma cadena: información, conocimiento, decisión y ejecución.

Durante décadas, el software empresarial se centró en las dos primeras etapas, y la IA está mejorando rápidamente las tres primeras. La ejecución sigue siendo el punto donde la mayoría de las organizaciones se atasca, y es ahí donde se está trasladando la ventaja.

En la práctica, la economía de la ejecución significa que la inteligencia ya no es el recurso escaso. Lo escaso es hacer las cosas. Dos empresas pueden contar con los mismos modelos, los mismos datos y los mismos conocimientos. La ganadora será la que convierta esos conocimientos en acciones coordinadas, con autoridad clara y un registro de auditoría.

Eso cambia la forma de invertir. Hoy, la mayoría de los presupuestos de IA se destinan a herramientas: copilotos, asistentes y mejores sistemas de búsqueda. Estas herramientas permiten que cada persona trabaje más rápido. Pero una propuesta redactada por IA en diez minutos aún puede tardar tres días en recibir aprobación. Completar tareas más rápido no significa obtener resultados más rápido.

Por eso, hay que financiar flujos de trabajo, no herramientas, y empezar por plantear otra pregunta. No «¿Cómo podemos aumentar un 20 % la productividad de este empleado?», sino «¿Qué tareas ya no deberían requerir coordinación humana?»

A medida que la IA pasa de ayudar a los empleados con tareas individuales a ejecutar de forma autónoma flujos de trabajo completos, ¿cómo deben replantearse las organizaciones sus procesos actuales, sus estructuras de toma de decisiones y sus modelos de rendición de cuentas?

La mayoría de los procesos empresariales se diseñaron en función de las limitaciones humanas. La información circulaba lentamente, así que creamos reuniones. Las decisiones requerían supervisión, así que creamos cadenas de aprobación. Gran parte de lo que llamamos proceso no es más que traspasos de tareas entre personas.

Si automatizas ese proceso tal como está, automatizas el organigrama. Obtienes traspasos más rápidos, no menos traspasos.

El replanteamiento empieza por las decisiones, no por las tareas. Para cada flujo de trabajo, identifica las decisiones que lo componen. ¿Qué puede recomendar un agente? ¿Qué puede decidir? ¿Qué puede ejecutar por su cuenta? ¿En qué momento debe intervenir una persona?

La autoridad se aplica a las decisiones, no a flujos de trabajo completos. Es posible confiar plenamente en un agente para conciliar una factura y, aun así, necesitar que una persona apruebe cualquier pago que supere un límite establecido.

La rendición de cuentas no desaparece. Se vuelve más clara. Las personas y los agentes comparten la responsabilidad de la ejecución: los agentes se encargan del trabajo, y las personas definen la autoridad, gestionan las excepciones y asumen la responsabilidad del resultado. Cada agente debe tener una persona responsable identificada, y cada acción debe poder rastrearse y, cuando sea posible, revertirse.

El liderazgo pasa de coordinar el trabajo a diseñar los sistemas que lo ejecutan.

En KMS Technology, se centran en transformar la ingeniería digital tradicional en una ejecución empresarial nativa de IA. ¿Cómo se manifiesta internamente esta transformación y cómo aborda KMS la integración de la IA, las plataformas de datos y la orquestación inteligente de flujos de trabajo para obtener resultados empresariales medibles?

Primero estamos aplicando este mismo enfoque a nuestra propia empresa. KMS nació como una empresa de ingeniería digital. Nuestra próxima etapa es la ejecución empresarial nativa de IA: desarrollar, modernizar y operar, con personas y agentes que comparten la responsabilidad de la ejecución. Los resultados se reflejan en el tiempo y el esfuerzo:

Desarrollar. Evergreen Telehealth quería una plataforma de telesalud basada en IA agéntica y en el estándar FHIR para datos sanitarios, pero no había nada parecido en el mercado. Con un enfoque nativo de IA y Claude integrado en las fases de requisitos, diseño, desarrollo y pruebas, nuestro equipo y los ingenieros de Evergreen llevaron la plataforma principal del concepto a producción en 75 días laborables. El proyecto abarcó tres aplicaciones (web, iOS y Android), cuatro integraciones activas (historia clínica electrónica, verificación de identidad, pagos y farmacia) y dos agentes en producción. El modelo estuvo dirigido por personas y acelerado por IA. Los agentes redactaron historias de usuario, generaron código y ejecutaron pruebas. Los ingenieros se responsabilizaron de la arquitectura, la asignación de los datos clínicos y todas las decisiones importantes.

Modernizar. Otro ejemplo: una empresa de software marítimo necesitaba sustituir una plataforma que había operado en sus propias instalaciones durante más de 20 años. No podía justificar una reconstrucción tradicional de larga duración antes de que los inversores vieran avances, así que llevamos a cabo un desarrollo agéntico con un plazo fijo de seis semanas. Cargamos los requisitos del cliente como contexto, de modo que los agentes desarrollaran el producto conforme a las especificaciones, en lugar de limitarse a generar código. El equipo completó entre el 35 y el 45 por ciento del alcance del producto mínimo viable (MVP) en unas 800 horas de trabajo del equipo, frente a una estimación inicial de entre 6.000 y 8.000 horas. Los agentes escribieron el código y más de 5.000 pruebas unitarias. Los ingenieros establecieron las salvaguardas y evaluaron la calidad.

Operar. Desde entonces, Evergreen ha ampliado su arquitectura de agentes a toda la empresa, con agentes supervisores que monitorizan el sistema y personas que intervienen para evaluar y corregirlo.

No solo escribimos código más rápido. Estamos cambiando la cantidad de trabajo que un equipo puede ejecutar.

En los tres casos, las personas y los agentes comparten la responsabilidad de la ejecución. Los agentes se encargan del trabajo repetitivo. Nuestros ingenieros y los equipos de nuestros clientes se responsabilizan de las decisiones, las excepciones y los resultados.

Este mismo cambio nos permite multiplicar el impacto de la entrega. Esa es la diferencia entre una entrega nativa de IA y una entrega habilitada por IA.

Los sistemas empresariales de IA dependen cada vez más del acceso a información repartida entre aplicaciones heredadas fragmentadas, plataformas en la nube y entornos de datos. ¿Qué importancia tiene el reto de conectar estos sistemas y qué bases arquitectónicas deberían establecer las organizaciones antes de intentar desplegar flujos de trabajo impulsados por IA a gran escala?

Es el reto principal. La mayoría de las empresas no tienen un problema de IA. Tienen un problema de fragmentación que la IA ha vuelto imposible de ignorar.

Fíjate en cómo se trabaja hoy. Alguien encuentra información en una aplicación, persigue una aprobación en otra y copia el resultado en una tercera. Las personas son la capa de integración. Un agente no puede hacer ese trabajo si no puede acceder a esos sistemas, comprender el contexto y actuar con los permisos adecuados.

Por eso, las bases importan más que el modelo. Hay cuatro prioridades:

• una arquitectura de datos moderna que proporcione a los agentes contexto fiable
• una capa de integración que permita a los agentes actuar en distintos sistemas, no solo leer sus datos
• identidad y permisos diseñados para agentes, no solo para personas
• monitorización que permita ver qué hizo cada agente y por qué

La pila tecnológica también se está simplificando. Las plataformas de datos están adquiriendo funciones operativas, las plataformas de flujos de trabajo se están volviendo inteligentes y las aplicaciones están dejando de tener interfaz propia. Si el flujo de trabajo puede atravesar toda la pila, ¿por qué tendría que hacerlo el usuario?

No esperes a tener una arquitectura perfecta. Elige un flujo de trabajo importante y moderniza todo lo que afecta. Después, pasa al siguiente.

Cuando los agentes de IA empiezan a tomar decisiones y ejecutar acciones en distintas áreas de las operaciones empresariales, cobran cada vez más importancia las cuestiones de gobernanza, rendición de cuentas y supervisión humana. ¿Cómo deberían determinar las empresas qué decisiones pueden delegarse en la IA y cuáles deben permanecer bajo control humano?

Yo empezaría por reformular la pregunta. No «¿Puede hacerlo la IA?». Cada vez más, la respuesta es sí. La pregunta más adecuada es «¿Quién le dio permiso para actuar?».

Tener capacidad y acceso no significa tener autoridad. Cuando un agente puede aprobar un reembolso, modificar un calendario de producción o comprometer gastos, alguien debe establecer los límites.

Una prueba práctica consiste en valorar el costo y la reversibilidad. Una decisión de gran volumen, basada en reglas y fácil de revertir es una buena candidata para delegarla. Una decisión de gran impacto, irreversible o que define la relación con un cliente debería quedar en manos de una persona.

La delegación también hay que ganársela. Empieza con agentes que hacen recomendaciones y una persona que las aprueba. A medida que se acumulan pruebas, pasa de pedirle a esa persona que apruebe cada acción a que supervise el sistema y gestione las excepciones.

El objetivo no es que haya una persona en cada ciclo, sino que esté presente en los ciclos adecuados. Los datos aportan contexto. Los modelos razonan. Los agentes ejecutan. Las personas establecen la autoridad y asumen las consecuencias.

Has dirigido importantes empresas de plataformas empresariales en Accenture y Cognizant, donde ampliar las operaciones exigía coordinar tecnología, personas y procesos en organizaciones globales. ¿Qué enseñanzas de esas experiencias pueden aplicarse a los actuales esfuerzos de transformación mediante IA, especialmente cuando la resistencia organizativa o los modelos operativos obsoletos se convierten en obstáculos mayores que la propia tecnología?

La integración me enseñó más que cualquier otra cosa. En Cloud Sherpas, luego en Accenture y más tarde en Cognizant, pasé años integrando organizaciones. Para que funcionaran como una sola empresa de plataformas, hubo que coordinar culturas, modelos de prestación de servicios, incentivos y regiones diferentes.

Rara vez la tecnología era el obstáculo. Lo era el modelo operativo.

Tres enseñanzas se aplican directamente a la transformación mediante IA.

Primero, la resistencia suele tener motivos razonables. Las personas protegen aquello por lo que se las evalúa. Si introduces agentes y sigues midiendo a los equipos por horas, número de empleados y actividad, obtendrás acatamiento, no cambio. Cambia los indicadores y cambiará el comportamiento.

Segundo, los derechos de decisión deben quedar explícitos. En todas las integraciones, las conversaciones más difíciles giraban en torno a quién decide qué. La IA vuelve ineludible esa pregunta, porque algunos de quienes toman decisiones ya no son personas.

Tercero, aclara qué se mantiene igual. Las personas asimilan mejor el cambio cuando entienden por qué se produce y saben qué no va a cambiar.

La transformación mediante IA es un cambio del modelo operativo que, además, implica tecnología. Los líderes que la traten como un despliegue de software se llevarán una decepción.

Los indicadores tradicionales de éxito de la IA suelen centrarse en las tasas de adopción, las mejoras de productividad y el tiempo ahorrado. ¿Qué indicadores deberían priorizar los directivos para determinar si la IA está mejorando realmente la ejecución del negocio, y cómo pueden distinguir las organizaciones entre mejoras graduales de eficiencia y una transformación operativa significativa?

La adopción y el tiempo ahorrado son indicadores de entrada. Te dicen que la gente usa la herramienta, no si el negocio avanza más rápido.

Si un ingeniero ahorra dos horas, pero la publicación sigue esperando una semana a que la revisen, para el cliente nada ha cambiado. Completar tareas más rápido no significa obtener resultados más rápido.

Yo priorizaría tres tipos de indicadores:

• Tiempo desde la necesidad hasta el resultado: cuánto tarda una solicitud en convertirse en un resultado, de principio a fin.
• Dónde se atasca el trabajo: cuánto tardan las decisiones, cuánto duran los traspasos y las colas entre equipos.
• Trabajo sin coordinación: qué parte de un flujo de trabajo se ejecuta sin que las personas tengan que coordinarla, mientras estas se centran en el criterio y las excepciones.

Después, vincula esos indicadores con el negocio: costo de prestación del servicio, calidad e ingresos.

La prueba de que ha habido una transformación es sencilla. ¿Se completó más rápido la tarea o cambió la estructura del flujo de trabajo? Las mejoras graduales agilizan el mismo proceso. La transformación elimina los pasos, traspasos y aprobaciones que ya no hacen falta.

Mide el tiempo desde la necesidad hasta el resultado. Averigua dónde se atasca el trabajo. Cambia lo que lo retiene allí.

De cara a los próximos tres a cinco años, ¿cómo prevés que evolucionará la relación entre la IA, el software empresarial y los trabajadores? ¿Imaginas un futuro en el que los sistemas nativos de IA sustituyan por completo los flujos de trabajo empresariales tradicionales? ¿Qué deberían hacer hoy los líderes empresariales para prepararse para esa transición?

Durante treinta años, el software empresarial nos ha dicho qué estaba pasando. En los próximos tres a cinco años, cada vez más se encargará de hacer el trabajo.

La IA reemplazará la coordinación: perseguir tareas, copiar, transferir y dar seguimiento, actividades que ocupan gran parte del día de la mayoría de las personas. Las personas se dedicarán más al criterio, las excepciones, las relaciones y a asumir la responsabilidad de los resultados. Es una mejor manera de aprovechar la experiencia humana, pero requiere nuevas capacidades, y los líderes deben desarrollarlas de forma deliberada.

¿Qué deberían hacer los líderes hoy? Elegir un flujo de trabajo importante y trazar las decisiones que implica. Corregir los datos que lo sustentan. Definir qué decisiones puede tomar el agente y nombrar a la persona responsable del resultado. Luego, pasar al siguiente flujo de trabajo.

Las empresas que traten la IA como una herramienta ganarán eficiencia. Las que se reorganizen en torno a ella obtendrán una ventaja multiplicadora. La IA no es la estrategia. La ejecución sí.

Gracias por esta excelente entrevista. Los lectores que deseen explorar la ejecución empresarial nativa de IA, los flujos de trabajo inteligentes y la transición de los proyectos piloto de IA a la producción pueden visitar KMS Technology.