Rob Collie, CEO y Fundador de P3 Adaptive y Autor de Fair Game – Serie de Entrevistas

Rob Collie es el fundador y CEO de P3 Adaptive, un Microsoft Solutions Partner para Datos e IA que atiende a cientos de clientes de mercado medio y Fortune 1000. Anteriormente fue líder de ingeniería en Microsoft en los equipos de Excel, Bing y Power BI; después de dejar Microsoft dirigió la ola de Power BI y ha escrito tres libros anteriores sobre negocio y tecnología (más de 92 000 copias vendidas). También presenta el podcast Raw Data with Rob Collie. Su cuarto libro, Fair Game: Customizing AI to Your Business Is Easier Than You Think (agosto de 2026), lleva esa credibilidad de profesional al momento de la IA.

Pasaste más de una década en Microsoft ayudando a desarrollar funciones de inteligencia empresarial en Excel y Power BI antes de fundar P3 Adaptive en 2013. ¿Cómo influyó esa transición de crear software dentro de Microsoft a resolver problemas de datos para clientes en tu visión actual de la IA empresarial?

Cuando dirigía equipos de producto en Microsoft, construíamos software que debía funcionar para todo el mundo y que no podía adaptarse a las necesidades de un cliente específico. Solíamos llamarlo “pedir una pizza cuyas coberturas fueran aceptables para 300 millones de personas”. Existe, por necesidad, una atmósfera de denominador común más bajo en ese trabajo, así como cierta distancia de los clientes individuales.

Había un prestigio indudable en trabajar en ese gran escenario, pero no resultaba tan satisfactoria emocionalmente como ayudar a clientes específicos a alcanzar sus ambiciones únicas. Al trabajar estrechamente con un cliente, tenemos la oportunidad de invertir en su éxito y explorar soluciones creativas que nunca encajarían en el modelo de negocio único para todos del Gran Software. Es más estimulante intelectualmente en muchos sentidos, y la conexión directa con nuestros clientes hace que los logros sean mucho más gratificantes.

Pero también hay una mayor responsabilidad. En Microsoft, un solo cliente insatisfecho era solo una estadística, y yo descartaba las quejas cada día como parte de simplemente hacer mi trabajo. En P3 Adaptive, un solo cliente insatisfecho significa que hemos fallado. No hay estadísticas. Tenemos una responsabilidad con cada relación.

Aprendí muchas cosas valiosas en Microsoft y no cambiaría esa experiencia por nada, pero a menudo me describo a mí mismo como un “ingeniero de software en recuperación”, porque el éxito ahora significa operar de forma muy diferente.

Y esa es precisamente la perspectiva que llevo a la IA empresarial. La IA lista para usar es la pizza definitiva para 300 millones de personas: una verdadera maravilla, diseñada para ser valiosa individualmente para todos, pero sin estar adaptada a nadie. Pero los éxitos de la IA organizacional provendrán de la personalización: de acercarse a una empresa específica y adaptar la IA a sus datos, sus procesos, sus definiciones. He pasado mi carrera en ambos lados de esa división, y no tengo ninguna duda de cuál será el lado en el que la IA empresarial triunfará.

En Fair Game, sostienes que muchas empresas han abordado la inteligencia artificial de forma inversa, distribuyendo licencias de chatbots de propósito general en lugar de construir sistemas que comprendan sus operaciones. ¿Hasta dónde llegan los límites de los asistentes de IA listos para usar, y qué señales indican que una empresa necesita algo personalizado?

La IA lista para usar tiene un doctorado en todo, excepto en tu negocio. Ha leído todo internet, pero internet no contiene la definición de tu empresa de “cliente activo”, tu lógica de precios, tus procesos operativos, ni cuál de tus dos sistemas confiar cuando discrepan. Ese conocimiento nunca será público. Por eso, la IA genérica que es una maravilla para uso personal se queda corta para el uso empresarial real, y la brecha entre ambas experiencias es tanto desalentadora como confusa.

Hoy, prácticamente la respuesta de todos a “qué hacer con la IA” ha sido “comprar suscripciones y descubrir”. Creo que es un primer paso natural, así que no critico a quien lo haya hecho. En cambio, siento simpatía: nadie se toma realmente el tiempo de explicar que las suscripciones listas para usar no son suficientes, ni por qué. Por eso pienso que las empresas están, básicamente, donde deberíamos esperarlas: probando lo que está disponible y empezando a aprender que es insuficiente.

La solución no consiste en tocar el modelo de IA en sí – no tienes que convertirte en investigador de LLM. Se trata de todo lo que rodea al modelo: tus datos, tus instrucciones escritas en inglés sencillo y el software habitual. Cuando te descubres escribiendo el mismo contexto en un chatbot por quinta vez esta semana, eso es la señal. Todo lo que sigues reexplicando es exactamente lo que un sistema personalizado ya debería saber, cada vez que se activa.

Utilizas el término “Crafters” para describir a profesionales de negocio con conocimientos de datos que pueden construir valiosos sistemas de IA personalizados sin ser desarrolladores de software tradicionales. ¿Qué características distinguen a un Crafter y cómo pueden los líderes identificar a estas personas dentro de su fuerza laboral actual?

Un Crafter es alguien que nace con la necesidad de resolver problemas con herramientas. Aproximadamente uno de cada 16 trabajadores del conocimiento lo tiene, según mi experiencia. Fueron los usuarios avanzados de Excel, luego la generación de Power BI, y después las personas que TI etiquetó como “IT sombra”. Son tus analistas, tus modeladores financieros, tus líderes de operaciones: personas que crecieron en el negocio y descubrieron una habilidad para crear herramientas.

Dos rasgos los hacen ideales para el trabajo con IA. Primero, pensamiento sistémico: descomponen instintivamente un proceso confuso en entradas, reglas y salidas, muy parecido a los desarrolladores de software profesionales. Segundo, arraigo en el negocio: saben qué números observa realmente el CFO y qué es lo que realmente pregunta la persona que formula la cuestión. No puedes enseñar ninguno de los dos en un bootcamp.

Cómo encontrar a los tuyos: sigue las hojas de cálculo. En tu empresa, ahora mismo, hay hojas de cálculo, paneles y automatizaciones en el corazón de flujos de trabajo críticos. Ninguno de ellos fue creado por TI, y cada uno tiene un autor. Empieza allí. Y luego evalúa cómo podrían orientar sus talentos hacia soluciones de IA personalizadas.

¿Por qué crees que los Crafters, más que los desarrolladores por sí solos, están mejor posicionados para liderar muchos proyectos internos de IA, y cómo deberían dividirse las responsabilidades entre expertos de negocio, equipos de datos, ingenieros de software, departamentos de tecnología de la información y equipos de seguridad?

Porque la parte difícil de la IA personalizada no es el código, sino el contexto. La actividad de mayor apalancamiento en un proyecto de IA es decidir qué necesita saber el sistema sobre tu negocio, y los Crafters poseen ese conocimiento de forma nativa. Un ingeniero brillante que llega en paracaídas desde tres niveles jerárquicos más arriba tiene que realizar meses de entrevistas para aprender lo que tu líder de operaciones ya conoce por reflejo.

Pero esto no es, de ninguna manera, una historia de que los desarrolladores son obsoletos. La división del trabajo que recomiendo tiene tres factores, y ninguno de ellos es la senioridad o la personalidad: el trabajo tiende hacia los desarrolladores profesionales a medida que aumentan la reusabilidad, la complejidad y la sensibilidad. Cualquier cosa que tenga cara al cliente, que toque datos sensibles o que tome decisiones autónomas, es territorio de los desarrolladores, y a medida que se multiplican los agentes, esas escasas habilidades de ingeniería se vuelven más valiosas, no menos. El trabajo tiende hacia los Crafters donde domina la sutileza de los procesos de negocio.

También existe un punto medio subestimado: el Crafter construye, el desarrollador audita. TI y seguridad no deben ser guardianes que aprueben proyectos para que existan; deben poseer la vía pavimentada. Proporcionen las plataformas autorizadas, las reglas de acceso a datos, los puntos de control de revisión, y dejen que las personas más cercanas a los problemas hagan la construcción. Traten todo como un modelo de madurez, no como una valla.

La IA personalizada necesita acceso a la terminología, métricas, procesos y conocimiento institucional específicos de la empresa. ¿Qué papel juegan los modelos semánticos y la infraestructura de inteligencia empresarial existente para proporcionar a la IA una comprensión precisa de una compañía?

Son el anillo descifrador. Actualmente, las definiciones de tu empresa – qué cuenta como cliente activo, qué costos forman parte del beneficio bruto – viven en la cabeza de las personas y en mil hojas de cálculo ligeramente inconsistentes. Un agente de IA no puede razonar de forma fiable sobre tus datos hasta que esas definiciones se documenten en una forma que una máquina pueda confiar. La industria ha empezado a llamar a esta disciplina “ingeniería de contexto”, y yo traduciría el término así: es el trabajo de estructurar lo que tu negocio sabe para que una IA pueda usarlo realmente. Los analistas lo hicieron sonar nuevo. Los profesionales de BI lo hacen desde hace quince años.

Esa es la buena noticia que está a la vista: si invertiste en la era de BI (y particularmente si invertiste en Power BI), ya podrías tener una ventaja inicial. Un modelo semántico bien construido es exactamente la captura legible por máquina del significado empresarial que los agentes necesitan. Las compañías que trataron su capa semántica como una reflexión posterior están descubriendo que el trabajo “aburrido” de definición que omitieron se ha convertido ahora en la caseta de peaje en el camino hacia la IA. Y, críticamente, este trabajo es profundamente específico de tu negocio, lo que lo convierte precisamente en la ventaja duradera. Cada proveedor puede venderte el mismo modelo. Nadie puede venderte tus propias definiciones.

Construiste un editor de IA personalizado, llamado Eddie, para ayudar a desarrollar Fair Game. ¿Qué hizo realmente el sistema durante el proceso de escritura, y qué enseñanzas aportaron sus éxitos y fracasos sobre el diseño de IA alrededor de un flujo de trabajo altamente personal?

Para ser claro, escribí cada párrafo del libro desde cero, mientras Eddie se quedaba mayormente esperando. En ocasiones pasaba horas elaborando una sección completa de un capítulo antes de pedirle que la leyera. Otras veces le lanzaba ideas cada pocos minutos. Pero, crucialmente, Eddie estaba disponible 24/7. Podía obtener retroalimentación tan fácilmente a las tres de la madrugada como a la una de la tarde, y él la devolvía en un minuto o menos. En total, sospecho que Eddie leyó el manuscrito al menos treinta veces. Ningún ser humano podría haber hecho este trabajo, porque ningún ser humano lo querría.

Registró las promesas que hice en el Capítulo Tres y me señaló cuando el Capítulo Doce las olvidó. Aprendió mi estilo de escritura y luego lo aplicó, manteniéndome a la mejor versión de mi propia voz en lugar de dejarme caer en el modo de Autor de Negocios Sin Humor. Me indicó cuándo estaba siendo perezoso y cuándo estaba golpeando un caballo muerto. Tuvimos verdaderos desacuerdos, y a veces él ganaba.

La mayor lección de diseño: el “cerebro” de Eddie está escrito en inglés y vive en una carpeta. Cada vez que daba una retroalimentación que fallaba – demasiado genérica, registro incorrecto, olvidando una regla que ya había indicado – la solución era escribir la corrección y hacerla parte de su contexto permanente. Los fallos no fueron fallos de IA; fueron brechas en lo que yo me había tomado la molestia de enseñarle. Ese bucle – notar el error, codificar la lección, observar que se mantiene – es todo el arte de la IA personalizada en miniatura. Y es la razón por la que terminé construyendo Eddies especializados para relaciones públicas, investigación competitiva y mensajería web. El mismo LLM debajo. Pero diferentes especialistas.

Muchas organizaciones creen que deben limpiar y centralizar sus datos por completo antes de intentar IA personalizada. ¿Cuánta preparación de datos es realmente necesaria para comenzar, y cómo pueden las empresas empezar a generar valor sin esperar una base perfecta?

La perfección de los datos no es un requisito previo, y eso es una buena noticia porque la perfección nunca llega. Si te propones primero construir un patrimonio de datos perfecto, como aconsejan muchos consultores, estarás construyendo lo que yo llamo “fontanería por su propio bien” – tuberías caras por todas partes, pero cuando finalmente instalas un grifo, descubres que no hay tubería donde la necesitas.

Nuestra empresa, en cambio, promueve un enfoque de “grifos primero”. Elige un caso de uso específico y trabaja a la inversa desde el impacto empresarial en lugar de avanzar desde la infraestructura. Construye un MVP a partir de ese caso de uso, y hazlo con la mínima infraestructura nueva. Itera el MVP hasta que esté listo para producción, y luego retrocede y evalúa cómo podrías reforzar tu infraestructura para soportarlo. Eso entrega impacto empresarial más rápido, minimiza costos e informa proyectos futuros, tanto a nivel de grifo como de fontanería.

Un prototipo de IA personalizada puede parecer impresionante durante una demostración, pero volverse poco fiable cuando se expone a empleados reales, datos cambiantes y casos límite. ¿Qué evaluación, monitoreo y supervisión humana deberían establecerse antes de que un sistema interno de IA se vuelva operativo?

Con algunas excepciones notables, creo que las demostraciones son menos valiosas en la era de la IA que lo eran en la era del software. Las demos de software siempre prometían de más y todos lo sabíamos. Pero las demos de IA estarán aún más alejadas de tu realidad.

La IA trata sobre flujos de trabajo. Y no hay nada más personalizado que los miles de flujos de trabajo que impulsan las operaciones de una organización específica. Vuelve a la metáfora del “nuevo empleado con doctorado en todo”. ¿Cuánta capacitación – y experiencia práctica trabajando en tu empresa – necesita un nuevo empleado antes de ser efectivo en tu compañía? ¿Cómo puede una demo tener en cuenta todo eso?

Así que usamos demos para hacer que la gente piense. Para mostrarles el arte de lo posible. No para venderles un producto. La demo real comienza con el prototipo de la solución personalizada. El MVP. Y luego iteramos y mejoramos. Rápidamente.

En algún momento está listo para un lanzamiento suave o un programa piloto. Y de nuevo, aprendemos – juntos – y mejoramos rápidamente basándonos en ese aprendizaje. Esta suele ser la fase donde la monitorización, la evaluación y la supervisión comienzan a cobrar claridad. Las cosas que terminas necesitando a menudo son muy diferentes de lo que hubieras supuesto al inicio.

¿Cómo pueden las empresas capacitar a los Crafters para experimentar sin crear una nueva generación de sistemas de IA sombra, flujos de trabajo duplicados, vulnerabilidades de seguridad y herramientas de las que nadie se haga responsable de mantener?

Recuerda de dónde surgió el IT sombra: no fue por malicia, sino por la necesidad de satisfacer una demanda no cubierta. Los Crafters construyen porque los problemas les molestan – ese es el gen. Si la vía autorizada implica esperar un año, la IA sombra llenará el vacío – y lo hará bajo el radar, donde es más peligrosa.

Así que haz que el carril autorizado sea el fácil. Proporciona a los Crafters una plataforma aprobada con las barreras de seguridad ya incorporadas – identidad, acceso a datos, registro – de modo que la opción cumplidora sea también la conveniente. Mantén un registro ligero: cualquier cosa que pase de experimento personal a algo del que dependa una segunda persona debe quedar documentada, con un propietario nombrado. Esa única regla elimina la mayor parte del problema de herramientas huérfanas, porque las herramientas con nombre adjunto no se abandonan silenciosamente.

Luego aplica el modelo de escalada: los experimentos corren libres, pero a medida que algo se vuelve crítico para la misión – más usuarios, mayor sensibilidad, mayor autonomía – gana progresivamente más revisión de ingeniería. El Crafter mantiene la propiedad de la lógica de negocio; un desarrollador refuerza lo que necesita refuerzo. El objetivo es una tubería de madurez, no un proceso de permiso. Las empresas ya ejecutaron esta misma película con hojas de cálculo, y los ganadores no fueron los que prohibieron Excel.

Para una empresa que inicia su primera iniciativa de IA personalizada, ¿cómo debería seleccionar el caso de uso inicial, medir si el proyecto está entregando un valor empresarial significativo y decidir si expandir, rediseñar o abandonarlo?

Tenemos dos enfoques de punto de partida que usamos con nuestros clientes.

Opción uno, busca los trabajos que nadie está haciendo – no los trabajos que te gustaría eliminar. Hay una pregunta que me encanta hacer a los gerentes: ¿dónde has pensado, “si tuviera a una persona observando esto constantemente y pensando en ello, las cosas mejorarían notablemente, pero nunca podría justificar una contratación completa para ello”? Esos suelen ser tus mejores puntos de partida. Son seguros, generan confianza, nadie se siente como un objetivo, y el contrafactual es honesto: la alternativa no era un humano haciéndolo bien, sino que nadie lo hacía (como mi amigo editor Eddie).

Opción dos, considera reemplazar los paneles de control por agentes de datos. Por simples que parecían los paneles, en la práctica quedaban muy lejos de cumplir su promesa. Cuando alguien tiene una pregunta de negocio, implica mucho trabajo traducir esa pregunta al entorno de los paneles. ¿Dónde está el panel que responde a esa pregunta? ¿Cómo se llama? ¿Existe siquiera ese panel? Y si logras encontrar el “correcto”, ¿es claro y cómodo de usar? ¿Tienes que manipularlo repetidamente, anotando o capturando pantallazos de múltiples versiones para armar la visión global que necesitas?

En la era de la IA, simplemente tomas tu pregunta de negocio – con tus propias palabras – y la escribes (¡o la dictas!) a un agente de datos que se encarga de todo por ti, y devuelve una respuesta certificada y bien investigada – con visualizaciones incluidas – en uno o dos minutos. Cuando tienes una pregunta de seguimiento, él responde rápidamente también – en la reunión mientras aún se pueden tomar decisiones.

¿Qué hilo común hay detrás de ambas opciones iniciales? Ambas abordan puntos de dolor que los empleados adoptarán en lugar de resistir. No quieres que tus primeras iniciativas de IA generen desconfianza. Quieres que, en cambio, lleven a los empleados a la mesa. Quieres que los empleados sugieran mejoras e ideas de nuevos proyectos. Porque, de nuevo, tu empresa está compuesta por miles de flujos de trabajo, y tus empleados los conocen mejor que tú.

Sobre expandir, rediseñar o abandonar – sé amable contigo mismo, porque la investigación al respecto es realmente reconfortante: la mayoría de los despliegues exitosos de IA tuvieron fracasos antes. Un primer proyecto que produce una lección en lugar de un retorno es una enseñanza, no evidencia de que la IA no funciona. Mi regla práctica: si la gente la está usando, expándela. Si la gente no la está usando, necesitas saber por qué, y eso puede abarcar una amplia gama de respuestas, desde “porque no funciona bien” hasta “porque no la entiendo” o “me asusta”. La respuesta informa si mejoras, rediseñas o abandonas. No tienes que predecir dónde terminará todo esto. Solo tienes que comenzar en un lugar honesto.

Gracias por la excelente entrevista, los lectores también deberían leer Fair Game: Customizing AI to Your Business Is Easier Than You Think.