Lo que nadie te cuenta sobre liderar experimentos con IA

Hay una parte de este trabajo que yo aún no había nombrado en los artículos anteriores. No es técnica. No aparece en un diagrama de flujo ni en un schema de tokens. Pero está presente todos los días del proyecto: la sensación de avanzar sin saber exactamente hacia dónde.

Lo estoy viviendo ahora. En el Proyecto Harness Design System y en la aplicación de IA en el upstream, estamos avanzando. Hay resultados concretos: la gobernanza de tokens que describí en el artículo anterior es real, funciona, y el equipo logra operarla. Pero el progreso real convive con una imprevisibilidad que no disminuye a medida que el proyecto avanza. Cambia de forma.

El problema con un experimento es que es un experimento

Cuando estás construyendo algo que ya se construyó antes, el alcance es relativamente estable. Puede que no sepas cuánto tiempo va a tomar, pero sabes lo que vas a encontrar en el camino. El terreno ya fue mapeado por alguien.

Cuando estás probando algo que nadie en tu contexto hizo antes, el alcance es una hipótesis. Cada semana revela algo que cambia lo que creías saber. En el artículo sobre tokens conté que la estimación era cerrar en una semana y no cerró. No fue una falla de planificación. Fue el proyecto mostrando su complejidad real a medida que nos metíamos en él. La tipografía se trabó de una forma que nadie había previsto. El bind exigió un camino que no estaba en el plan original. La pregunta de dónde debía vivir el JSON se convirtió en una discusión de infraestructura que tomó tiempo de verdad.

Eso es lo que hace un experimento. Revela lo que no sabías que no sabías.

El problema es que los equipos, las empresas y los stakeholders generalmente no están calibrados para este tipo de trabajo. Existe una expectativa implícita, a veces explícita, de que debes saber lo que va a pasar antes de hacerlo. Y cuando no lo sabes, parece falta de preparación.

Lo que esto produce en quien lidera

Hay un costo humano en esto que vale la pena nombrar, porque es real y se habla poco de él.

Liderar un experimento con IA en una empresa que depende de resultados predecibles genera una tensión permanente. Por un lado, el proyecto pidiendo atención a lo que está pasando ahora, al ajuste de rumbo, al hallazgo que llegó el miércoles y cambió lo que ibas a presentar el jueves. Por el otro, la presión legítima de reportar progreso, defender prioridad, justificar el tiempo asignado.

Esa tensión produce ansiedad. Y la ansiedad produce una tentación específica: prometer más de lo que sabes para parecer que tienes el control. Anticipar resultados que aún no existen. Presentar el plan como más sólido de lo que es para no parecer que estás improvisando.

Entiendo esa tentación. La he sentido. Y aprendí que es el camino más corto hacia un problema mayor.

La única salida que encontré

La transparencia no es una estrategia de comunicación. Es la única postura que funciona cuando estás en territorio genuinamente nuevo.

Lo que eso significa en la práctica: traer a los líderes a la conversación antes de tener respuestas, no después. No llegar con el resultado, sino con el mapa de lo que se está descubriendo. Hablar de lo que salió bien y de lo que no con el mismo peso. Proteger al equipo de la presión de entregar certezas que el proyecto todavía no permite.

Esto exige un tipo específico de valentía: no la valentía de avanzar a pesar del riesgo, sino la valentía de mostrarse vulnerable ante quienes esperan que sepas lo que estás haciendo. De decir "todavía no sé" a quien tiene un interés legítimo en saber.

En nuestro proyecto, lo que ha funcionado es mantener a los stakeholders en el circuito de forma continua, no solo en los hitos. Cuando el alcance cambia, y va a cambiar, ya tienen contexto suficiente para entender por qué. Cuando un resultado no es el esperado, llega como aprendizaje dentro de una conversación que ya estaba ocurriendo, no como sorpresa en una presentación.

Esto no elimina la tensión. Pero deja de tratarse de credibilidad y pasa a tratarse del problema real: cómo avanzar en un terreno que nadie ha mapeado todavía.

Lo que queda

No tengo un método listo para gestionar la imprevisibilidad en proyectos con IA. Creo que nadie lo tiene todavía, al menos no uno que funcione en todos los contextos.

Lo que tengo es una postura: proteger al equipo de prometer lo que no se puede prometer, mantener a los líderes dentro de la realidad de lo que está pasando, y tratar cada hallazgo, incluso los que complican el camino, como información válida, no como un fracaso que esconder.

Los experimentos son así. El resultado no es solo lo que funciona al final. Es todo lo que se aprendió en el camino.