Automatizar empresas: 4 barreras que no son tecnológicas

Por qué la automatización falla aunque la tecnología ya esté lista

La optimización matemática y la IA ya permiten automatizar decisiones operativas complejas. El cuello de botella aparece antes: en Fanatics, la empresa de productos deportivos, los trabajadores intervenían manualmente en el 59% de los pedidos incluso con modelos avanzados sobre la mesa. Después de reordenar responsabilidades, incorporar el conocimiento de los operarios y delegar decisiones acotadas al sistema, hoy optimiza alrededor de un millón de pedidos cada noche y más del 90% de las asignaciones se resuelven sin intervención humana.

Para un founder que está decidiendo dónde poner su próximo dólar en automatización, el mensaje es incómodo: el problema casi nunca es el algoritmo, sino la organización que tiene que convivir con él.

Quién es Russell Allgor y por qué su diagnóstico pesa

El diagnóstico lo planteó Russell Allgor, Chief Supply Chain Scientist de Augur y miembro de la National Academy of Engineering (NAE), durante una conferencia organizada por el Tec de Monterrey y la NAE bajo el título From Fragile to Resilient Automation.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Allgor pasó más de 24 años desarrollando sistemas de toma de decisiones en Amazon. Según reportó Fortune, hoy integra el equipo ejecutivo de la startup de software de cadena de suministro con IA fundada por el exejecutivo de Amazon Dave Clark, un equipo en el que casi todos los fichajes senior provienen de la misma compañía. Su frase resume el problema: «Gran parte de lo que separa a un buen modelo de un sistema funcional no es el modelo en sí».

Los 4 obstáculos para automatizar una empresa

A partir de una investigación del Global Supply Chain Institute, Allgor identificó cuatro barreras que se repiten en casi cualquier organización:

Falta de responsabilidades claras. Cuando una decisión cruza varios departamentos, muchas veces nadie tiene autoridad para tomarla ni para modificarla. El sistema recomienda, pero la recomendación queda huérfana.
Información dispersa. Buena parte del conocimiento operativo vive en correos, hojas de cálculo y en la experiencia de los trabajadores, fuera del alcance de cualquier automatización.
La búsqueda de datos perfectos. Las empresas pueden pasar demasiado tiempo corrigiendo información, cuando lo relevante es determinar si los datos disponibles alcanzan para tomar buenas decisiones.
Falta de autoridad para ejecutar. Un modelo puede encontrar la mejor solución, pero si no tiene permiso para aplicarla, su utilidad es limitada.

El primer obstáculo explica el ejemplo que usó el experto: si el área de transporte elige la ruta más barata porque la IA se lo recomienda, pero esa ruta resulta menos confiable, inventarios tendrá que almacenar más producto para prevenir desabastos. Cada área cumple su objetivo y el resultado global sigue siendo ineficiente. Nadie responde por el desempeño de la cadena completa.

El caso Fanatics: cuando el avance no vino del algoritmo

Fanatics desarrolló un algoritmo más eficiente, pero el salto real ocurrió cuando la empresa definió responsabilidades, incorporó el conocimiento de sus trabajadores y autorizó al sistema a modificar determinadas fechas y cantidades. Con esos tres cambios, la intervención manual cayó por debajo del 10% de las asignaciones.

La secuencia importa. Primero se define quién decide qué, después se documenta lo que hoy solo existe en la cabeza de la gente, y recién entonces se le concede autonomía al sistema sobre variables acotadas. Allgor lo resumió en una idea que vale como política interna: «Una vez que el modelo es suficientemente bueno, la autonomía aumenta a medida que la empresa decide delegarle decisiones».

Y agregó el principio que suele faltar en los proyectos de automatización: «La autonomía se gana y la responsabilidad se asigna».

¿Cuánto se puede automatizar de verdad? La evidencia

El caso Fanatics no es una anécdota aislada. Un estudio publicado en 2025 en la revista Production and Operations Management por investigadores de la Kühne Logistics University, la Eindhoven University of Technology y Emory University analizó más de 475.000 decisiones de pedidos tomadas a lo largo de cuatro años en un fabricante de vehículos comerciales con ingresos anuales superiores a 4.000 millones de euros. El resultado, difundido por TechXplore: automatizaron alrededor del 84% de las decisiones, manteniendo a humanos solo donde su criterio mejoraba el resultado.

El enfoque de los investigadores, llamado automatización selectiva, propone cuatro pasos: identificar dónde la corrección humana aporta valor, predecir cuándo la experiencia de la persona mejora la decisión, automatizar solo esas decisiones donde no aporta, y realimentar las correcciones humanas para que el algoritmo aprenda. La clave, según los autores, no es dejarle las decisiones difíciles a las personas, sino predecir en cuáles su intervención realmente mejora el sistema.

¿Qué significa esto para tu startup?

Si lideras un equipo pequeño, la tentación es comprar una herramienta y esperar que resuelva la operación. La evidencia apunta en otra dirección: el trabajo previo es organizativo y es el que decide si la inversión rinde o no.

Mapea decisiones, no software. Lista las diez decisiones operativas que más se repiten en tu empresa y anota, para cada una, quién la toma hoy, con qué datos y quién puede cambiarla. Cada decisión sin dueño claro es un punto donde la automatización se va a trabar.
Audita dónde vive la información. Si el criterio de tu jefe de operaciones para priorizar un pedido está en su cabeza o en una hoja de cálculo personal, ese conocimiento no es automatizable todavía. Documentarlo es parte del proyecto, no un trámite aparte.
Fija un umbral de datos suficientes. Antes de lanzar un proyecto de limpieza de datos que puede durar meses, define qué decisiones necesitas tomar y si la información actual alcanza para tomarlas bien. La perfección de los datos no es el objetivo; la decisión correcta, sí.
Delega autoridad por etapas. Empieza dejando que el sistema ajuste variables acotadas, como fechas o cantidades, con métricas de seguimiento y revisión semanal. La autonomía se amplía cuando los resultados la justifican.
Mide el valor de la intervención humana antes de eliminarla. Registra durante unas semanas cuándo tu equipo corrige la recomendación del sistema y si esa corrección mejora el resultado. Ese registro es la base para decidir qué automatizar y qué dejar en manos humanas.

Conclusión

La conversación sobre automatización en las empresas hispanohablantes suele girar alrededor de qué modelo usar o qué herramienta contratar. El diagnóstico de Russell Allgor, respaldado por su experiencia en Amazon y por la investigación del Global Supply Chain Institute, apunta a otro lado: responsabilidades claras, información compartida y autoridad delegada de forma explícita.

El futuro de la automatización no depende solo de construir sistemas más inteligentes, sino de construir organizaciones capaces de trabajar con ellos. Eso no implica eliminar la participación humana, sino trasladarla hacia las decisiones que requieren más criterio y supervisión. Para un founder, es una buena noticia: parte de ese trabajo no requiere presupuesto de tecnología, solo decisiones de gestión que puedes tomar esta semana.