Metodología de Células Operativas de Inteligencia Artificial 2.0
Actualizado: 7 sept
ENTERPRISETHINKING · PAPER 03 · POSITION PAPER
METODOLOGÍA DE
Células Operativas de Inteligencia Artificial 2.0
De tareas aisladas a capacidades operativas que coordinan, recuerdan, actúan y aprenden
CEREBRO + MEMORIA + ACCIÓN
Manuel Yáñez Herrero
Creador de EnterpriseThinking y fundador de la Arquitectura de Inteligencia Organizacional
Versión 1.0 | Septiembre de 2026
Resumen ejecutivo
La adopción empresarial de inteligencia artificial comenzó, en gran medida, como una suma de usos individuales: redactar un correo, resumir un documento, analizar una tabla, generar una presentación o responder una pregunta. Estas aplicaciones pueden ahorrar tiempo y elevar la calidad de determinadas tareas. Sin embargo, una colección de tareas más rápidas no constituye por sí misma una nueva capacidad organizacional.
El siguiente salto exige cambiar la unidad de diseño. La empresa no debe comenzar por preguntar qué agente, modelo o plataforma quiere desplegar, sino qué decisión recurrente, resultado operativo o flujo de trabajo necesita transformar. A partir de esa capacidad se diseñan personas, criterios, información, memoria, agentes, herramientas, controles y mecanismos de aprendizaje como un sistema coherente.
EnterpriseThinking denomina célula operativa de inteligencia artificial a una unidad sociotécnica diseñada alrededor de una capacidad o decisión recurrente. La célula integra personas, agentes de IA, memoria gobernada, reglas, herramientas y conexiones de ejecución para convertir una solicitud en una acción trazable, sujeta a validación y capaz de producir aprendizaje.
La arquitectura se expresa mediante tres componentes inseparables: Cerebro + Memoria + Acción. El Cerebro interpreta, coordina y aplica criterios. La Memoria conserva conocimiento autorizado, contexto operativo y experiencia acumulada. La Acción conecta la decisión con los sistemas donde el trabajo debe ocurrir. La gobernanza establece identidad, permisos, límites, aprobaciones, trazabilidad y responsabilidad humana.
La versión 2.0 no describe un estándar industrial ni una generación tecnológica universal. Es una distinción metodológica de EnterpriseThinking. Separa el uso aislado de IA —centrado en prompts, respuestas y productividad individual— del diseño de sistemas de uso capaces de operar de manera recurrente dentro de una organización.
El método propone cinco fases: Mapa de decisiones, Mapa de información, Mapa de sistemas, Mapa de ejecutabilidad y Diseño de célula. Su propósito es evitar que la empresa automatice antes de comprender, conecte antes de gobernar o escale antes de aprender.
La posición de este paper es concreta: la unidad de diseño no es la herramienta. Es la capacidad operativa que la organización necesita construir y gobernar.
1. La posición
Muchas iniciativas de inteligencia artificial empiezan con una demostración convincente. Un modelo redacta una propuesta, un asistente consulta documentos, un agente actualiza un registro o un flujo genera una respuesta. La prueba funciona y parece anunciar una transformación. Cuando se intenta llevarla a la operación aparecen las preguntas que la demostración no resolvió: ¿qué información es válida?, ¿quién define los criterios?, ¿qué puede ejecutar el sistema?, ¿qué requiere aprobación?, ¿cómo se trata una excepción?, ¿dónde se conserva el resultado?, ¿quién responde cuando falla?
Estas preguntas no son obstáculos posteriores a la innovación. Son el diseño de la innovación.
La diferencia entre una demostración y una capacidad operativa no está solo en la precisión del modelo. Está en la arquitectura que conecta intención, conocimiento, decisión, ejecución y responsabilidad. Un agente puede producir una respuesta. Una organización necesita que esa respuesta corresponda al contexto correcto, utilice información autorizada, respete políticas, active acciones permitidas, deje evidencia y mejore con el resultado.
La adopción basada exclusivamente en herramientas fragmenta la inteligencia. Cada usuario construye sus propios prompts, carga sus propios documentos, interpreta los resultados con criterios implícitos y traslada manualmente la respuesta a otros sistemas. La empresa obtiene actividad asistida, pero no necesariamente una forma común de operar.
Una empresa no necesita más agentes aislados. Necesita unidades capaces de convertir decisiones en acción sin perder criterio, memoria ni responsabilidad. |
2. De la tarea a la capacidad operativa
Una tarea tiene un inicio y un final delimitados. Resumir un contrato, redactar un mensaje o clasificar una solicitud puede completarse en una interacción. Una capacidad operativa, en cambio, debe funcionar de manera recurrente bajo condiciones variables. Tiene propietarios, entradas, criterios, excepciones, dependencias, consecuencias y una expectativa de desempeño.
Cotizar un servicio no es simplemente calcular un precio. Exige comprender la solicitud, verificar datos, consultar tarifas, interpretar reglas comerciales, estimar costos, aplicar márgenes, reconocer excepciones, obtener autorizaciones, generar un documento, registrar la oportunidad y aprender de la diferencia entre lo cotizado y lo ocurrido. Automatizar uno de esos pasos puede ayudar. Diseñar la capacidad exige comprender el conjunto.
La unidad de diseño determina lo que la organización ve. Si empieza por la herramienta, buscará casos donde utilizarla. Si empieza por la tarea, optimizará un fragmento. Si empieza por la capacidad, podrá diseñar el sistema humano y tecnológico necesario para producir un resultado confiable.
Esta distinción desplaza la conversación desde “qué puede hacer la IA” hacia cinco preguntas organizacionales:
Qué resultado recurrente debe producirse
Qué decisiones hacen posible ese resultado
Qué información, criterios y sistemas intervienen
Qué debe realizar una persona, una IA, una automatización determinista o una combinación
Qué condiciones permiten ejecutar, supervisar, corregir y aprender
Automatizar una tarea no crea una capacidad. Conectar pensamiento, memoria y acción sí.
3. Qué es una célula operativa de IA
Una célula operativa de inteligencia artificial es una unidad sociotécnica orientada a un propósito operativo definido. No es únicamente software. Tampoco es un nuevo departamento ni una sustitución automática de un puesto. Es una configuración explícita de trabajo en la que personas y sistemas colaboran para producir una decisión o resultado recurrente.
La definición contiene seis condiciones.
Primero, existe un propósito operativo verificable. La célula se diseña para cotizar, abastecer, resolver, evaluar, conciliar, programar o cumplir otra capacidad identificable, no para “usar IA”.
Segundo, existe una entrada reconocible y un estado que puede seguirse. La célula sabe qué activa el trabajo, qué información falta, en qué etapa se encuentra y qué representa su terminación.
Tercero, existen roles diferenciados. Alguien diseña, alguien aporta contexto, alguien valida, alguien aprueba excepciones, alguien supervisa y alguien responde por el desempeño. Los agentes también pueden especializarse, pero no adquieren por ello responsabilidad organizacional.
Cuarto, existe memoria gobernada. La célula no depende de que un usuario recuerde qué documento cargar o qué instrucción copiar. Utiliza fuentes identificadas, reglas vigentes, contexto autorizado y registro de decisiones.
Quinto, existe capacidad de acción limitada. La célula se conecta con herramientas y sistemas para ejecutar únicamente lo permitido. Las acciones de mayor impacto requieren controles proporcionales.
Sexto, existe un circuito de aprendizaje. Los resultados, errores y excepciones se convierten en correcciones de criterios, información, procesos o instrucciones. El aprendizaje no se confunde con permitir que un modelo cambie solo.
Un agente produce. Una célula coordina, recuerda, actúa y aprende. |
4. Por qué 2.0
“2.0” nombra una evolución en el enfoque de diseño de EnterpriseThinking. No pretende establecer una taxonomía universal ni afirmar que todas las organizaciones atraviesen las mismas etapas.
En una lógica 1.0, la inteligencia artificial se incorpora alrededor de la interacción individual. El centro es el prompt; el producto es la respuesta. El contexto suele reconstruirse en cada conversación, el usuario transfiere manualmente el resultado y la calidad depende de prácticas personales difíciles de observar. Incluso cuando existen agentes, pueden seguir funcionando como islas: cada uno resuelve una tarea, utiliza su propio contexto y entrega su salida al siguiente punto sin una memoria común ni un gobierno integral.
En la lógica 2.0, el centro es una capacidad recurrente. El producto no es una respuesta, sino un resultado operativo trazable. La IA participa dentro de una arquitectura que conserva estado, asigna funciones, consulta conocimiento autorizado, aplica criterios, acciona herramientas, escala excepciones y registra lo ocurrido.
Dimensión | Uso aislado de IA | Célula operativa 2.0 |
Unidad de diseño | Prompt o tarea | Capacidad o decisión recurrente |
Contexto | Reconstruido por el usuario | Disponible como memoria gobernada |
Coordinación | Conversación o traspaso manual | Orquestación explícita de roles y estados |
Ejecución | Copiar, pegar o activar un flujo | Acciones conectadas con permisos y controles |
Supervisión | Revisión informal | Validación, aprobación y escalamiento definidos |
Evidencia | Historial de conversación | Trazabilidad de fuentes, criterios, decisiones y acciones |
Mejora | Ajustar el prompt | Corregir el sistema de trabajo |
La versión 2.0 no elimina el uso individual. Lo sitúa dentro de una arquitectura mayor cuando el impacto, la recurrencia o la interdependencia de la tarea lo justifican.
5. La arquitectura: Cerebro + Memoria + Acción
Figura 1. Arquitectura de una célula operativa de inteligencia artificial.
Los tres componentes describen funciones, no productos específicos. Una organización puede implementarlos con distintas tecnologías. Lo esencial es que las funciones existan, estén conectadas y tengan responsables.
Cerebro
El Cerebro convierte una solicitud en una secuencia gobernada de interpretación, análisis, decisión y coordinación. Contiene el propósito, los criterios, las instrucciones, la asignación de roles y la lógica para tratar condiciones normales y excepcionales.
Puede incluir personas, modelos, agentes especializados, reglas deterministas y mecanismos de orquestación. Su función no es simular una mente única, sino coordinar distintas capacidades. Un agente puede extraer información; otro comparar alternativas; una regla puede verificar un límite; una persona puede interpretar una excepción comercial. El Cerebro determina qué contribución se necesita, en qué orden y bajo qué criterios.
Memoria
La Memoria proporciona continuidad. Reúne tres clases de conocimiento: información canónica —políticas, tarifas, contratos, catálogos—; estado operativo —solicitud, cliente, avance, pendientes—; e historia de decisión —supuestos, fuentes, aprobaciones, resultado y correcciones—.
No toda información debe convertirse en memoria de la célula. Cada fuente necesita propietario, vigencia, permisos, calidad esperada y condiciones de uso. La conversación anterior puede aportar contexto, pero un historial de chat no sustituye una base de conocimiento ni un registro de decisión.
Acción
La Acción transforma una decisión en un cambio verificable: crear una cotización, actualizar un CRM, solicitar una aprobación, emitir una orden, enviar una notificación o registrar una incidencia. Aquí la IA deja de limitarse a producir lenguaje y entra en la operación.
Esa capacidad exige límites explícitos. Debe conocerse qué herramienta puede utilizarse, con qué identidad, sobre qué datos, hasta qué umbral, con qué confirmación y cómo puede revertirse. Una acción plausible no es necesariamente una acción autorizada.
Gobernanza y responsabilidad humana
La gobernanza atraviesa los tres componentes. Define permisos, prohibiciones, responsables, umbrales, validaciones, escalamiento, registro, evaluación y respuesta ante incidentes. La responsabilidad humana no significa revisar manualmente cada microacción. Significa que existen personas con autoridad y capacidad real para definir el sistema, aceptar riesgos, intervenir y responder por sus consecuencias.
Cerebro sin memoria improvisa. Memoria sin acción archiva. Acción sin cerebro automatiza ciegamente. |
6. Lo que una célula no es
Una interfaz conversacional conectada a documentos no constituye necesariamente una célula. Puede responder preguntas sin conservar estado operativo, sin ejecutar acciones y sin tener criterios para resolver excepciones.
Un flujo automatizado tampoco constituye necesariamente una célula. Puede mover datos con precisión, pero carecer de interpretación, memoria contextual o capacidad para reconocer cuándo el caso dejó de ser normal.
Un conjunto de agentes no constituye necesariamente una célula. Multiplicar agentes puede multiplicar traspasos, ambigüedades y superficies de error. La especialización solo aporta valor cuando existen un propósito común, un estado compartido, contratos claros entre funciones y un responsable del resultado.
Una célula tampoco es una persona digital. La metáfora del empleado artificial oculta el trabajo de diseño. Las personas reúnen experiencia tácita, legitimidad, relaciones, juicio contextual y responsabilidad. Los sistemas reúnen velocidad, consistencia, búsqueda y ejecución escalable. La célula organiza esas diferencias; no finge que han desaparecido.
Finalmente, una célula no es autonomía ilimitada. La autonomía es una decisión granular. Puede otorgarse para recuperar datos, preparar alternativas o ejecutar operaciones reversibles dentro de umbrales. Debe restringirse cuando existe incertidumbre alta, impacto material, información sensible, obligación regulatoria o dificultad de reversión.
7. Las cinco fases metodológicas
La metodología avanza desde la comprensión del trabajo hasta el diseño de la unidad operativa. Las fases se relacionan, pero no deben comprimirse en una selección prematura de tecnología.
1. Mapa de decisiones
El primer mapa identifica las decisiones y resultados recurrentes que sostienen la capacidad. Registra quién decide, con qué frecuencia, qué consecuencias existen, qué criterios se utilizan, qué excepciones aparecen y dónde se concentra la fricción actual.
Su propósito es distinguir actividad de decisión. Un proceso puede contener veinte pasos, pero depender de tres decisiones críticas. Diseñar alrededor de ellas evita automatizar movimientos que no resuelven el cuello de botella cognitivo u operativo.
La salida es una definición priorizada de la capacidad: propósito, evento de inicio, resultado esperado, responsables, decisiones clave, criterios conocidos y condiciones de éxito.
2. Mapa de información
El segundo mapa identifica la información necesaria para comprender y decidir. Separa hechos, interpretaciones y supuestos; ubica fuentes; evalúa vigencia, calidad, permisos y granularidad; señala datos faltantes y conflictos entre registros.
La pregunta no es cuánto conocimiento puede cargarse al sistema. Es cuál información está autorizada para cada decisión y qué debe ocurrir cuando es insuficiente o contradictoria.
La salida es un inventario gobernado de fuentes y una especificación de contexto: qué necesita conocer la célula, de dónde proviene, quién lo mantiene y qué nivel de confianza permite utilizarlo.
3. Mapa de sistemas
El tercer mapa ubica dónde viven los datos y dónde ocurre el trabajo. Identifica sistemas de registro, aplicaciones, documentos, interfaces, identidades, restricciones técnicas, dependencias y propietarios.
Este mapa impide diseñar una célula imaginaria. Una recomendación puede ser correcta y aun así resultar inútil si no puede registrarse, notificarse, aprobarse o ejecutarse en el entorno real. También permite detectar integraciones frágiles y acciones que requieren mecanismos deterministas en lugar de lenguaje generativo.
La salida es una arquitectura operativa preliminar: puntos de lectura, puntos de escritura, eventos, integraciones, límites de acceso y riesgos técnicos.
4. Mapa de ejecutabilidad
El cuarto mapa asigna cada función al actor más adecuado: persona, inteligencia artificial, automatización determinista o configuración híbrida. La asignación considera variabilidad, necesidad de juicio, disponibilidad de datos, impacto, reversibilidad y obligación de explicación.
La IA es especialmente útil para interpretar lenguaje, recuperar conocimiento, sintetizar, proponer, comparar y tratar variabilidad. La automatización determinista es preferible cuando existen reglas estables y resultados exactos. Las personas conservan propósito, responsabilidad, negociación, juicio ético y resolución de excepciones de alto impacto.
La salida define capacidades y prohibiciones, validaciones, umbrales, aprobaciones, rutas de excepción, evidencia requerida y condiciones de recuperación.
5. Diseño de célula
La quinta fase ensambla Cerebro, Memoria y Acción. Define roles humanos y artificiales, instrucciones, herramientas, fuentes, estado, contratos de traspaso, guardrails, métricas y aprendizaje. Después se prueba con casos normales, incompletos, contradictorios y adversos.
El piloto no busca únicamente demostrar que la célula puede completar el recorrido feliz. Debe revelar cuándo pregunta, cuándo se detiene, cuándo escala, qué registra y cómo responde ante un dato ausente o una instrucción incompatible con la política.
La salida es una célula operable con alcance limitado, propietario identificado, controles verificables, plan de medición y criterios explícitos para ampliar, corregir o detener.
8. Distribuir el trabajo correctamente
La pregunta “¿puede hacerlo la IA?” es insuficiente. Muchas funciones son técnicamente posibles y organizacionalmente inadecuadas. La asignación debe considerar la naturaleza del trabajo y sus consecuencias.
Actor | Función preferente | Condición de diseño |
Persona | propósito, criterio, negociación, juicio contextual, excepción material | autoridad, tiempo, información y capacidad para disentir |
IA | interpretación, búsqueda, síntesis, generación, comparación, detección de patrones | fuentes, límites, evaluación y señalización de incertidumbre |
Automatización determinista | cálculo exacto, validación de reglas, movimiento de datos, eventos repetibles | reglas estables, pruebas, monitoreo y reversibilidad |
Configuración híbrida | decisiones variables con impacto o información incompleta | división explícita de funciones, aprobación y escalamiento |
La presencia de una persona no garantiza control. Si recibe una recomendación sin fuentes, cuenta con segundos para aprobarla o carece de autoridad para detener el flujo, la supervisión es ceremonial. De manera equivalente, asignar a una IA una función y pedirle después que valide su propia salida no constituye independencia de control.
La célula debe diseñar separación entre producción, comprobación y autorización cuando el impacto lo exige. También debe definir respuestas rechazables: casos en los que el resultado correcto es pedir información, abstenerse, escalar o detenerse.
9. Caso ilustrativo: Skynet Pricing
El siguiente caso reconstruye una situación utilizada en el desarrollo metodológico. Su propósito es mostrar el razonamiento de diseño; no presenta resultados de una implantación medida.
Skynet Pricing elaboraba cotizaciones con información distribuida entre hojas de cálculo y documentos de Word. No existía una estructura uniforme para interpretar solicitudes, aplicar criterios o conservar el razonamiento comercial. Una petición podía llegar así: Ciudad de México a Monterrey, ocho pallets, 3,200 kilogramos, entrega en 48 horas, cliente frecuente, tarifa base de MXN 18,500, combustible de 12% y margen de 22%.
A primera vista, el cálculo parece directo. La tarifa base más combustible produce MXN 20,720. Sin embargo, “margen de 22%” es ambiguo. Si significa recargo sobre el subtotal, el precio sería MXN 25,278.40. Si significa margen bruto sobre el precio de venta, sería aproximadamente MXN 26,564.10. La diferencia es MXN 1,285.70 antes de considerar otros criterios.
El problema no es matemático. Es organizacional. Una automatización que elija silenciosamente una interpretación puede producir una cotización impecable y equivocada. Una célula bien diseñada detecta la ambigüedad, consulta la regla comercial vigente o solicita una decisión autorizada.
En esta célula, el Cerebro interpreta la solicitud, comprueba campos, aplica reglas, identifica excepciones y coordina aprobación. La Memoria conserva tarifas, recargos, definición de margen, historial del cliente, niveles de servicio y autorizaciones. La Acción genera la cotización, registra la oportunidad y solicita aprobación; solo envía después de cumplir el control definido.
Las personas no desaparecen. Ventas aporta contexto del cliente; Pricing es propietario de la lógica comercial; Finanzas define el tratamiento del margen; un responsable aprueba excepciones. La IA reduce la fricción de interpretación y preparación. Las reglas deterministas realizan cálculos. La organización conserva el criterio y la responsabilidad.
El aprendizaje ocurre cuando el costo y servicio reales se comparan con los supuestos de la cotización. Una desviación no se resuelve únicamente cambiando un prompt. Puede exigir corregir una fuente, una regla, un umbral, un rol o una integración.
El caso revela la diferencia central: el objetivo no es generar una cotización más rápido.
Es construir una capacidad de cotización consistente, explicable, ejecutable y mejorable.
10. Evidencia y fundamento
Las células operativas se apoyan en una tradición de diseño sociotécnico. Trist y Bamforth mostraron tempranamente que el desempeño no puede comprenderse separando el sistema técnico del sistema social.[1] La inteligencia artificial intensifica esa interdependencia: cambia tareas, distribuye información y modifica la coordinación entre personas y sistemas.
Parasuraman, Sheridan y Wickens propusieron analizar la automatización por funciones —adquisición de información, análisis, selección de decisiones y ejecución— y por niveles, en lugar de tratar la autonomía como una condición única.[2] Esa distinción sustenta la asignación granular del Mapa de ejecutabilidad.
Las guías de interacción humano-IA de Amershi y colaboradores muestran que el diseño debe considerar el comportamiento inicial, la interacción ordinaria, el error y la evolución en el tiempo.[3] Una célula necesita precisamente esos estados: expectativa, operación, excepción, corrección y aprendizaje.
La evidencia reciente muestra beneficios reales y condicionados. Un estudio de aproximadamente 5,000 agentes de soporte encontró un aumento promedio cercano a 14% en productividad con asistencia generativa, mayor entre personas menos experimentadas.[4] Un experimento de campo con 791 profesionales de Procter & Gamble encontró que individuos asistidos por IA podían alcanzar niveles de desempeño comparables a equipos sin IA en determinadas tareas de innovación, además de reducir algunas fronteras funcionales.[5] Estos resultados no prueban que una herramienta aislada pueda operar una función empresarial completa. Sí muestran que la configuración del trabajo entre personas e IA modifica el desempeño.
El AI Risk Management Framework de NIST define los sistemas de IA como sociotécnicos y organiza la gestión del riesgo alrededor de gobernar, mapear, medir y gestionar.[6] Su perfil para IA generativa enfatiza funciones y responsabilidades en las configuraciones humano-IA, así como prueba, evaluación, verificación y validación.[7] Estas prácticas convergen con el gobierno transversal de la célula.
Los límites actuales también importan. TheAgentCompany, un benchmark en un entorno empresarial simulado, encontró que agentes avanzados fallaban la mayoría de tareas consecuenciales y tenían dificultades con documentos, interfaces e interacción social.[8] Un benchmark no reproduce toda empresa y sus resultados cambiarán con la tecnología. Su valor es recordar que una demostración fluida no elimina la necesidad de arquitectura, controles y rutas de recuperación.
La evidencia no valida una plantilla única de célula ni garantiza resultados por adoptar esta metodología. Respalda una conclusión más prudente: el desempeño y el riesgo dependen de cómo se distribuyen funciones, información, autoridad y control dentro del sistema de trabajo.
11. Modos de fallo
Una célula puede fallar aunque cada componente funcione de forma aislada. Los fallos más relevantes son sistémicos:
Propósito difuso: la célula optimiza volumen o velocidad sin una definición compartida de valor;
Criterio oculto: una regla comercial, operativa o ética queda incorporada en una instrucción que nadie gobierna;
Memoria contaminada: documentos duplicados, obsoletos o contradictorios adquieren la misma autoridad;
Estado perdido: los agentes producen salidas correctas, pero no conocen qué ocurrió antes ni qué sigue pendiente;
Acción excesiva: el sistema puede ejecutar más de lo que puede verificar o revertir;
Supervisión ceremonial: la aprobación humana existe, pero carece de información, tiempo o autoridad;
Excepción silenciosa: un caso fuera de patrón se fuerza dentro del recorrido normal;
Aprendizaje aparente: el equipo ajusta instrucciones sin investigar si fallaron los datos, el criterio, el proceso o la integración;
Dependencia personal: una persona conserva en privado los prompts, archivos o conocimientos que mantienen la operación;
Escala prematura: el caso feliz se replica antes de probar condiciones incompletas, contradictorias y adversas.
La calidad de una célula no se observa solo cuando completa una tarea. Se observa cuando sabe que no debe completarla.
12. Principios de diseño
Capacidad antes que herramienta. La tecnología se elige después de comprender el resultado, las decisiones y el sistema de trabajo.
Criterio antes que automatización. Lo que la organización no puede explicar no debe convertirse todavía en una regla escalable.
Memoria con autoridad. Toda fuente relevante necesita propietario, vigencia, permisos y tratamiento de contradicciones.
Autonomía granular y proporcional. Cada acción recibe el nivel de autonomía que permiten su impacto, incertidumbre y reversibilidad.
Producción separada de control. Generar, verificar y aprobar son funciones distintas cuando existe consecuencia material.
Excepciones diseñadas. Preguntar, abstenerse, escalar y detenerse son resultados válidos de una célula madura.
Trazabilidad de extremo a extremo. La organización debe reconstruir solicitud, contexto, fuentes, criterios, decisión, acción y responsable.
Aprendizaje del sistema. Los resultados corrigen información, proceso, lenguaje o gobernanza, no únicamente prompts.
Responsabilidad humana identificable. La IA ejecuta; la organización decide y responde.
13. Implicaciones para la dirección
Las células operativas cambian el objeto de gobierno. La dirección deja de aprobar una lista de herramientas y comienza a administrar un portafolio de capacidades aumentadas por IA.
Cada célula necesita un propietario de negocio responsable del resultado, un responsable técnico de la operación, propietarios de las fuentes y una autoridad para riesgo y excepciones. Estos roles pueden combinarse en células de bajo impacto, pero sus funciones no deben desaparecer.
La priorización debe considerar valor, recurrencia, disponibilidad de información, claridad de criterio, viabilidad de integración y riesgo. Un proceso costoso no es automáticamente un buen candidato. Si depende de criterios disputados o datos sin propietario, la primera intervención puede ser organizacional antes que tecnológica.
La medición debe combinar desempeño operativo y salud del sistema: tiempo de ciclo, calidad, correcciones, excepciones, escalamiento, acciones revertidas, vigencia de fuentes, capacidad de explicación y aprendizaje incorporado. Ahorrar minutos mientras crecen los errores silenciosos no constituye productividad.
La dirección también debe decidir qué conocimiento desea conservar en las personas. Las células pueden liberar trabajo repetitivo, pero no deben vaciar los recorridos mediante los cuales se forma criterio experto. La distribución del trabajo debe incluir oportunidades para observar, explicar, practicar y resolver excepciones.
La pregunta estratégica no es cuántos agentes tiene la empresa. Es cuántas capacidades puede operar con mayor inteligencia sin perder control sobre ellas.
14. Relación con la Arquitectura de Inteligencia Organizacional
La Metodología de Células Operativas de Inteligencia Artificial es una aplicación de la Arquitectura de Inteligencia Organizacional de EnterpriseThinking.
La Arquitectura de Inteligencia Organizacional organiza el sistema mediante cuatro componentes: Información, Proceso, Lenguaje y Gobernanza. La célula los convierte en operación.
Información alimenta la Memoria con fuentes, contexto y evidencia. Proceso organiza estados, decisiones, validaciones y acciones. Lenguaje hace explícitos propósito, problema, supuestos, criterios, restricciones y resultados esperados. Gobernanza establece autoridad, acceso, límites, trazabilidad y responsabilidad.
Cerebro + Memoria + Acción no sustituye esos componentes. Los concreta alrededor de una capacidad delimitada. La arquitectura establece cómo piensa la organización; la célula establece cómo esa inteligencia opera de manera recurrente.
15. Alcance y límites
La Metodología de Células Operativas de Inteligencia Artificial 2.0 es un marco desarrollado por EnterpriseThinking. No constituye un estándar técnico, una certificación externa ni una garantía de desempeño. Su aplicación requiere adaptación al contexto, regulación, infraestructura, riesgo y modelo operativo de cada organización.
Este position paper presenta la tesis pública, la arquitectura esencial y las cinco fases del método. Los instrumentos de diagnóstico, matrices de priorización y ejecutabilidad, protocolos de diseño, patrones de control, modelos de madurez, especificaciones de implementación y mecanismos de certificación forman parte de la metodología propietaria de EnterpriseThinking y no se desarrollan en este documento.
Conclusión
La primera etapa de adopción empresarial de inteligencia artificial demostró que una persona puede producir más con una herramienta generativa. La siguiente etapa debe demostrar que una organización puede operar mejor sin fragmentar criterio, memoria y responsabilidad.
Ese salto no se consigue acumulando agentes. Se consigue diseñando unidades orientadas a capacidades reales, con roles explícitos, información autorizada, decisiones reconstruibles, acciones limitadas y aprendizaje institucional.
La célula operativa no elimina a la persona ni convierte a la IA en persona. Organiza una colaboración desigual y complementaria. La máquina aporta velocidad, escala, consistencia y exploración. Las personas aportan propósito, contexto, legitimidad, juicio y responsabilidad. La arquitectura permite que esas contribuciones produzcan un resultado común.
El futuro de la empresa aumentada no dependerá solo de modelos más capaces. Dependerá de organizaciones capaces de convertir esa potencia en sistemas de uso confiables.
La unidad de diseño no es la herramienta.
La unidad de diseño es la capacidad de pensar, decidir y actuar como organización.
Referencias
Trist, E. L. y Bamforth, K. W. “Some Social and Psychological Consequences of the Longwall Method of Coal-Getting”. Human Relations, 4(1), 3-38, 1951. https://doi.org/10.1177/001872675100400101
Parasuraman, R., Sheridan, T. B. y Wickens, C. D. “A Model for Types and Levels of Human Interaction with Automation”. IEEE Transactions on Systems, Man, and Cybernetics—Part A, 30(3), 286-297, 2000. https://doi.org/10.1109/3468.844354
Amershi, S. et al. “Guidelines for Human-AI Interaction”. Proceedings of CHI 2019, 1-13. https://doi.org/10.1145/3290605.3300233
Brynjolfsson, E., Li, D. y Raymond, L. R. “Generative AI at Work”. NBER Working Paper 31161, 2023; versión revisada. https://doi.org/10.3386/w31161
Dell’Acqua, F. et al. “The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise”. Organization Science, 37(4), 1217-1242, 2026. https://doi.org/10.1287/orsc.2025.20702
Tabassi, E. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1, 2023. https://doi.org/10.6028/NIST.AI.100-1
Autio, C. et al. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1, 2024. https://doi.org/10.6028/NIST.AI.600-1
Xu, F. et al. “TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks”. arXiv:2412.14161, versión 2, 2025. https://doi.org/10.48550/arXiv.2412.14161
Sobre el autor
Manuel Yáñez Herrero es creador de EnterpriseThinking y fundador de la Arquitectura de Inteligencia Organizacional. Su trabajo se centra en el diseño de sistemas de pensamiento organizacional, análisis de problemas, toma de decisiones y aplicación estructural de inteligencia artificial en empresas.
Yáñez Herrero, Manuel. Metodología de Células Operativas de Inteligencia Artificial 2.0: de tareas aisladas a capacidades operativas que coordinan, recuerdan, actúan y aprenden. Paper 03, Position Paper, versión 1.0. EnterpriseThinking, septiembre de 2026.
Nota editorial
“Metodología de Células Operativas de Inteligencia Artificial 2.0”, “Célula Operativa de Inteligencia Artificial” y la arquitectura “Cerebro + Memoria + Acción” son desarrollos conceptuales de EnterpriseThinking. Este documento puede citarse con atribución. Su publicación no concede derechos de implementación, certificación o uso comercial de la metodología asociada.
Comentarios