El Marco DeGNZ

Memorando de investigación DeGNZ Labs Autor: Yassir Haouati Versión: 1.1 Fecha: julio de 2026 Estado: Memorando público

La inteligencia artificial está cada vez más disponible dentro de las organizaciones, pero disponer de ella no equivale a estar preparado para integrarla en las operaciones. La evidencia reciente muestra una brecha creciente entre la adopción de herramientas de IA y la capacidad de las empresas para incorporarlas de manera profunda en sus flujos de trabajo, gobernar sus acciones, conectarlas con conocimiento organizativo fiable y traducir su uso en valor empresarial medible. El AI Index 2026 de Stanford señala que el 88 % de las organizaciones encuestadas utilizó IA en al menos una función empresarial durante 2025, mientras que el despliegue de agentes se mantuvo por debajo del 10 % en prácticamente todas las funciones. McKinsey informa igualmente de que el 88 % de los encuestados afirma que su organización utiliza IA de forma habitual, pero solo alrededor de un tercio ha empezado a escalar sus programas de IA en toda la empresa. BCG observa que la integración de agentes en los flujos de trabajo se duplicó con creces entre 2025 y 2026, mientras que la mitad de los encuestados sigue indicando que su empresa carece de una gobernanza clara para los equipos que combinan personas e IA.

Presentamos la Ingeniería Operativa Nativa de IA, un marco para analizar, diseñar, construir, gobernar y mejorar la infraestructura operativa a través de la cual los equipos humanos y los sistemas de IA trabajan conjuntamente. La versión revisada del marco organiza esta infraestructura en cuatro ámbitos interdependientes: Infraestructura de Cerebro de IA, Infraestructura de Orquestación de Agentes de IA, Infraestructura de Gobernanza de IA e Infraestructura de Formación en IA. La Infraestructura de Cerebro de IA unifica el contexto organizativo, la memoria, el acceso gobernado a los datos y el conocimiento de los flujos de trabajo en una base cognitiva y procedimental compartida desde la que los sistemas de IA comprenden la empresa y su forma de operar.

Definimos el marco, explicamos sus fundamentos empíricos y técnicos, describimos su arquitectura y sus principios de diseño, proponemos un modelo de madurez organizativa y presentamos una metodología de implantación y medición. Asimismo, explicamos por qué DeGNZ Labs comienza por la Infraestructura de Cerebro de IA, materializada en su primer producto, Cervo. La tesis central sostiene que la siguiente etapa de la IA empresarial no estará determinada únicamente por la capacidad de los modelos. Dependerá de si las organizaciones construyen la infraestructura necesaria para que la inteligencia artificial esté fundamentada, mantenga estado, actúe de forma coordinada y acotada, pueda medirse y rinda cuentas.

Palabras clave: operaciones nativas de IA, ingeniería operativa, agentes de IA, infraestructura de cerebro de IA, contexto organizativo, memoria organizativa, conocimiento de los flujos de trabajo, orquestación de agentes, gobernanza de IA, colaboración humano–IA, IA empresarial

1. Resumen ejecutivo
2. Alcance y método de la investigación
3. El problema estratégico: la adopción avanza más rápido que la preparación operativa
4. El fracaso de la transformación de IA impulsada por herramientas
5. Definición de la Ingeniería Operativa Nativa de IA
6. El modelo operativo humano–IA
7. Conclusión
8. Apéndice: Glosario
9. Referencias

La adopción de la IA ha superado un umbral importante. La cuestión estratégica que afrontan las organizaciones ya no es si los empleados utilizarán IA. La cuestión es si la organización puede hacer que ese uso sea fiable, acumulativo, gobernado y conectado con resultados operativos reales.

Cinco conclusiones sustentan este marco.

En primer lugar, la IA se ha generalizado dentro de las organizaciones. El AI Index 2026 de Stanford informa de que el 88 % de las organizaciones encuestadas utilizó IA en al menos una función empresarial en 2025, frente al 78 % en 2024 y el 55 % en 2023. El mismo informe señala que el 70 % de las organizaciones utilizó IA generativa en al menos una función empresarial, mientras que el despliegue de agentes se mantuvo por debajo del 10 % en prácticamente todas las funciones (Stanford HAI, 2026).

En segundo lugar, la adopción no ha generado una profundidad operativa equivalente. McKinsey indica que el 88 % de los encuestados afirma que su organización utiliza IA regularmente en al menos una función, pero solo cerca de un tercio señala que su empresa ha empezado a escalar programas de IA en toda la organización. Un 23 % declara estar escalando algún sistema de IA agéntica dentro de la empresa, mientras que otro 39 % está experimentando con agentes (McKinsey, 2025).

En tercer lugar, la materialización del valor sigue siendo desigual. BCG observó que solo el 26 % de las empresas había desarrollado las capacidades necesarias para superar las pruebas de concepto y empezar a extraer valor tangible de la IA, pese a que el 98 % declaraba haber realizado al menos algún tipo de experimentación (BCG, 2024).

En cuarto lugar, la adopción de agentes avanza más rápido que el rediseño del modelo operativo. La investigación AI at Work 2026 de BCG señala que la proporción de encuestados cuyas organizaciones habían integrado agentes de IA en sus flujos de trabajo aumentó del 13 % en 2025 al 30 % en 2026. Otro 50 % indicó que su lugar de trabajo había realizado experimentos o pilotos con agentes, mientras que la mitad afirmó que su organización carecía de una gobernanza clara para gestionar equipos formados por personas e IA (BCG, 2026).

En quinto lugar, los riesgos se vuelven operativos a medida que la IA gana acceso y capacidad de actuación. El informe Cost of a Data Breach 2025 de IBM constató que el 13 % de las organizaciones encuestadas había sufrido un incidente relacionado con un modelo o una aplicación de IA que dio lugar a una brecha; el 97 % de esas organizaciones carecía de controles adecuados de acceso a la IA. Entre los incidentes que implicaron sistemas de IA autorizados, el 31 % provocó interrupciones operativas y otro 31 % derivó en acceso no autorizado a datos sensibles (IBM, 2025).

Estas conclusiones respaldan el argumento central del marco:

La adopción de la IA ya no es el principal cuello de botella. La preparación operativa sí lo es.

La Ingeniería Operativa Nativa de IA se propone como respuesta a ese cuello de botella. No es una nueva metodología de desarrollo de modelos, una técnica de redacción de prompts ni una práctica genérica de automatización. Es una disciplina de ingeniería centrada en la capa operativa organizativa que rodea a la IA.

El marco comprende cuatro ámbitos de infraestructura:

1. Infraestructura de Cerebro de IA — la base cognitiva y procedimental compartida que combina contexto organizativo, memoria, acceso gobernado al conocimiento y a los datos, y representaciones de cómo se realiza el trabajo.
2. Infraestructura de Orquestación de Agentes de IA — la capa de ejecución y coordinación para funciones, enrutamiento, herramientas, transferencias, dependencias, excepciones y actividad multiagente.
3. Infraestructura de Gobernanza de IA — la capa de control para políticas, identidad, permisos, aprobaciones, auditoría, riesgo, seguridad, rendición de cuentas y límites económicos.
4. Infraestructura de Formación en IA — la capa de aprendizaje y mejora continua para empleados, agentes, instrucciones, evaluaciones, flujos de trabajo y prácticas operativas.

La arquitectura no debe interpretarse como cuatro productos aislados ni como una escalera lineal rígida. Los ámbitos son interdependientes y, en parte, transversales. El Cerebro de IA aporta significado, historial, evidencia y conocimiento procedimental; la orquestación coordina la acción; la gobernanza delimita todo el sistema; y la formación convierte la retroalimentación operativa en un mejor desempeño humano y automático.

DeGNZ Labs comienza por la base cognitiva a través de Cervo, un producto de Infraestructura de Cerebro de IA diseñado para crear un cerebro de empresa estructurado y gobernado que pueda servir a los LLM, copilotos y agentes que los empleados ya utilizan.

Nuestra tesis plantea:

¿Qué infraestructura operativa debe construir una organización para que los equipos humanos y los sistemas de IA puedan trabajar juntos de forma fiable, segura y productiva dentro de operaciones empresariales reales?

La pregunta es deliberadamente más amplia que el rendimiento de los modelos. Un modelo puede obtener buenos resultados en una prueba de referencia y, aun así, fallar dentro de una organización porque carece de contexto actualizado, recupera una política incorrecta, recibe permisos excesivos, no puede identificar al responsable, no dispone de una vía de escalado o no logra coordinarse con los sistemas y las personas necesarios para completar el trabajo.

El marco se centra en organizaciones que utilizan o se preparan para utilizar:

• LLM de propósito general;
• copilotos empresariales;
• aplicaciones con generación aumentada por recuperación;
• agentes de IA especializados en tareas concretas;
• sistemas multiagente;
• automatizaciones de flujos de trabajo que incorporan IA generativa;
• asistentes internos de IA;
• software operativo habilitado por IA.

El marco está concebido principalmente para entornos de trabajo del conocimiento, aunque muchos de sus principios también se aplican a entornos operativos y transaccionales en los que la IA interactúa con sistemas empresariales.

No prescribe un proveedor específico de modelos, una plataforma en la nube, una biblioteca de orquestación, una arquitectura de base de datos ni una interfaz de usuario. Opera en el nivel del diseño organizativo y de sistemas.

Sintetizamos tres categorías de evidencia:

1. Investigación sobre adopción organizativa y fuerza laboral, incluidas fuentes de Stanford HAI, McKinsey, BCG, Microsoft e IBM.
2. Investigación técnica, incluida la generación aumentada por recuperación, la memoria de agentes, los sistemas de razonamiento y acción, y la coordinación multiagente.
3. Marcos de gobernanza y seguridad, incluidos NIST AI RMF, ISO/IEC 42001 y las directrices de OWASP para LLM y aplicaciones de IA generativa.

El marco en sí constituye una síntesis conceptual original de DeGNZ Labs.

Las fuentes empíricas emplean muestras, definiciones, fechas y métodos de encuesta diferentes. Sus porcentajes no deben combinarse en un índice sintético ni interpretarse como mediciones procedentes de una misma población. Se utilizan como indicadores independientes de un patrón más amplio: la adopción de la IA se expande, el escalado empresarial sigue siendo incompleto, el despliegue de agentes se acelera y la gobernanza se queda atrás.

El marco también distingue entre:

• afirmaciones descriptivas, respaldadas por evidencia externa;
• proposiciones de ingeniería, derivadas del análisis de sistemas;
• hipótesis estratégicas, que requieren validación empírica adicional.

La curva de adopción ya no es la principal fuente de incertidumbre. El AI Index de Stanford indica que el uso organizativo de la IA aumentó del 55 % en 2023 al 78 % en 2024 y al 88 % en 2025 (Stanford HAI, 2026).

### Figura 1. Uso organizativo de la IA, 2023–2025

Fuente: Stanford Institute for Human-Centered Artificial Intelligence, *AI Index Report 2026*. Interpretación: El acceso y la experimentación organizativa se están volviendo habituales. La diferenciación depende cada vez más de la capacidad de integrar la IA en el modelo operativo.

La IA generativa se ha difundido con especial rapidez. Stanford señala que alcanzó un 53 % de adopción en tres años, más rápido que el ordenador personal o internet en su análisis comparativo de adopción. Sin embargo, el despliegue de agentes se mantuvo por debajo del 10 % en prácticamente todas las funciones empresariales (Stanford HAI, 2026).

Este patrón sugiere una transición entre dos fases:

• Primera fase: acceso generalizado a interfaces generativas;
• Segunda fase: participación controlada de sistemas de IA en flujos de trabajo operativos.

La segunda fase exige una ingeniería organizativa más profunda.

La encuesta global de McKinsey de 2025 informa de:

• un 88 % de uso habitual de IA en al menos una función empresarial;
• aproximadamente un tercio de organizaciones que comienza a escalar programas de IA en toda la empresa;
• un 23 % que está escalando IA agéntica en alguna parte de la organización;
• un 39 % que está experimentando con agentes de IA.

En ninguna función empresarial concreta más del 10 % de los encuestados afirmó que su organización estuviera escalando agentes (McKinsey, 2025).

### Figura 2. Indicadores seleccionados de uso de IA y escalado agéntico

Fuente: McKinsey & Company, *The State of AI: Global Survey 2025*. Nota: El «escalado de programas de IA» se presenta como aproximadamente un tercio. Las categorías son indicadores seleccionados y no son mutuamente excluyentes. Interpretación: El uso, la experimentación, el escalado empresarial y el escalado agéntico son etapas distintas. Las métricas de adopción, por sí solas, no demuestran madurez operativa.

La investigación de BCG constató que el 98 % de las empresas estaba al menos experimentando con IA, pero solo el 26 % había desarrollado las capacidades necesarias para superar las pruebas de concepto y empezar a extraer valor (BCG, 2024).

### Figura 3. Brecha entre capacidades de IA y materialización de valor

Fuente: Boston Consulting Group, *Where’s the Value in AI?*, 2024. Interpretación: La limitación no reside únicamente en el acceso a los modelos o en la voluntad de experimentar. Reside en la capacidad de construir las competencias organizativas, de procesos, datos, talento y gobernanza necesarias para escalar.

La investigación de McKinsey de 2025 sobre flujos de trabajo aporta una señal relacionada: entre los atributos organizativos analizados, el rediseño de los flujos de trabajo fue el que más influyó en que los encuestados declararan un impacto de la IA generativa sobre el EBIT. Solo el 21 % de los encuestados cuyas organizaciones utilizaban IA generativa afirmó que su empresa había rediseñado de forma fundamental al menos algunos flujos de trabajo (McKinsey, 2025).

Esto respalda una interpretación operativa de la brecha de valor:

El valor de la IA queda limitado cuando las empresas incorporan modelos al trabajo existente sin rediseñar los sistemas mediante los cuales ese trabajo se comprende, asigna, ejecuta, revisa y mejora.

El estudio AI at Work 2026 de BCG muestra que los agentes están entrando en los flujos de trabajo más rápido de lo que las organizaciones rediseñan la supervisión y la rendición de cuentas:

• el 84 % de los encuestados había oído hablar de agentes de IA;
• el 30 % afirmó que su organización había integrado agentes en los flujos de trabajo, frente al 13 % en 2025;
• el 50 % señaló que su lugar de trabajo había realizado experimentos o pilotos;
• la mitad indicó que su empresa carecía de una gobernanza clara para los equipos humano–IA.

(BCG, 2026)

### Figura 4. Adopción de agentes y preparación de la gobernanza

Fuente: Boston Consulting Group, *AI at Work: Why Strategy Matters More Than Tools*, 2026. Nota: Indicadores seleccionados de la encuesta; las categorías no son mutuamente excluyentes. Interpretación: A medida que la IA pasa de asistir a ejecutar, las organizaciones necesitan sistemas explícitos de supervisión, responsabilidad, acceso, escalado y rendición de cuentas.

IBM informa de que el 13 % de las organizaciones encuestadas en su estudio de brechas de 2025 sufrió un incidente relacionado con un modelo o una aplicación de IA que dio lugar a una brecha. De esas organizaciones, el 97 % carecía de controles adecuados de acceso a la IA. Entre los impactos declarados de incidentes que involucraron sistemas de IA autorizados se encuentran:

• interrupción operativa: 31 %;
• acceso no autorizado a datos sensibles: 31 %;
• pérdida de integridad de los datos: 29 %;
• pérdida financiera: 23 %;
• daño reputacional: 17 %.

(IBM, 2025)

El mismo informe constató que el 41 % de las organizaciones carecía de políticas de gobernanza de IA y que otro 22 % seguía desarrollándolas.

La conclusión relevante no es que deba impedirse que la IA entre en las operaciones. Es que la IA operativa debe diseñarse con la gobernanza como propiedad integrada del sistema, y no como un documento normativo añadido después del despliegue.

Muchas organizaciones abordan la transformación de IA como una secuencia de adquisición:

1. seleccionar un LLM o un copiloto;
2. proporcionar acceso a los empleados;
3. identificar casos de uso;
4. automatizar tareas;
5. medir el uso.

Esta secuencia puede generar mejoras locales de productividad, pero no produce necesariamente un modelo operativo nativo de IA coherente. La organización subyacente permanece intacta:

• el conocimiento sigue distribuido entre documentos y aplicaciones;
• los empleados utilizan definiciones e instrucciones incoherentes;
• los flujos de trabajo siguen siendo informales;
• las decisiones no se registran sistemáticamente;
• los derechos de acceso se heredan de sistemas fragmentados;
• los agentes no pueden identificar las fuentes autorizadas;
• las responsabilidades entre personas e IA siguen siendo ambiguas;
• la evaluación se centra en la actividad y no en los resultados empresariales.

La investigación de BCG de 2026 sostiene explícitamente que las organizaciones deben «medir el valor, no la adopción» y rediseñar el trabajo de extremo a extremo en lugar de limitarse a invertir en más herramientas (BCG, 2026).

Un sistema de IA no se encuentra con una empresa abstracta. Accede a la empresa a través de:

• documentos;
• esquemas de datos;
• API;
• permisos;
• prompts;
• estados de los flujos de trabajo;
• definiciones de tareas;
• descripciones de funciones;
• mensajes;
• instrucciones de los usuarios;
• sistemas de recuperación;
• resultados de herramientas.

Si estas representaciones son contradictorias, obsoletas, incompletas o no están gobernadas, el sistema de IA hereda esas deficiencias.

De ello se deriva un principio general:

La IA no evita la fragmentación operativa. La procesa y puede amplificarla.

Por tanto, una organización fragmentada puede generar una IA fragmentada incluso cuando utiliza un modelo capaz.

### 4.3.1 Fallo de contexto

El sistema de IA recibe un contexto organizativo insuficiente, incoherente, desactualizado o irrelevante.

Entre los efectos habituales se incluyen:

• respuestas que contradicen la estrategia actual de la empresa;
• tono o terminología incoherentes entre equipos;
• recomendaciones basadas en políticas obsoletas;
• resultados que ignoran las restricciones departamentales;
• necesidad de que los empleados repitan explicaciones manualmente.

### 4.3.2 Fallo de memoria

El sistema no puede conservar, recuperar o reutilizar de forma fiable la información histórica pertinente.

Entre los efectos habituales se incluyen:

• repetición del trabajo;
• pérdida de decisiones anteriores;
• ausencia de aprendizaje a partir de correcciones;
• consumo duplicado de contexto;
• falta de continuidad entre sesiones y agentes.

La investigación sobre generación aumentada por recuperación muestra las ventajas de combinar los parámetros del modelo con almacenes explícitos de conocimiento no paramétrico, entre ellas una mayor precisión factual en tareas intensivas en conocimiento (Lewis et al., 2020). La investigación sobre agentes generativos demuestra, asimismo, una arquitectura que almacena experiencias, las recupera dinámicamente y sintetiza reflexiones de nivel superior para la planificación (Park et al., 2023).

### 4.3.3 Fallo de flujo de trabajo

El sistema de IA se despliega como una interfaz aislada, en lugar de participar en un proceso definido.

Entre los efectos habituales se incluyen:

• resultados útiles que no llegan a ejecutarse;
• responsabilidad poco clara una vez que la IA termina su parte;
• ausencia de una vía de aprobación o escalado;
• incapacidad para determinar cuándo ha finalizado el trabajo;
• automatización de una tarea mientras el proceso de extremo a extremo permanece sin cambios.

### 4.3.4 Fallo de datos

El sistema de IA no puede acceder a los datos adecuados con suficiente calidad, actualidad, procedencia y permisos.

Entre los efectos habituales se incluyen:

• razonamiento a partir de registros incompletos;
• incapacidad para distinguir datos actuales de datos históricos;
• exposición no autorizada;
• respuestas incoherentes entre herramientas;
• integraciones frágiles.

El trabajo de McKinsey de 2026 sobre el escalado de la IA agéntica sostiene que un escalado fiable depende de bases de datos sólidas, arquitecturas modernizadas, calidad de datos, gobernanza y modelos operativos capaces de admitir autonomía y toma de decisiones en tiempo real (McKinsey, 2026).

### 4.3.5 Fallo de orquestación

Los agentes, las personas y las aplicaciones no pueden coordinar funciones, secuencias, dependencias o transferencias.

Entre los efectos habituales se incluyen:

• agentes que duplican el trabajo;
• tareas transferidas sin contexto suficiente;
• acciones contradictorias;
• excepciones sin resolver;
• ausencia de un estado compartido entre participantes;
• escalado demasiado tardío o dirigido al responsable equivocado.

La investigación multiagente, como AutoGen, demuestra que el comportamiento de los agentes y sus patrones de interacción deben componerse y programarse explícitamente, en lugar de asumir que surgirán de manera fiable por sí solos (Wu et al., 2023).

### 4.3.6 Fallo de gobernanza

El sistema de IA carece de controles suficientes sobre el acceso, la actuación, el riesgo, la revisión y la rendición de cuentas.

Entre los efectos habituales se incluyen:

• privilegios excesivos;
• acceso a datos no autorizado;
• acciones no auditadas;
• responsabilidad poco clara sobre los resultados;
• uso inseguro de herramientas;
• incapacidad para reproducir decisiones.

OWASP identifica la inyección de prompts y la capacidad de actuación excesiva entre los principales riesgos de las aplicaciones basadas en LLM. La capacidad de actuación excesiva aparece cuando un sistema basado en LLM recibe funciones, permisos o autonomía superiores a los necesarios para su operación prevista (OWASP, 2025).

### 4.3.7 Fallo de aprendizaje

La organización no puede mejorar sistemáticamente a las personas, los agentes, las instrucciones, los flujos de trabajo y los controles a partir de la retroalimentación operativa.

Entre los efectos habituales se incluyen:

• repetición de los mismos errores;
• correcciones que permanecen aisladas en personas concretas;
• ausencia de versionado de las instrucciones;
• falta de conexión entre evaluación y rediseño;
• adopción sin desarrollo de capacidades.

En este marco, la «formación» incluye la capacitación de las personas, la instrucción de los agentes, el diseño de evaluaciones, la captura de retroalimentación y la mejora operativa continua. No se refiere únicamente al preentrenamiento o ajuste fino de modelos fundacionales.

La Ingeniería Operativa Nativa de IA es la disciplina dedicada a analizar, diseñar, construir, gobernar y mejorar continuamente la infraestructura operativa a través de la cual los equipos humanos y los sistemas de IA participan en el trabajo organizativo.

Esta disciplina integra:

• diseño organizativo;
• arquitectura de sistemas;
• ingeniería de flujos de trabajo;
• gestión del conocimiento;
• ingeniería de datos;
• gestión de identidades y accesos;
• interacción persona–ordenador;
• evaluación de IA;
• gestión de riesgos;
• gestión del cambio.

El resultado esperado no es la máxima automatización. Es una participación operativa fiable.

Un sistema de IA está integrado operativamente cuando puede:

1. comprender el contexto organizativo pertinente;
2. recuperar el conocimiento y el historial adecuados;
3. operar dentro de un flujo de trabajo definido;
4. acceder únicamente a los datos y herramientas necesarios;
5. coordinarse con personas y otros sistemas;
6. actuar dentro de límites explícitos;
7. exponer evidencia, estado e incertidumbre;
8. escalar adecuadamente las excepciones;
9. ser evaluado en función de resultados operativos;
10. mejorar mediante retroalimentación controlada.

El marco propone un espacio de trabajo operativo centralizado o plano de control para las personas y los sistemas de IA.

«Centralizado» no debe interpretarse como una única base de datos monolítica. Una arquitectura madura puede seguir estando técnicamente federada. Los datos pueden permanecer en los sistemas de origen, los departamentos pueden conservar el control local y pueden utilizarse múltiples proveedores de modelos.

La centralización hace referencia a la coherencia lógica:

• un mapa autorizado del contexto organizativo;
• un único modelo de políticas y permisos;
• un marco común de identidades y funciones;
• un registro único de flujos de trabajo y agentes;
• una capa de ejecución observable;
• un método común de evaluación y auditoría;
• un mecanismo controlado para distribuir contexto e instrucciones.

El objetivo es generar coherencia sin exigir que todos los sistemas se consoliden físicamente.

La Ingeniería Operativa Nativa de IA complementa los marcos de gobernanza consolidados.

El AI Risk Management Framework de NIST organiza las actividades en torno a cuatro funciones: Gobernar, Mapear, Medir y Gestionar, y sitúa la gobernanza a lo largo de todo el ciclo de vida de la IA (NIST, 2023).

ISO/IEC 42001 especifica los requisitos para establecer, implantar, mantener y mejorar continuamente un sistema de gestión de IA dentro de una organización (ISO, 2023).

La Ingeniería Operativa Nativa de IA no sustituye estas normas. Amplía el debate hacia la arquitectura operativa práctica necesaria para hacer ejecutable el trabajo humano–IA. NIST e ISO ayudan a definir cómo deben las organizaciones gestionar el riesgo y la responsabilidad asociados a la IA. El presente marco se centra en aquello que las organizaciones deben incorporar mediante ingeniería en el contexto, la memoria, los flujos de trabajo, los datos, la orquestación, la gobernanza y la formación.

Un error habitual consiste en asignar trabajo a la IA simplemente porque es técnicamente posible. La distribución del trabajo debería considerar, en cambio:

• las consecuencias de un error;
• la reversibilidad;
• la ambigüedad;
• la necesidad de empatía o negociación;
• la exposición regulatoria;
• la sensibilidad de los datos;
• la variabilidad del proceso;
• los requisitos de evidencia;
• la sensibilidad temporal;
• el valor económico.

### Modo 1: Liderado por personas, asistido por IA

La persona es responsable del proceso y utiliza la IA para analizar, redactar, recuperar información o formular recomendaciones.

Adecuado cuando:

• el juicio es central;
• los errores tienen consecuencias relevantes;
• el trabajo presenta un alto grado de ambigüedad;
• la responsabilidad debe permanecer visible.

### Modo 2: Liderado por IA, aprobado por una persona

La IA prepara o ejecuta la mayoría de los pasos, pero una persona autoriza cualquier acción con consecuencias relevantes.

Adecuado cuando:

• la lógica del flujo de trabajo está clara;
• el resultado puede revisarse;
• la acción es reversible o está sujeta a aprobación.

### Modo 3: Ejecutado por IA, supervisado por una persona

La IA realiza trabajo operativo acotado bajo supervisión, con intervención humana cuando surgen excepciones.

Adecuado cuando:

• el volumen es elevado;
• la variabilidad es manejable;
• los permisos están estrictamente delimitados;
• las excepciones pueden identificarse.

### Modo 4: Ejecutado por IA dentro de una política definida

La IA completa automáticamente trabajo bien definido y de bajo riesgo dentro de controles explícitos.

Adecuado cuando:

• las reglas son estables;
• la calidad de los datos es alta;
• las acciones son reversibles;
• la auditoría es completa;
• la tolerancia al riesgo está definida.

El objetivo no es desplazar todos los procesos hacia el Modo 4. El objetivo es asignar a cada resultado el nivel adecuado de participación humana.

Toda función desempeñada por IA debería contar con un contrato operativo que especifique:

• propósito;
• responsable;
• usuarios autorizados;
• datos permitidos;
• herramientas permitidas;
• acciones prohibidas;
• contexto requerido;
• alcance de la memoria;
• límites del flujo de trabajo;
• requisitos de aprobación;
• desencadenantes de escalado;
• límites de coste y tiempo;
• umbrales de calidad;
• requisitos de auditoría;
• condiciones de retirada.

La IA ha entrado en la organización, pero la organización todavía no ha sido plenamente rediseñada para la IA.

La evidencia muestra una adopción amplia, un escalado incompleto, una materialización desigual del valor, un despliegue acelerado de agentes y una gobernanza rezagada. No se trata de problemas independientes. Son síntomas de una misma capa ausente: una infraestructura operativa diseñada para la participación conjunta de personas y máquinas.

La Ingeniería Operativa Nativa de IA define esa capa.

Concibe la empresa nativa de IA no como una organización con numerosas suscripciones a herramientas de IA, sino como una organización capaz de proporcionar:

• un Cerebro de IA que combina contexto, memoria, evidencia gobernada y conocimiento procedimental;
• una orquestación que coordina agentes, personas, herramientas y flujos de trabajo en tiempo de ejecución;
• una gobernanza aplicable tanto a la cognición como a la acción;
• formación, evaluación y aprendizaje operativo continuos.

El marco parte de la realidad de quienes operan las empresas. El trabajo se desarrolla entre personas, herramientas, información, decisiones, excepciones y restricciones. La IA solo genera valor cuando se integra mediante ingeniería en esa realidad.

Por tanto, el principio estratégico es sencillo:

Cuanto más capaz se vuelve la IA, más importante se vuelve la infraestructura operativa que la rodea.

DeGNZ Labs existe para construir esa infraestructura desde Marruecos para los mercados globales.

Comienza con Cervo porque el cerebro de empresa es la primera base que falta, abordada mediante un punto de entrada específico centrado inicialmente en el contexto. La visión a largo plazo es más amplia: infraestructura de software para un futuro en el que los equipos humanos y los sistemas de IA puedan operar juntos con mayor inteligencia, fiabilidad y rendición de cuentas.

Agente de IA Sistema de software basado en un modelo de IA que puede perseguir un objetivo a través de múltiples pasos, utilizar herramientas, interactuar con un entorno y ejecutar acciones dentro de un alcance definido.

Empresa nativa de IA Organización cuyo modelo operativo está diseñado deliberadamente en torno a la participación coordinada de personas e IA, en lugar de limitarse a proporcionar acceso a herramientas de IA.

Operaciones nativas de IA Operaciones empresariales en las que los sistemas de IA participan a través de un cerebro organizativo gestionado, una orquestación controlada, una gobernanza aplicable y una evaluación continua.

Infraestructura de Cerebro de IA Capa compartida de inteligencia organizativa que combina contexto, memoria, acceso gobernado al conocimiento y a los datos, y conocimiento procedimental o de los flujos de trabajo para su uso por sistemas de IA autorizados.

Contexto Información, reglas, instrucciones, relaciones, prioridades y restricciones necesarias para interpretar correctamente una tarea.

Infraestructura de contexto Subsistema de contexto y ontología dentro de la Infraestructura de Cerebro de IA que permite crear, gobernar, versionar, recuperar y distribuir significado organizativo e instrucciones a sistemas de IA autorizados.

Plano de control Capa lógica que gestiona políticas, identidades, funciones, definiciones de flujos de trabajo, agentes, permisos y observabilidad en sistemas distribuidos.

Humano en el circuito Patrón de diseño en el que las personas revisan, aprueban, corrigen o intervienen en trabajo asistido por IA.

Infraestructura de memoria Subsistema dentro de la Infraestructura de Cerebro de IA destinado a conservar y recuperar historial, decisiones, interacciones, resultados, estado y retroalimentación relevantes para las operaciones.

Orquestación Coordinación en tiempo de ejecución de agentes, personas, herramientas, tareas, estado de los flujos de trabajo, dependencias, reintentos, excepciones y transferencias.

Ingeniería operativa Diseño y construcción de sistemas que hacen que el trabajo organizativo sea medible, repetible, conectado y susceptible de mejora.

Procedencia Evidencia que describe de dónde se originaron unos datos, un contexto o un resultado, y cómo fueron transformados.

IA en la sombra Uso de herramientas o sistemas de IA sin aprobación, visibilidad o gobernanza por parte de la organización.

Flujo de trabajo Secuencia estructurada de estados, tareas, decisiones, responsabilidades, herramientas y condiciones utilizada para producir un resultado.

Boston Consulting Group. (2024). *Where’s the Value in AI?*

Boston Consulting Group. (2026). *AI at Work: Why Strategy Matters More Than Tools*

IBM. (2025). *Cost of a Data Breach Report 2025*

International Organization for Standardization. (2023). *ISO/IEC 42001:2023 — Artificial Intelligence Management Systems*

Lewis, P., Perez, E., Piktus, A., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. Advances in Neural Information Processing Systems.

McKinsey & Company. (2025). *The State of AI: Global Survey 2025*

McKinsey & Company. (2025). *The State of AI: How Organizations Are Rewiring to Capture Value*

McKinsey & Company. (2026). *Building the Foundations for Agentic AI at Scale*

Microsoft. (2025). *2025 Work Trend Index: The Year the Frontier Firm Is Born*

Microsoft. (2026). *2026 Work Trend Index: Agents, Human Agency, and the Opportunity for Every Organization*

National Institute of Standards and Technology. (2023). *Artificial Intelligence Risk Management Framework (AI RMF 1.0)*

Open Worldwide Application Security Project. (2025). *OWASP Top 10 for LLM and Generative AI Applications 2025*

Park, J. S., O’Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). *Generative Agents: Interactive Simulacra of Human Behavior*. Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology.

Stanford Institute for Human-Centered Artificial Intelligence. (2026). *AI Index Report 2026*

Wu, Q., Bansal, G., Zhang, J., et al. (2023). *AutoGen: Enabling Next-Generation LLM Applications via Multi-Agent Conversation*

Yao, S., Zhao, J., Yu, D., et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*

Haouati, Y. (2026). *Ingeniería Operativa Nativa de IA*. DeGNZ Labs.