Ya no me necesitan

Cómo automaticé mi propio rol como líder de AI — y lo que eso realmente se siente

---

Esta semana pasada, me di cuenta de algo incómodo: me había automatizado a mí mismo fuera de una porción significativa de mi trabajo como project manager. No teóricamente. No como ejercicio. Lo había hecho de verdad — pieza por pieza, reunión por reunión, análisis por análisis — hasta que miré lo que quedaba de mi trabajo diario y pensé: esto ya no me necesita.

Soy líder de AI en una empresa mediana en Alemania. Mi trabajo es evaluar, implementar y gestionar soluciones de AI en toda la empresa. La ironía no se me escapa: las herramientas para las que me contrataron son las mismas que ahora hacen partes de mi trabajo mejor que yo.

Voy a ser honesto: la AI no ha hecho todo perfecto. Ha habido fallos y resultados que necesitaron edición pesada. Pero esos fallos son pequeños comparados con el volumen y la calidad de lo que ha entregado. El balance se inclina abrumadoramente a favor de la máquina.

Así es como pasó.

Los cimientos: Automatizar primero el trabajo aburrido

Empezó con las reuniones. La vida de todo trabajador del conocimiento está dominada por reuniones, y cada reunión genera el mismo overhead: notas, action items, seguimientos, preparación para la siguiente.

Construí un workflow con un agente de AI que hace lo siguiente:

1. Transcripción y notas de reuniones. Nuestra empresa usa Microsoft Teams, que provee transcripciones automáticas — pero suelen ser mediocres, especialmente cuando la gente cambia entre alemán e inglés a mitad de oración (lo cual pasa constantemente en una empresa alemana con equipo internacional). Así que configuré mi agente para tomar la grabación de video original y producir su propia transcripción, que es consistentemente mejor. A partir de esa transcripción, genera notas estructuradas y tareas accionables.

2. Preparación de reuniones. Antes de las reuniones, hago que el agente revise todo el contexto previo — notas de reuniones anteriores, documentación relacionada, tareas abiertas — y genere un brief de preparación. Esto incluye:

• Qué se debería discutir
• Qué objetivos necesitamos lograr
• Qué información todavía necesitamos obtener

Solo esto me ahorró horas de investigación y preparación pre-reunión.

3. Reportes de estado semanales. Conecté al agente con Confluence (nuestra documentación interna), Asana (nuestra herramienta de gestión de tareas) y mi calendario. Al darle una captura de pantalla de mi calendario de la semana anterior, cruza referencias con todo y produce:

• Un resumen de lo que logré
• Lo que sigue en progreso
• Lo que me está bloqueando

Agrega todo esto en un reporte estructurado y luego provee un análisis que uso para prepararme para mi check-in semanal con el equipo. Lo que antes era una tarea tediosa y a menudo frenética antes de una reunión — armar lo que hice toda la semana a partir de notas dispersas y memoria — ahora toma minutos.

El caso de estudio: Automatizar un workflow de proyecto completo

La verdadera revelación vino con un proyecto específico: encontrar una solución de knowledge base para la empresa.

Tres departamentos diferentes necesitaban esto: IT service desk, atención al cliente y gestión de producto. Cada uno tenía requisitos diferentes, herramientas existentes diferentes y distintos stakeholders con opiniones variadas. El tipo de proyecto que típicamente toma meses de reuniones, exploración y navegación política.

Así se ve el proceso tradicional:

1. Solicitud inicial de stakeholders
2. Reuniones de clarificación para entender la necesidad real
3. Definición de requisitos
4. Exploración de soluciones internas existentes
5. Investigación de soluciones externas
6. Evaluación y comparación
7. Propuesta final

Automaticé casi todo.

El agente procesó transcripciones de reuniones con stakeholders. Digirió documentación sobre nuestras herramientas existentes — Salesforce (nuestro CRM) y Jira Service Management (subutilizado en nuestro departamento de IT). Analizó requisitos de diferentes departamentos, identificó superposiciones y conflictos, y ayudó a sintetizar una propuesta.

Lo que esencialmente hicimos fue tomar todo el conocimiento que residía en mi cabeza y en las cabezas de expertos a lo largo de la empresa, y digitalizarlo — ya sea a través de documentación escrita o a través de las reuniones mismas. El agente procesó todo en una forma sobre la cual podía razonar, comparar y sacar conclusiones.

El resultado no fue perfecto. Todavía necesitaba mi juicio, mi entendimiento de las dinámicas internas de la empresa, restricciones adicionales no documentadas y un sentido de qué soluciones podrían realmente ser adoptadas. Pero nos llevó el 80% del camino en una fracción del tiempo.

La visión: Lo que viene después

Aquí es donde se pone interesante — y un poco inquietante.

Puedo ver el siguiente paso claramente, aunque aún no lo hemos implementado: automatizar el engagement con stakeholders en sí. En vez de agendar una docena de reuniones para clarificar requisitos, imagina una interfaz de chat donde el agente interactúa directamente con los stakeholders. Hace las preguntas correctas, clarifica ambigüedades, captura requisitos en un formato estructurado, y luego:

1. Evalúa qué soluciones ya están disponibles internamente
2. Explora opciones adicionales del mercado
3. Cruza requisitos contra tecnología disponible
4. Produce una propuesta para todos los stakeholders

Un proceso que actualmente toma semanas de coordinación de calendarios y fatiga de reuniones podría suceder de forma asíncrona, exhaustiva y sin que nadie tenga que encontrar un espacio libre en el calendario de todos.

Este es el punto donde "ya no me necesitan" deja de ser un chiste.

Cómo construir esto tú mismo: Una guía práctica

Si quieres empezar a automatizar tus propios workflows, aquí está el enfoque que funcionó para mí:

Paso 1: Empieza con el overhead de reuniones

Esta es la fruta más baja y la automatización con mayor ROI para la mayoría de los trabajadores del conocimiento. Consigue un agente de AI (Claude Code, un workflow basado en GPT, o similar) que pueda:

• Transcribir reuniones (especialmente si tu herramienta corporativa hace un mal trabajo)
• Extraer action items y decisiones clave
• Generar notas estructuradas

Paso 2: Conecta tus silos de datos

El verdadero poder viene de conectar al agente con las herramientas donde tu trabajo realmente vive: gestión de tareas, plataformas de documentación, calendarios, email. El agente necesita contexto para ser útil. Sin eso, es solo otro chatbot.

Paso 3: Automatiza la preparación, no solo la documentación

La mayoría de la gente se queda en "la AI toma mis notas de reunión". La ganancia más grande es hacer que la AI te prepare para las reuniones. Aliméntala con todo el contexto previo y deja que te diga qué necesita pasar después.

Paso 4: Construye workflows de síntesis semanal

Conecta tu calendario, gestor de tareas y herramienta de documentación. Deja que el agente cree un resumen semanal que tú revisas y refinas. Esto te obliga a mantener tus herramientas actualizadas (porque el output del agente es tan bueno como los datos a los que puede acceder) y te da una imagen clara de a dónde va realmente tu tiempo.

Paso 5: Aborda un proyecto real de principio a fin

Elige un proyecto con inputs claros (requisitos de stakeholders, herramientas existentes, opciones del mercado) y un output claro (una recomendación o propuesta). Aliméntale todo al agente y mira qué tan cerca llega. Te vas a sorprender.

La parte de la que nadie habla: Burnout

Aquí está el lado oscuro que no aparece en los hilos de productividad.

La capacidad de hacer multitasking con agentes — tener múltiples workflows de AI corriendo simultáneamente, cada uno manejando un proyecto diferente — me ha hecho increíblemente productivo. Ahora puedo lograr cosas en administración, gestión de proyectos y desarrollo de software que nunca imaginé posibles. Para alguien con mi personalidad y estilo de trabajo, esto es intoxicante.

Así que sigo empujando. Probando los límites. Viendo qué más se puede hacer. Y porque tengo el tipo de personalidad que no para cuando debería, esto ha cobrado su precio — mental y físicamente.

No son solo las horas de estar involucrado con múltiples agentes en diferentes tareas. Es el peso cognitivo de la realización en sí. Estás corriendo hacia lo desconocido, construyendo capacidades cuyas implicaciones no entiendes del todo, y la incertidumbre de a dónde lleva todo esto crea un tipo específico de ansiedad que es difícil de explicar a personas que no lo están viviendo.

Hay una frase a la que sigo volviendo: "Si no sientes un poco de vértigo, no estás yendo lo suficientemente lejos." Siento el vértigo. Algunos días es emocionante. Algunos días es simplemente vértigo.

Lo que "ya no me necesitan" realmente significa

Por supuesto, "ya no me necesitan" es una exageración. La AI no puede navegar la política de oficina. No sabe a qué stakeholder acercarse. No puede leer una sala ni construir la confianza que hace que la gente realmente adopte nuevas herramientas en vez de ignorarlas.

Lo que cambió es dónde me necesitan. El trabajo mundano — las transcripciones, los resúmenes, la investigación, los primeros borradores, las matrices de comparación — eso está resuelto. Lo que queda es estrategia, juicio, criterio y relaciones. Las cosas que son más difíciles de automatizar y más difíciles de definir.

Siento el peso y el poder de estos agentes de AI sobre mis hombros. Es a la vez liberador y asfixiante. Liberador porque finalmente puedo operar al nivel en el que siempre quise — pensando en lo que importa en vez de ahogarme en overhead administrativo. Asfixiante porque el suelo sigue moviéndose bajo mis pies, y puedo ver cómo se mueve bajo los pies de todos los demás también.

La verdad honesta es que la automatización me liberó para trabajar a un nivel más alto de operación y gestión. Pero también eliminó el andamiaje cómodo del trabajo ocupado que solía estructurar mis días. Cuando el trabajo ocupado desaparece, te quedas con las preguntas más difíciles: ¿Qué deberíamos estar haciendo realmente? ¿Qué importa? ¿Cuál es la decisión correcta cuando no hay respuestas claras?

Esas son las preguntas que todavía necesitan un humano. Por ahora.