Ilko García · 13 de agosto de 2026 · 12 min de lectura
Tu empresa sabe más de lo que tiene escrito
El conocimiento tácito, la inteligencia artificial y el activo empresarial que todavía no sabemos gestionar.
Gran parte del conocimiento que hace competitiva a una empresa nunca llega a escribirse. La inteligencia artificial introduce ahora una posibilidad nueva: que humanos y máquinas aprendan unos de otros y que parte de ese aprendizaje pueda persistir.
Imagina que mañana abandona tu empresa una de esas personas que llevan diez o quince años resolviendo problemas que nadie más sabe resolver igual.
Su documentación está actualizada. Los procedimientos existen. Las incidencias están registradas. Hay manuales, tickets, presentaciones, reuniones grabadas y páginas en Notion o Confluence.
Sin embargo, unas semanas después de su salida empiezan las preguntas.
¿Por qué este cliente necesita un tratamiento diferente aunque sobre el papel pertenezca al mismo segmento? ¿Cuándo conviene saltarse el procedimiento estándar? ¿Qué señal aparentemente irrelevante anticipa que un proyecto va a desviarse? ¿Por qué dos proveedores que cumplen exactamente los mismos requisitos producen resultados tan distintos?
Las respuestas estaban en la empresa. Pero no estaban escritas. Lo que se ha marchado no son datos. Es criterio.
Durante años, gestionar ese problema significó intentar convertir experiencia humana en documentos, procesos y bases de conocimiento. La inteligencia artificial introduce algo distinto: las máquinas también pueden acumular capacidades útiles difíciles de explicar, y parte de esas capacidades puede persistir, copiarse y desplegarse. La pregunta ya no es solo cómo capturar lo que sabe una persona, sino cómo gestionar lo que aprenden personas y sistemas cuando trabajan juntos.
Conviene hacer aquí una distinción que parece básica, pero que en la práctica se confunde constantemente: datos, información y conocimiento no son lo mismo.
Los datos son hechos aislados. La información aparece cuando esos datos se organizan, relacionan y adquieren contexto. El conocimiento surge cuando somos capaces de interpretarlos para comprender qué está ocurriendo, por qué importa y qué conviene hacer.
Una empresa puede tener miles de métricas, gráficos y dashboards y, aun así, no saber por qué está ocurriendo algo ni qué decisión debería tomar. Acumular información no equivale a generar conocimiento. Y esa diferencia puede convertirse en una de las cuestiones más importantes para entender qué significa realmente incorporar inteligencia artificial a una organización.
La relación entre conocimiento tácito e inteligencia artificial abre una cuestión distinta: qué ocurre cuando una parte del criterio difícil de expresar de las personas empieza a interactuar con sistemas capaces de aprender patrones igualmente difíciles de explicar.
Sabemos más de lo que podemos explicar
En 1966, Michael Polanyi formuló en The Tacit Dimension una de las ideas más influyentes de la teoría moderna del conocimiento: We can know more than we can tell (Polanyi, 1966, p. 4). Lo que viene a decir que los seres humanos podemos llegar a saber más de lo que somos capaces de expresar.
Polanyi utilizaba ejemplos aparentemente simples. Somos capaces de reconocer entre miles de personas una cara familiar sin poder describir con precisión qué combinación exacta de rasgos nos permite identificarla.
Algo parecido ocurre con buena parte de la experiencia profesional.
Un técnico experimentado escucha un ruido y sospecha dónde está la avería antes de realizar ninguna prueba. Un director comercial detecta que una oportunidad aparentemente excelente difícilmente terminará cerrándose. Una enfermera observa pequeños cambios en un paciente que todavía no aparecen reflejados en ningún indicador. Un responsable de proyecto percibe que un equipo está empezando a bloquearse mucho antes de que el retraso aparezca en el cuadro de mando.
Pedirles que expliquen qué han visto puede producir algunas reglas útiles. Pero rara vez conseguiremos reconstruir completamente el proceso que ha producido su juicio.
Ese conocimiento se ha desarrollado mediante años de observación, errores, conversaciones, patrones reconocidos, decisiones tomadas y consecuencias experimentadas.
Es conocimiento tácito.
Conviene, además, no reducir el concepto a “todo aquello que todavía no hemos documentado”. Polanyi planteaba algo más profundo: incluso cuando conseguimos expresar una parte de nuestro conocimiento, continúa existiendo un componente tácito que permite interpretar correctamente aquello que hemos explicitado.
Un procedimiento puede decir qué hacer. Pero la experiencia ayuda a reconocer cuándo ese procedimiento deja de ser suficiente.
Durante décadas la disciplina de gestión empresarial ha intentado reducir esta dependencia. Manuales. Sistemas de calidad. Bases de conocimiento. SOP. Wikis corporativas. Gestión documental. Lecciones aprendidas. Y lo cierto es que todo ello es necesario. Pero parte de la inteligencia de una organización continúa viviendo en las personas que saben interpretar esos artefactos.
Ahora veremos como esta cuestión cambia radicalmente cuando introducimos inteligencia artificial.
TÁCITO
Según la RAE, aquello «que no se entiende, percibe, oye o dice formalmente, sino que se supone e infiere»
CONOCIMIENTO TÁCITO
Saber adquirido mediante la experiencia y el contexto, difícil de expresar o codificar por completo, pero que guía nuestro juicio y nuestra forma de actuar.
IDEA CLAVE
Un procedimiento puede decir qué hacer. La experiencia ayuda a reconocer cuándo
ese procedimiento deja de ser suficiente.
Ahora las máquinas también contienen conocimiento difícil de explicar
Durante buena parte de la historia de la informática intentamos construir sistemas inteligentes diciéndoles explícitamente qué tenían que saber.
Los sistemas expertos representaban el conocimiento mediante reglas, condiciones y relaciones programadas previamente: si ocurre A y además B, entonces probablemente C.
El problema era evidente cuando el dominio se volvía suficientemente complejo.
Un experto podía resolver correctamente una situación y, sin embargo, ser incapaz de proporcionar todas las reglas necesarias para que un programador reprodujera su razonamiento.
La inteligencia artificial moderna funciona de otra manera.
Las capacidades de un modelo de Machine Learning o de un gran modelo de lenguaje no proceden exclusivamente de una colección de reglas escritas manualmente por sus desarrolladores. Durante el entrenamiento, los modelos aprenden regularidades y relaciones a partir de grandes cantidades de datos.
El resultado es una capacidad que puede ser observable sin que exista una explicación simple, legible y completa de todas las relaciones internas que la producen. Esta dificultad forma parte del problema más amplio de la explicabilidad de los modelos de inteligencia artificial.
En un preprint publicado en 2026, Aaron Chatterji, Daniel Rock y Eduard Talamàs propusieron en The Human-Machine Knowledge Spiral analizar esta situación mediante un concepto especialmente sugerente: tacit machine knowledge, o conocimiento tácito de la máquina.
Su punto de partida recupera directamente a Polanyi.
Si una máquina puede aprender regularidades que no fueron especificadas previamente como un conjunto de reglas explícitas y puede utilizar posteriormente esas regularidades para producir predicciones, diseños o decisiones, entonces existe una analogía organizativamente relevante con el conocimiento tácito humano.
Pero esta afirmación necesita una precisión importante.
TACIT MACHINE KNOWLEDGE
Conocimiento o capacidad adquirida por una máquina que puede manifestarse en sus resultados aunque las reglas internas que la producen no puedan expresarse de forma completa y sencilla.
Una analogía con el conocimiento tácito humano; no implica que la máquina “conozca” como una persona.
No, esto no significa que una máquina “sepa” como una persona
Utilizar la expresión conocimiento tácito de la máquina no resuelve el debate filosófico sobre si una inteligencia artificial comprende, posee experiencia subjetiva o conoce algo de la misma manera que un ser humano.
Ni siquiera es necesario resolverlo para que el concepto resulte útil.
Los propios Chatterji, Rock y Talamàs introducen esta cautela: una máquina no necesita poseer conocimiento en el sentido epistemológico clásico de una creencia verdadera y justificada para almacenar información y actuar sobre ella mediante procesos que, desde una perspectiva organizacional, se parecen a determinados procesos humanos de conocimiento.
La distinción importa.
Un modelo puede identificar una regularidad que ninguno de nosotros había detectado.
Eso no implica que comprenda su significado como lo haría una persona.
Y precisamente esa diferencia entre capacidad para detectar patrones y capacidad para otorgarles significado dentro de una situación concreta es donde comienza a aparecer algo mucho más interesante que la sustitución de humanos por máquinas.
Aparece la posibilidad de combinar formas distintas de conocimiento.
El caso de NotCo permite verlo con bastante claridad.
IDEA CLAVE
Detectar un patrón no es lo mismo que comprender su significado.
La utilidad del concepto no depende de asumir que una máquina conoce como una persona.
Una inteligencia artificial capaz de diseñar leche verde
NotCo nació con un problema extremadamente difícil: reproducir mediante ingredientes vegetales las características de productos de origen animal.
No bastaba con encontrar una fórmula nutricionalmente equivalente.
Una leche debe tener determinado color, aroma, textura, viscosidad, comportamiento al calentarse y sensación en boca. Y el consumidor posee expectativas sobre todas esas propiedades aunque difícilmente sea capaz de describirlas mediante una especificación técnica exhaustiva.
Para explorar ese espacio, NotCo desarrolló Giuseppe, una plataforma de inteligencia artificial capaz de trabajar con información sobre ingredientes, propiedades químicas y moleculares, formulaciones anteriores y resultados experimentales.
Según explica la propia compañía, Giuseppe estudia combinaciones de plantas y analiza los alimentos a nivel molecular, físico y químico. Los chefs y especialistas de NotCo prueban posteriormente las formulaciones y devuelven sus evaluaciones al sistema dentro de un ciclo continuo de feedback.
La reconstrucción del caso realizada por Chatterji, Rock y Talamàs incluye un episodio particularmente ilustrativo.
En uno de los primeros intentos de desarrollar NotMilk, Giuseppe encontró propiedades interesantes en el eneldo y lo incorporó a una formulación.
El resultado fue una leche verde.
Desde la representación de datos que manejaba el sistema, la propuesta tenía sentido.
Desde el conocimiento humano situado en una cocina, había pasado por alto algo elemental: las personas no esperan que la leche sea verde.
Ese fracaso contiene una lección considerable.
Giuseppe disponía de información que ningún chef podía procesar a esa escala. Los chefs disponían de conocimiento que Giuseppe no tenía. La solución no consistió en decidir cuál de los dos era más inteligente. Consistió en hacer interactuar ambas formas de conocimiento.
- Giuseppe proponía.
- Los chefs y científicos preparaban las fórmulas.
- Las personas probaban, olían, observaban y medían.
- Sus evaluaciones regresaban al sistema.
- El sistema producía nuevas posibilidades.
- Muchas fracasaban.
Pero otras abrían espacios que probablemente ningún equipo humano habría explorado de la misma manera.
Una de ellas fue la aparentemente extraña combinación de piña y repollo utilizada en el desarrollo de NotMilk. La propia NotCo señala hoy estos ingredientes entre los utilizados para reproducir características de alimentos animales, y el caso académico los utiliza como ejemplo de una propuesta de la máquina que terminó ampliando el espacio de soluciones explorado por los humanos.
La innovación no estaba dentro de Giuseppe.
Tampoco estaba exclusivamente dentro de la cabeza de los chefs.
Estaba en el ciclo que permitía que cada uno corrigiera y ampliara al otro.
IDEA CLAVE
La innovación no estaba en la IA ni en los expertos por separado, sino en el ciclo de corrección entre ambos.
Giuseppe ampliaba el espacio de posibilidades. Los humanos aportaban contexto, criterio y significado.
Aquí aparece una diferencia económica fundamental
El conocimiento tácito humano tiene una limitación histórica: viaja despacio.
Formar a un buen cirujano, técnico, comercial, cocinero o director de proyectos requiere exposición a situaciones reales.
- Observación.
- Práctica.
- Errores.
- Mentoría.
- Tiempo.
Podemos acelerar el aprendizaje, pero no podemos copiar veinte años de experiencia de una persona a otra.
El conocimiento tácito de una máquina posee una propiedad diferente: Puede ser portable.
Cuando una capacidad queda representada en pesos de un modelo, una arquitectura, una memoria, representaciones internas u otros artefactos legibles por máquinas, puede incorporarse a nuevos sistemas, desplegarse mediante software o utilizarse como punto de partida para otros procesos.
No necesitamos entender completamente cada relación interna antes de utilizar esa capacidad en otro lugar. Ese cambio altera profundamente la economía tradicional del conocimiento.
Durante décadas, una de las ventajas de las organizaciones más experimentadas era que determinadas personas habían acumulado conocimientos difíciles de adquirir e imitar.
Ahora aparece la posibilidad de que una parte del aprendizaje producido mediante la interacción entre expertos y sistemas de IA pueda persistir y propagarse de maneras que el conocimiento humano por sí solo no permite.
NotCo proporciona de nuevo un ejemplo.
Giuseppe dejó de ser únicamente una tecnología utilizada internamente para desarrollar los productos de NotCo. La compañía creó una actividad B2B alrededor de su plataforma de IA, y en 2025, NotCo AI y Barry Callebaut anunciaron una colaboración para explorar el uso de inteligencia artificial en el desarrollo de recetas de chocolate.
El conocimiento acumulado alrededor de un problema puede empezar a participar en otro.
Sin necesidad de que todos los aprendizajes intermedios hayan sido convertidos previamente en un manual.
Eso es diferente a digitalizar conocimiento. Es empezar a hacer portable una parte de la capacidad aprendida.
DIFERENCIA CLAVE
El conocimiento tácito humano necesita tiempo para transferirse. El conocimiento de máquina puede desplegarse a velocidad de software.
La ventaja no está solo en aprender, sino en poder hacer portable parte de lo aprendido.
Ya podemos observar algo parecido dentro de empresas convencionales
No hace falta trabajar en biotecnología o ciencia alimentaria para observar las primeras consecuencias.
Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron en Generative AI at Work la introducción de un asistente generativo en el trabajo de 5.172 agentes de atención al cliente.
En la versión publicada en The Quarterly Journal of Economics, el acceso a la herramienta incrementó aproximadamente un 15 % la productividad media, medida mediante problemas resueltos por hora. Los beneficios fueron particularmente relevantes entre trabajadores con menor experiencia, mientras que el impacto sobre los trabajadores más experimentados fue mucho menor.
Los investigadores encuentran además evidencia compatible con una hipótesis especialmente interesante: el sistema estaba ayudando a difundir prácticas asociadas a los trabajadores de mayor rendimiento y acelerando la curva de aprendizaje de los menos experimentados.
Hay que ser cuidadosos con la interpretación.
El experimento no demuestra que toda la experiencia tácita de los mejores empleados estuviera mágicamente almacenada en la IA.
Pero sí muestra algo empresarialmente importante.
Una capacidad algorítmica puede convertirse en mecanismo de difusión de patrones de actuación que antes estaban distribuidos de forma desigual entre trabajadores.
La pregunta deja entonces de ser únicamente: ¿Cuánto tiempo ahorra la IA?
Y empieza a aparecer otra mucho más estratégica: ¿Qué conocimiento está ayudando a distribuir dentro de la organización?
EVIDENCIA EMPÍRICA
Más de 5.000 agentes estudiados. Aproximadamente un 15 % de mejora media en productividad. Brynjolfsson, Li & Raymond (2025).
El efecto fue mayor entre los trabajadores con menos experiencia, lo que apunta a una posible difusión de prácticas asociadas a los empleados de mayor rendimiento.
El activo no es el modelo
Aquí aparece una paradoja. La mayoría de empresas puede contratar acceso a modelos similares.
Un competidor puede utilizar el mismo proveedor.
- Puede contratar la misma API.
- Puede utilizar una arquitectura comparable.
- Incluso puede copiar muchos de tus prompts.
Por eso resulta difícil sostener que el modelo, por sí mismo, vaya a constituir una ventaja competitiva duradera.
Lo difícil de copiar empieza a estar en otra parte.
En las decisiones que la organización ha tomado. En sus excepciones. En los resultados observados. En las correcciones de sus especialistas. En los criterios utilizados para distinguir una buena respuesta de una simplemente plausible. En la historia de qué funcionó, qué fracasó y por qué.
Y, sobre todo, en la capacidad para conseguir que esa experiencia entre de forma sistemática en los ciclos mediante los que humanos y máquinas trabajan juntos.
La propiedad intelectual relevante de una organización puede empezar a incluir algo que tradicionalmente no habríamos considerado un activo tecnológico: la forma en que sus expertos enseñan a sus sistemas y la forma en que sus sistemas consiguen enseñar algo nuevo a sus expertos.
VENTAJA COMPETITIVA
El modelo se puede comprar. La experiencia acumulada de una organización, no.
La diferencia está en cómo convierte decisiones, errores, correcciones y criterio experto en aprendizaje reutilizable por sus sistemas.
Esto cambia cómo deberíamos abordar la IA empresarial
Si aceptamos esta hipótesis, algunas prioridades cambian.
Documentar sigue siendo imprescindible, pero deja de ser suficiente.
Una base de conocimiento solo contiene aquello que la organización ha conseguido expresar. El diseño debe contemplar también cómo capturar decisiones, preferencias, correcciones, excepciones y resultados.
El feedback deja de ser un mecanismo de soporte y pasa a ser infraestructura de conocimiento.
Cada vez que un especialista corrige una propuesta de la IA existe potencialmente una señal valiosa. Si esa señal desaparece al cerrar la conversación, la organización no ha aprendido nada.
Si un experto corrige hoy una respuesta de la IA, ¿dónde existe esa corrección mañana?
Si solo queda enterrada en el historial de una conversación, la empresa no ha creado conocimiento organizacional. Ha tenido una buena conversación.
Los expertos no deberían limitarse a consumir IA.
Pueden convertirse en evaluadores, diseñadores de criterios, productores de demostraciones y validadores del comportamiento de los sistemas.
No todo feedback modifica el modelo.
Una corrección realizada durante una conversación normalmente no cambia automáticamente los pesos del LLM. Puede conservarse como memoria, convertirse en una instrucción, alimentar un conjunto de ejemplos o evaluaciones y, solo cuando existe un proceso específico de entrenamiento o adaptación, terminar modificando el modelo. Confundir estas cosas genera una falsa sensación de aprendizaje.
Escalar una capacidad no equivale a crear conocimiento organizacional.
Una API puede distribuir un comportamiento a miles de empleados en segundos. Eso no garantiza que dicho comportamiento sea correcto para su contexto, que sus supuestos continúen vigentes o que la organización comprenda cuándo debe utilizarlo.
Esta última distinción es probablemente la más importante. La portabilidad del conocimiento de máquina puede ser enorme. También puede permitirnos escalar un error con una eficiencia extraordinaria.
Persistir no es lo mismo que aprender. Una corrección almacenada puede quedar obsoleta, entrar en contradicción con otras o haber sido válida únicamente bajo determinadas condiciones. Convertirla en conocimiento organizacional exige conservar también su procedencia, contexto, vigencia y algún mecanismo para volver a evaluarla.
CAMBIO DE ENFOQUE
La IA empresarial no debería diseñarse solo para responder mejor, sino para conseguir que la organización aprenda de cada interacción.
Capturar correcciones, excepciones, decisiones y resultados importa tanto como desplegar el modelo.
El experto no desaparece: cambia de posición
El relato más simple sobre inteligencia artificial plantea una competición.
Humano contra máquina… Quién razona mejor. Quién produce más rápido. Quién terminará sustituyendo a quién.
La gestión del conocimiento sugiere una pregunta diferente.
¿Qué sabe cada uno que el otro no sabe?
Giuseppe podía explorar relaciones moleculares que excedían radicalmente la capacidad de un equipo humano. Los chefs podían mirar un vaso y saber que aquella leche verde era absurda.
La máquina ampliaba el espacio de posibilidades. Los humanos aportaban significado, experiencia, expectativas, finalidad y contexto.
Y después ocurría algo todavía más interesante: las propuestas inesperadas de la máquina también podían modificar la intuición de los expertos.
No estamos, por tanto, ante una transferencia en una única dirección.
No se trata simplemente de extraer la experiencia de las personas para depositarla dentro de una máquina.
Tampoco de utilizar una inteligencia artificial como un oráculo que entrega respuestas a trabajadores pasivos.
Estamos comenzando a construir circuitos bidireccionales de conocimiento.
Las personas alteran el comportamiento de los sistemas.
Los sistemas exponen a las personas a patrones, hipótesis y posibilidades que pueden alterar su propio criterio.
La organización aprende en la interacción.
NUEVO PAPEL DEL EXPERTO
El experto deja de ser solo quien aporta conocimiento y pasa también a formar parte del sistema que lo crea.
Humanos y máquinas no solo se corrigen: también pueden ampliar mutuamente su capacidad de interpretar y actuar.
El verdadero problema no es capturar todo lo que sabes
Durante años hemos perseguido una aspiración comprensible: documentar el conocimiento para que no se pierda.
La inteligencia artificial no elimina esa necesidad. Pero revela sus límites.
Una empresa no puede convertir toda su experiencia en documentos porque una parte de aquello que hace competentes a sus profesionales nunca ha existido completamente en forma documental.
Y ahora ocurre algo adicional.
Una parte de la capacidad útil de sus sistemas de inteligencia artificial tampoco podrá reducirse a una colección simple de reglas que podamos leer y explicar.
Eso significa que gestionar conocimiento en una empresa ya no consiste únicamente en decidir dónde almacenar información.
Consiste en diseñar cómo diferentes formas de conocimiento pueden encontrarse.
- Datos.
- Documentos.
- Experiencia.
- Juicio.
- Modelos.
- Resultados.
- Errores.
- Correcciones.
El activo no será la cantidad de información acumulada. Será la capacidad de convertir todas esas piezas en ciclos que mejoren la forma en que la organización percibe, decide y actúa.
Una empresa puede disponer de los mejores modelos del mercado y continuar aprendiendo muy poco. Mientras que otra puede utilizar exactamente esos mismos modelos y convertir cada interacción entre personas y máquinas en una oportunidad para mejorar su inteligencia colectiva.
La diferencia no estará necesariamente dentro de la inteligencia artificial. Estará en cómo la organización ha aprendido a relacionarse con ella.
Y eso conduce a una pregunta mucho más concreta: si mañana desaparecieran todos los historiales de chat de tu empresa, ¿cuánto de lo que tus expertos han enseñado a la IA seguiría existiendo?
TESIS FINAL
Gestionar conocimiento ya no consiste solo en almacenarlo, sino en diseñar cómo interactúan sus distintas formas.
Datos, experiencia, juicio, modelos, errores y correcciones solo generan ventaja cuando forman parte de un ciclo de aprendizaje.
Siguiente análisis: La IA no solo responde: también cambia cómo aprende tu empresa
Nota metodológica.
Este artículo distingue entre literatura consolidada, evidencia empírica publicada y propuestas recientes. El concepto tacit machine knowledge procede de un preprint publicado en 2026 y se presenta aquí como una propuesta en desarrollo, no como un consenso establecido. Las implicaciones organizativas que extraigo de estas fuentes son una síntesis editorial propia.
REFERENCIAS
Polanyi, Michael. 1966. The Tacit Dimension. Garden City, NY: Doubleday..
NotCo. “Conoce a Giuseppe.” Documentación oficial sobre su sistema de inteligencia artificial..
NotCo AI. “Platform.” Documentación actual de Giuseppe como plataforma para desarrollo de productos..