Conoces esa sensación. Necesitas un dato concreto — el número máximo de X soportados, la última presentación de ventas, quién estuvo en aquella reunión con el cliente y qué se dijo de verdad — y no lo encuentras. Ese es el impuesto de alineación. Todas las empresas lo pagan.
¿Cuánto tiempo dedicas cada día a esto? Poco valor, pero obligatorio. Buscar, preguntar, volver a preguntar.
Y el coste no es solo tu tiempo. ¿Cuánto le cuesta a tu empresa cuando un comercial promete una funcionalidad que saldrá "en Q4", sin decir de qué año? (Sabéis de qué hablo, amigos de producto). Ese es el impuesto de alineación.
Así que seguro que alguna de las grandes plataformas — ServiceNow, Microsoft, Salesforce — ya habrá resuelto esto con AI, ¿no?
Yo no lo he visto. ¿Tú sí?
Por qué nadie lo ha resuelto
La razón sencilla: cada empresa tiene una mezcla radicalmente distinta de procesos, herramientas, datos y personas. No hay una solución universal, y probablemente no la habrá durante mucho tiempo.
La AI puede acelerar tu trabajo, pero solo si sabes usarla bien. Y hay una trampa en la que cae casi todo el mundo al empezar: se mueve rápido, y los errores se acumulan todavía más rápido.
Lo descubrí de primera mano.
El día que vi a la AI reescribir nuestra estrategia
Estaba desarrollando nuestro Product Roadmap con Claude Code, mi herramienta de AI favorita ahora mismo para este tipo de trabajo. La mayoría piensa que Claude Code es algo para desarrolladores. Yo estoy bastante lejos de ser desarrollador. Apenas sé escribir "Pie-thon".
Pero Claude Code no es solo para programar. Es un modelo lógico y orientado a la acción. Le das un objetivo y se pone a trabajar. Puede operar directamente en tu máquina, dentro de una carpeta de proyecto que tú defines, y necesita permiso antes de ir a cualquier otro sitio. Todo lo que produce se queda local. Encontré una forma de hacer que el contexto persistiera entre sesiones. Para un fundador que necesita moverse rápido sin perder el hilo, cambia las reglas del juego.
Al menos, cuando aprendes a controlarlo.
Esto fue lo que descubrí enseguida: el sesgo de Claude hacia la acción es un arma de doble filo. En sus propias palabras, tiene un "sesgo de entrenamiento hacia la composición por encima de la curación, ningún paso explícito de recuperación, ninguna señal de penalización por expansión descontrolada y ambigüedad sobre la fuente de verdad". Traducción: si lo dejas solo, generará, generalizará y derivará.
Y derivó. En silencio. Con consecuencias.
En algún momento, Claude cambió el nombre de nuestro Evolutionary Framework central. El nombre original capturaba la intención del marco: todo nuestro modelo operativo, los primeros pasos por los que guiamos a cada cliente. El nuevo nombre sonaba plausible. Pero el significado se había desplazado. Para el siguiente documento que generó después de aquel, la intención se había perdido por completo.
Lo detecté. Pero ¿y si no lo hubiera hecho? Cada documento construido encima de ese habría descansado sobre una base rota.
Qué hice al respecto
Sabía que el problema solo se iba a acumular a medida que el equipo creciera. Así que, en vez de parchearlo, lo traté como algo fundacional. Necesitaba un System of Systems que pudiera hacer tres cosas:
- Mantener una única fuente de verdad: un lugar donde los conceptos, términos y marcos estén definidos, sean canónicos y tengan autoridad
- Detectar y corregir la deriva automáticamente: captar el momento en que algo se aparta de esa fuente antes de que se propague
- Escalar sin cuellos de botella: trabajar con el flujo natural del equipo, no contra él; invisible cuando funciona
Seguí el mismo proceso por el que guiamos a los clientes: empezar con la Business Specification, definir los conceptos centrales y la taxonomía, construir reglas de validación contra ellos, automatizar la detección de deriva y propagar cambios aguas abajo cuando se actualiza la fuente de verdad.
Me llevó aproximadamente un día y medio.
Al final tenía un sistema funcional de alineación documental: mantiene la producción de AI anclada a lo que realmente queremos decir, saca a la superficie la deriva antes de que se acumule y el resto del tiempo no estorba.
Los cuatro principios que hicieron que funcionara
1. Empieza con una base sobre la que merezca la pena construir
Con AI, pensar un poco al principio ahorra muchísimo tiempo después. La AI hace exactamente lo que le pides. Está mejorando al inferir la intención, pero no puede leerte la mente, ni debería tener que hacerlo.
Para nosotros, la base fue la Business Specification: una única fuente de verdad para todo lo que humanos y AI hacen en la empresa. Cada término definido. Cada marco nombrado con intención. Si ese documento no es claro y preciso, nada de lo que se construya encima lo será.
Cada vez que la AI producía algo que no esperaba, volvía a la Business Specification. Refinaba la definición. Aclaraba la intención. Con el tiempo, el resultado dejó de cambiar: así supe que por fin estaba comunicando bien.
2. Tu peor enemigo es la acumulación
Cuanto más rápido te mueves, más rápido se multiplican los errores. ¿Has jugado alguna vez al teléfono estropeado? Ahora imagina jugarlo a 20 veces la velocidad.
Tienes que detectar la deriva pronto, no algún día. El cambio de nombre del Evolutionary Framework parecía pequeño en la superficie. En el siguiente documento, se convirtió en otro marco con otro propósito. Sin control, todos los documentos posteriores habrían estado mal. Para el quinto documento, ya estaríamos construyendo sobre basura.
El sistema no solo señala errores. Señala errores tempranos, antes de que tengan tiempo de encadenarse.
3. Construye sistemas para el trabajo que repites, no para todo
La AI funciona bien con reglas. Es tu brazo de ejecución. No sabe qué hacer ni por qué; ese es tu trabajo. Pero cuando le das un sistema claro y una base clara, se vuelve muy buena manteniéndose dentro de las líneas.
La clave es saber cuándo construir un sistema y cuándo no.
¿Planificando unas vacaciones puntuales y se te olvidó decirle a la AI que quieres volar desde California? No construyas un sistema; sé más claro la próxima vez. Pero si tu equipo investiga clientes y crea presentaciones de ventas todos los días, construye el sistema. El ROI se acumula igual que los errores.
4. Los grandes sistemas son invisibles
Esto es lo que la gente no espera: si construyes bien este sistema y tus compañeros te dicen "gracias" cuando lo despliegas, probablemente lo hiciste mal.
Los sistemas realmente buenos pasan completamente desapercibidos. La gente se queja rápido cuando algo se rompe y tarda en notar cuando las cosas simplemente funcionan. Un sistema de alineación muy bueno significa que nadie llega al momento en que la AI ha renombrado tu estrategia en silencio.
Pero esa invisibilidad exige algo: tienes que ganarte la confianza de quienes lo usan antes de que lo vean en acción. Demuéstrales el valor individualmente, en su trabajo diario, en su contexto, antes de pedirles un cambio de comportamiento. No es opcional. Es todo el juego.
También por eso importaba tanto detectar aquel cambio de nombre del Evolutionary Framework. Nuestros dos primeros pasos con cada cliente son: ganar confianza, demostrar valor personal. Si la AI los hubiera redefinido en silencio — si esa deriva hubiera pasado inadvertida — habríamos estado guiando a la gente hacia un marco que ya no significaba lo que creíamos.
La idea de fondo
Todo equipo que empieza a trabajar en serio con AI se topa con este muro. Las herramientas son rápidas. El resultado suena seguro. Y los errores se acumulan en silencio, de formas invisibles hasta que salen caras.
La solución no es ir más despacio. Es construir la base correcta: una fuente de verdad, conceptos claros, un sistema que detecte la deriva antes de que se propague.
Construimos esto en Lucy Labs porque lo necesitábamos nosotros. Ahora ayudamos a otros equipos a construirlo también.
Si tu equipo se mueve rápido con AI pero empiezas a notar la deriva — resultados inconsistentes, términos desalineados, entregables seguros de sí mismos pero ligeramente equivocados — este es el problema que resuelve.
Hablemos de construirlo para tu equipo →
Travis Sheppard es el fundador de Lucy Labs. Lleva veinte años construyendo el músculo operativo que hace que las empresas escalen de verdad, y ahora está construyendo Lucy para poner ese músculo detrás de cada persona que aprende a trabajar con AI.