Qué le preguntamos a la IA: usos reales, proporciones y riesgos (Parte 1)

¿Qué le pregunta la gente a la IA? Según los estudios que Anthropic ha publicado sobre conversaciones reales con Claude, lo más frecuente es programar, aprender y producir contenidos y documentos. Pero hay una capa que casi nadie comenta: un porcentaje importante de las conversaciones con tarea son decisiones con consecuencias, y en buena parte de ellas la persona no copia y pega: corrige, discute y reescribe.

Una advertencia antes de seguir, porque es lo primero que se pierde cuando estas cifras circulan en redes. Todo lo que vas a leer sale de conversaciones de usuarios de Claude, el asistente de Anthropic (y, en una cifra, de registros de su API). No es una foto de “la gente” ni de todos los usuarios de inteligencia artificial del mundo. Es una muestra grande, medida con cuidado, pero con sesgos que te voy a ir señalando. Cada cifra lleva su fuente y su fecha para que puedas comprobarla.

Este es el primer artículo de dos. Aquí vemos qué le preguntamos a la IA y qué tanto de eso es trabajo serio. En la Parte 2, que publicaré una semana después, vemos cómo responde, qué esperamos de ella y qué hábitos conviene tener. Te recomiendo leerlos en orden, porque el segundo se apoya en los límites que aquí dejamos claros.

De qué muestra sale cada dato

Antes de las cifras, el mapa. Estas son las cinco fuentes que usamos y qué conversaciones miden cada una. Si alguna vez ves un porcentaje sin saber de cuál de estas sale, desconfía.

• Clio, diciembre de 2024: 1 millón de conversaciones de Claude.ai, cuentas Free y Pro. Fue el primer retrato público de usos que publicó Anthropic.
• Índice Económico de Anthropic, enero de 2026: 1 millón de conversaciones de Claude.ai y 1 millón de registros de la API, del 13 al 20 de noviembre de 2025.
• Índice Económico, junio de 2026 (informe Cadences): conversaciones del 10 de abril al 10 de junio de 2026, con encuestas ligadas a una parte de los usuarios.
• Estudio de orientación personal, 30 de abril de 2026: 1 millón de conversaciones de Claude.ai de marzo y abril de 2026.
• Piloto de investigación independiente, 26 de agosto de 2026: unas 250.000 conversaciones de Claude.ai y Claude Code, de abril y mayo de 2026, analizadas por tres equipos externos.

Lo que tienen en común: son usuarios de Claude. Lo que no tienen en común: el periodo, el tamaño y la pregunta que cada estudio quería responder. Por eso en este artículo nunca vas a ver la frase “la gente usa la IA para...” sin el apellido de la muestra.

Cómo se estudia lo que preguntas sin que nadie lea tu chat

Hay una pregunta incómoda detrás de todo esto: ¿cómo sabe Anthropic qué se pregunta si las conversaciones son privadas? La respuesta es una herramienta que se presentó como Clio en su publicación del 12 de diciembre de 2024 y que, según la propia página de Anthropic, pasó a llamarse Anthropic Insights el 24 de agosto de 2026.

El mecanismo, resumido: un modelo extrae de cada conversación datos como el tema, el idioma o el número de turnos, omitiendo detalles privados. Luego agrupa conversaciones parecidas, describe cada grupo sin información que identifique a nadie y arma una jerarquía que un analista puede explorar. Hay umbrales mínimos de usuarios por grupo, de modo que un tema raro, que podría delatar a una persona, no aparece. Según esa publicación de 2024, sus resultados no se usaban para tomar acciones automáticas de sanción.

Esto es distinto a una encuesta: en una encuesta la gente dice qué hace, aquí se mide lo que hizo. Pero tiene un precio, y Anthropic lo reconoce en su anuncio del piloto con investigadores externos: la herramienta es sensible a cómo se redacta la pregunta, y una pregunta mal planteada puede meter conversaciones en categorías que las deforman. Como nadie puede leer las conversaciones, esos errores son difíciles de ver.

Qué le preguntamos: las proporciones

Lo que mostró Clio en 2024

En el primer análisis público, sobre 1 millón de conversaciones de Claude.ai, tres grupos destacaban: el desarrollo de aplicaciones web y móviles, con más del 10%; los contenidos educativos y de enseñanza, con más del 7%; y la estrategia y las operaciones de negocio, con cerca del 6%, según Anthropic. Al lado de esos gigantes aparecían grupos pequeños y muy humanos: interpretación de sueños, análisis de fútbol, preparación para desastres, pistas para crucigramas y partidas de Dungeons & Dragons.

Enero de 2026: programar baja, enseñar sube

El informe del Índice Económico del 15 de enero de 2026 midió una semana de noviembre de 2025. En Claude.ai, las tareas de informática y matemáticas representaron el 34%, por debajo del 40% que habían tocado en marzo de 2025. Las de instrucción educativa y bibliotecas subieron al 15%, desde el 9% de enero de 2025. Las de artes, diseño, entretenimiento y medios fueron el 11%. La tarea individual más común, corregir errores en software, supuso el 6% del total.

Otro dato del mismo informe: por tipo de uso, el 46% de las conversaciones fue de trabajo, el 35% personal y el 19% de tareas académicas. Y en cuanto a la forma de colaborar, el 52% fue aumento (la persona trabaja junto a la IA) y el 45% automatización (la persona delega la tarea completa). Frente a la medición anterior, de agosto, el aumento ganó cinco puntos y la automatización perdió cuatro. Ya volveremos sobre esa palabra.

El mismo informe publicó tasas de éxito por tipo de tarea: 78% en tareas personales y 61% en desarrollo de software, con una regla visible: a más complejidad, menos éxito. Anthropic advierte que hay sesgo de selección, porque cada persona decide qué intentar, y que Claude mismo clasifica los datos. Léelo como una dirección, no como una nota.

Junio de 2026: qué sale de cada conversación

En el informe Cadences, del 26 de junio de 2026, Anthropic cambió la pregunta. En lugar de “¿de qué trata la conversación?”, preguntó “¿qué producto sale de ella?”. El 93% de las conversaciones produjo algo identificable. Las explicaciones fueron el 17%, los documentos e informes el 15% y la orientación (guidance) el 11%. El código y el trabajo técnico, sumados, rondaron una sexta parte.

Fíjate en lo que implica: las explicaciones y la orientación, juntas, rondan el 28%, más de una cuarta parte de las conversaciones. Eso se parece menos a “una máquina que escribe código” y más a un asesor al que se consulta.

Fin de semana, madrugada y fecha de impuestos

Este es el hallazgo que más se comparte, y con razón. Según el mismo informe de junio, la proporción de conversaciones personales pasa de cerca del 35% entre semana a casi el 50% el fin de semana (conversaciones de chat y Cowork). Las noticias se piden a las 7 de la mañana, la correspondencia de negocios se concentra entre las 10 y las 11, las recetas se piden 2,3 veces más a las 6 de la tarde que el promedio y los consejos para dormir se piden en las horas previas al amanecer.

Y un detalle que dice más que mil encuestas: el 14 de abril, a la víspera del cierre de la declaración de impuestos en Estados Unidos, los grupos de conversaciones sobre impuestos llegaron a ser ocho veces más frecuentes que en un día promedio de mayo. Al día siguiente seguían altos y el 16 cayeron de golpe. Mi lectura: en esos días la IA fue, para muchos usuarios de Claude, un asesor de última hora.

Mi lectura, y la marco como mía: la IA se usa en los momentos en que no hay nadie más disponible. Eso es una ventaja enorme y, a la vez, el origen del problema que vamos a ver ahora. Quien pregunta a las 5 de la madrugada rara vez tiene a un segundo experto a mano para contrastar la respuesta.

La otra mitad de la historia: pedir consejo para la vida

Hasta aquí, el uso más visible. Pero el estudio del 30 de abril de 2026 sobre orientación personal miró algo concreto: las conversaciones en las que alguien pregunta qué debería hacer en su vida personal. No información objetiva ni opiniones generales, sino “¿debería...?” o “¿qué hago con...?”.

De 1 millón de conversaciones de Claude.ai de marzo y abril de 2026 (unas 639.000 conversaciones, una por usuario único), unas 38.000 eran de este tipo, es decir, alrededor del 6%, cifra que da Anthropic y que coincide con dividir 38.000 entre 639.000. Tres cuartas partes se concentraban en cuatro áreas:

• Salud y bienestar: 27%.
• Profesión y carrera: 26%.
• Relaciones: 12%.
• Finanzas personales: 11%.
• Resto de dominios (espiritualidad, crianza, ética, temas legales y desarrollo personal): lo que queda tras los cuatro principales, según una resta de las cifras de Anthropic (su taxonomía cubre el 98%).

El estudio añade algo que me parece lo más humano de todo. En áreas de alto riesgo como lo legal, la crianza, la salud o las finanzas, hay personas que cuentan que recurren a la IA porque no pudieron acceder a un profesional o no podían pagarlo. Y un 22% mencionó que, además de la IA, buscaba otras fuentes. Dicho de otro modo: para algunas de esas personas la IA no sustituye a un buen profesional. Sustituye a nada.

Si la alternativa real a la IA fuera un abogado, el debate sería otro. Cuando la alternativa es quedarse sin orientación, el riesgo de una mala respuesta pesa más, y el valor de una buena también.

Agosto de 2026: tres equipos externos, 250.000 conversaciones

Según Anthropic, los datos sobre interacciones reales con IA están concentrados en unos pocos laboratorios. Eso tiene un problema evidente: el que mide es el que vende. El 26 de agosto de 2026 Anthropic publicó un piloto para abrir una rendija: dejó que tres equipos externos hicieran preguntas a sus datos mediante Anthropic Insights, sin ver conversaciones individuales, solo categorías y porcentajes.

Las reglas del piloto, según Anthropic: los investigadores nunca accedieron a las conversaciones en bruto. El análisis pasó la misma revisión legal y de privacidad que el trabajo interno. La Universidad Imperial College de Londres hizo una auditoría independiente de privacidad sobre todos los datos compartidos. Anthropic solo se reservó revisar privacidad, información que ayude a violar sus políticas, información confidencial suya y exactitud de la investigación. Los equipos eran libres de publicar resultados incómodos para la empresa. En cada estudio, menos del 5% de las categorías o conversaciones se vieron afectadas: Anthropic las alteró o las retiró, y explicó a los investigadores por qué. Algunas categorías mostraban violaciones de sus políticas; compartió la mayoría, salvo las que explicaban cómo saltarse sus salvaguardas. Los datos agregados están en Hugging Face.

Los tres equipos, y qué miró cada uno:

• Stanford SALT Lab (Vishakh Padmakumar, Yijia Shao, Jennifer Wang, Diyi Yang y Dora Zhao): cómo colaboramos con la IA, qué trabajo delegamos, qué conservamos los humanos y dónde se traba la colaboración.
• Laboratorio de Procesamiento de Información Humana de Oxford (Tsvetomira Dumbalska, Hannah Rose Kirk y Christopher Summerfield): los estados emocionales durante el uso y su relación con el comportamiento de la IA.
• METR (Joel Becker, hoy en Anthropic, Daniel Paleka y Parker Whitfill), una organización sin ánimo de lucro que evalúa IA: cuánto tiempo ahorran los agentes de programación y cómo cambia de una generación de modelos a otra.

Un matiz que Anthropic aclara y que hay que respetar: Oxford y METR no tenían su informe final publicado el día del anuncio, así que lo que sigue de ellos es provisional. El de Stanford está publicado como preprint (v1, 21 de agosto de 2026), es decir, un trabajo que aún no ha pasado una revisión formal por pares, y usa solo conversaciones de consumo de Claude.ai (Claude Code queda fuera). Conviene tener presente, además, un dato de la propia fuente: Joel Becker, de METR, está hoy en Anthropic.

Stanford: la mitad de las tareas, y un tercio de todo lo que preguntamos, tiene consecuencias

Este es el hallazgo que da título a la parte más seria de nuestra historia. El equipo de Stanford analizó 249.834 conversaciones en el estudio “Human-AI Collaboration at Scale” y clasificó cada tarea según cuatro niveles de peso:

• Efímera: reversible, privada y de poco impacto.
• Operativa: de riesgo moderado, a menudo interna.
• Consecuente: con impacto externo, difícil de deshacer o con efectos internos importantes.
• De alto riesgo: con consecuencias graves, normalmente legales, financieras o públicas.

Las cifras principales, tal como las publica el preprint. El 34% de las conversaciones no contenía ninguna tarea accionable (conversaciones en las que no se identificó una tarea accionable). De las que sí tenían una tarea, el 56% se calificó como consecuente o de alto riesgo. Anthropic lo resume en su anuncio como que “más de la mitad” de las conversaciones implicaba delegar tareas con consecuencias. Ojo: sobre el corpus completo el preprint arroja cerca del 37%, no más de la mitad; el resumen de Anthropic corresponde a las conversaciones con tarea.

Aguarda, que aquí hay una trampa de lectura. Si el 34% no tenía tarea y el 56% del resto era importante, entonces sobre el total de conversaciones la proporción rondaría el 37%. Es un cálculo mío, aproximado, con los dos denominadores explícitos en el preprint. Lo que importa es la lección: la cifra depende de si dividimos entre “todas las conversaciones” o solo entre “las que tienen una tarea”. Cuando veas “más de la mitad de las consultas son de alto riesgo” en un titular, pregunta cuál es el denominador.

Dónde se concentra el peso. El índice de criticidad de tareas, que va de 0 a 3, fue el más alto en orientación legal y financiera, con 2,14, y un 24% de esas conversaciones se clasificó como de alto riesgo. El más bajo fue el de las tareas académicas, con 1,06. En palabras de Anthropic, la gente trae sus asuntos más serios sobre todo cuando busca orientación profesional, en particular legal o financiera.

Y hay un patrón de conducta que me parece lo más sano del estudio. Cuanto más pesa la tarea, más trabaja la persona. Las conversaciones sobre tareas efímeras duraron en promedio 6,5 turnos. Las de alto riesgo, 12,4. Casi el doble. La gente, al menos en estos datos, no se descuida cuando la cosa se pone seria: afina el pedido, insiste y vuelve a preguntar.

Aprender, adaptar o delegar sin pensar

Aquí viene la parte que, creo, más te sirve a ti. Stanford midió cómo se comporta la persona con la respuesta, y encontró tres cosas que me gusta ordenar así. Los nombres de las dos primeras son de la fuente. La tercera es mía, y te explico por qué.

• Aprender (“understand”): pides que te expliquen el porqué para decidir tú. En las conversaciones de alto riesgo, el 21% incluyó solicitudes de explicación. La señal de alarma sería que baje a cero justo cuando el tema es más serio.
• Adaptar (“adapt”): tomas la respuesta y la retocas, la mezclas con lo que tú sabes y la ajustas a tu caso. El preprint registra que la persona reelaboró de forma sustancial lo que recibió en el 60% de las conversaciones consecuentes y en el 52% de las de alto riesgo. Anthropic lo resume así: la gente suele adaptar el resultado en lugar de usarlo tal cual.
• Delegar sin pensar (mi etiqueta): usas la respuesta tal cual, sin entenderla ni contrastarla, en algo que luego tiene consecuencias. Ningún estudio mide esto directamente, y no me atrevo a ponerle un porcentaje.

Quiero ser preciso con la tercera. Stanford sí mide cuánto control conserva el humano. El 72% de las conversaciones fue dirigido por la persona y la IA asistió, y el 18,2% fue de actuación autónoma de la IA. Pero “la IA actuó con autonomía” no es lo mismo que “nadie pensó”. Se puede delegar con mucho criterio, y se puede dirigir cada paso sin entender nada.

Por eso la tercera categoría es un riesgo de conducta, no una estadística. El preprint lo dice sin rodeos: no establece que la IA mejore los resultados. Mide cómo se trabaja, no si salió bien.

Para que la distinción te sirva en la práctica, así la uso yo:

• Aprender: si la decisión es tuya y vas a tener que defenderla ante un tercero (un cliente, un socio, un juez, tu pareja). Pides el razonamiento y compruebas dos o tres cosas por tu cuenta.
• Adaptar: si es un borrador que vas a firmar con tu nombre. La IA propone, tú cambias lo que no suena a ti o no es cierto en tu caso.
• Delegar: solo si el error es barato y reversible, o si hay una revisión humana después. Resumir un documento largo para decidir si lo lees completo es un buen ejemplo.

La fricción: la mitad de las conversaciones se traba, y no siempre es malo

Otro número del preprint que me llamó la atención: el 49,7% de las conversaciones tuvo algún tipo de fricción, definida como cualquier evento que frena o enlentece el avance. Cuando se miró de dónde venía, el 42,0% era una mezcla de problemas del usuario y del modelo, el 38,6% venía del modelo y el 19,4% del usuario. O sea, que la mayor parte de las veces no es culpa de uno solo.

Lo interesante viene después. Cuando aparecía fricción, las personas intentaron repararla en el 78,7% de los casos, casi siempre aclarando el desajuste (72,9%). Y un tercio de los grupos de conversaciones cayó en el cuadrante de alta fricción y alta productividad, que concentraba el 40,8% de las tareas consecuentes o de alto riesgo. En español sencillo: lo difícil no es necesariamente lo que sale mal. Una parte de lo difícil acaba siendo muy productivo, aunque el preprint no mide si el resultado fue correcto.

Oxford y METR: emociones y tiempo ahorrado

Oxford encontró que el estado emocional de la persona y el comportamiento de Claude se mueven juntos. Cuando Claude era cálido, la persona se mostraba más positiva. Cuando se negaba o discrepaba, la persona insistía. Cuando era excéntrico, la persona se involucraba más intelectualmente. Y cuando simplemente ayudaba, parecía satisfecha. Además, los patrones de absorción, frustración y disfrute se parecían a los de un estudio aparte sobre navegación cotidiana por internet. Es correlación, no prueba de causa.

METR, por su parte, comparó lo que Claude estimaba que habría tardado una tarea sin IA con lo que realmente tardaron los desarrolladores con distintos modelos de Claude. Sus resultados preliminares indican que los modelos más nuevos ahorran bastante más tiempo que los antiguos, y que las estimaciones de Claude se correlacionan con los tiempos reales de un estudio previo con desarrolladores. Con pinzas: es una estimación de la propia IA sobre un escenario que no ocurrió.

Lo que estos datos no te dicen

• No son “la gente”. Son usuarios de Claude, con sus hábitos y su perfil. Anthropic lo aclara en varias de sus publicaciones, como en la del estudio de orientación personal, donde señala que los usuarios de Claude no son una muestra representativa de la población.
• Las categorías las asigna una IA. En el estudio de orientación personal, por ejemplo, los clasificadores son modelos de Claude que pueden equivocarse. En el Índice Económico, Anthropic admite que su método da una dirección correcta, no una exactitud perfecta.
• Solo se ve la conversación. No se ve si la persona verificó, ejecutó o decidió después. Por eso un preprint puede decir “la gente adapta” y tú no sabes cuántos no contrastaron nada.
• La redacción de la pregunta cambia el resultado. Los investigadores externos probaron sus preguntas en WildChat, un conjunto público de conversaciones que se inclina hacia lo casual y lo creativo, y reconocen que algunas que funcionaban allí produjeron categorías engañosas con el tráfico real de Claude.

Qué significa esto para tu negocio

Pasemos del mundo a tu oficina. Si, en una muestra de usuarios de Claude, una parte muy grande de las conversaciones son sobre asuntos con consecuencias, es razonable sospechar que tu equipo hace algo parecido, aunque no tengo datos de otras herramientas ni de empresas: Stanford midió consumo de Claude.ai. No es una acusación. Es una probabilidad. Y si nadie ha puesto reglas, nadie sabe en qué parte de la escalera de riesgo está cada consulta. De eso trata nuestro artículo sobre el riesgo del uso de IA que la empresa no controla.

Un ejemplo ilustrativo, inventado para que lo veas claro. Un dueño de una pequeña empresa de servicios usa la IA durante un martes para tres cosas. A las 8 de la mañana le pide que reescriba un correo de cobro. A las 2 de la tarde le pide que le revise una cláusula del contrato con un proveedor. A las 11 de la noche le pregunta si debería subir sus precios un 15%. Son tres consultas, un mismo chat, una misma confianza. Pero el primer error cuesta un mal rato, el segundo puede costar una disputa legal y el tercero define un año de ingresos.

Con la escalera de Stanford en la cabeza, cada una pide un trato distinto. El correo se delega, con una lectura rápida. La cláusula se adapta y se contrasta con un profesional. El precio se aprende: se le pide a la IA el razonamiento, los escenarios y las preguntas que faltan, y la decisión la toma una persona con los números reales de la empresa.

Esto conecta con algo que defendemos desde IA&N. En un organigrama híbrido, cada tarea tiene un dueño humano y los colaboradores digitales ayudan dentro de límites claros. La pregunta no es si usar IA, sino qué nivel de la escalera le toca a cada tarea y quién responde por el resultado. Un colaborador digital bien diseñado sabe lo que no debe decidir solo: prepara, propone y deja constancia, pero las decisiones irreversibles pasan por una persona.

Una regla de bolsillo que puedes aplicar desde mañana, sin instalar nada. Antes de pedir algo a la IA, ponle una de estas tres etiquetas:

• Verde: si me equivoco, lo arreglo en minutos y nadie fuera de mi equipo lo nota. Puedo delegar.
• Amarillo: si me equivoco, hay un cliente, un dinero o una relación afectados. Adapto y contrasto antes de enviar.
• Rojo: si me equivoco, no se puede deshacer o hay consecuencias legales, financieras o de salud. Uso la IA para entender y para preparar preguntas, y decide un humano con respaldo profesional.

Si dudas del color, es amarillo como mínimo.

Auditoría personal de 10 minutos

Esto es lo que te propongo hacer hoy. Copia el recuadro, ábrelo en tus notas y complétalo con tu historial de la semana. No es para sentirte mal. Es para ver cómo usas de verdad la herramienta, que casi nunca coincide con cómo crees que la usas.

AUDITORÍA PERSONAL DE 10 MINUTOS: MI USO DE LA IA ESTA SEMANA

Minutos 1 a 3: qué le pregunté
1. Abro mi historial de la semana y listo 10 consultas, sin editar.
2. Marco cuántas fueron de trabajo, cuántas personales.
3. Marco cuántas fueron de madrugada, fin de semana o con prisa.

Minutos 4 a 6: qué decisión delegué
4. Subrayo las consultas que terminaron en una decisión: enviar, pagar, contratar, firmar, publicar, cambiar de plan.
5. A cada una le pongo color: verde (reversible), amarillo (afecta a un tercero), rojo (irreversible, legal, financiera o de salud).
6. Anoto cuántas rojas o amarillas usé tal cual, sin cambios.

Minutos 7 a 9: qué verifiqué
7. Por cada amarilla o roja, escribo qué comprobé por fuera: una fuente, un profesional, un número real o una segunda opinión.
8. Si no comprobé nada, la marco como pendiente.
9. Elijo una de las pendientes y la verifico hoy.

Minuto 10: mi regla de la semana
10. Escribo UNA regla para la próxima semana. Ejemplo: no envío nada rojo sin contrastar con una persona.

Mi resultado: ____ verdes · ____ amarillas · ____ rojas · ____ pendientes de verificar
Mi regla: ______________________________

Fíjate en un solo número: cuántas consultas amarillas o rojas usaste sin cambiar una palabra. Ese es tu punto ciego.

Preguntas frecuentes

¿Para qué usa la gente la inteligencia artificial?

Según los estudios de Anthropic sobre usuarios de Claude, sobre todo para programar, aprender y escribir, pero también para pedir orientación. En el informe del Índice Económico de junio de 2026, las explicaciones, los documentos y la orientación fueron los productos más comunes de las conversaciones. No es una cifra de “toda la gente”: es de personas que usan Claude, en un periodo concreto.

¿Qué porcentaje de las consultas a la IA son de alto riesgo?

En un preprint de Stanford sobre unas 250.000 conversaciones de Claude, el 56% de las que tenían una tarea fue consecuente o de alto riesgo. Como el 34% no tenía ninguna tarea, sobre el total la proporción es menor, y la muestra no representa a toda la población.

¿La gente copia y pega lo que dice la IA?

No mayoritariamente, en esa muestra. Según Anthropic, la gente suele adaptar la respuesta en lugar de usarla tal cual. Pero el estudio solo ve la conversación, no lo que ocurre después.

¿Cuánta gente usa la IA para pedir consejos personales?

En el estudio de Anthropic del 30 de abril de 2026, unas 38.000 de unas 639.000 conversaciones de usuarios de Claude.ai eran de orientación personal, cerca del 6% según Anthropic. Salud y bienestar (27%) y carrera (26%) fueron las áreas principales.

¿Son confiables estos estudios si los publica la propia empresa?

Son útiles, con reservas. Anthropic reconoce que su herramienta es sensible a la redacción de las preguntas y que las muestras son de usuarios de Claude. El piloto de agosto de 2026 sumó equipos externos y una auditoría de privacidad, pero la empresa sigue siendo dueña de los datos. Lee las cifras como una dirección, no como una verdad cerrada.

Mi punto de vista

Si me preguntas qué me deja todo esto, te lo digo en pocas líneas. Lo primero: me tranquiliza que, en estos datos de usuarios de Claude, algo más de la mitad de las conversaciones consecuentes se reelaboren de forma sustancial: no se comportan como autómatas. Corrige, insiste y vuelve a preguntar, sobre todo cuando el tema importa. Eso es buen sentido, y es lo que defiendo en cualquier negocio: la IA trabaja, el humano responde.

Lo segundo me preocupa un poco más. Que entre los usuarios de Claude haya consultas legales, financieras o de salud, y que algunas personas cuenten que las hacen porque no pueden acceder a un profesional o pagarlo, me dice que ya estamos usando la herramienta en el terreno donde un error pesa. Y que lo personal suba el fin de semana y que haya consultas en las horas previas al amanecer. No digo que sea malo. Digo que conviene saberlo.

Lo tercero es para los empresarios. Lo que le pides a la IA en tu empresa, y con qué frecuencia, es información de gestión tan valiosa como tus ventas. Si no sabes qué decisiones se están apoyando en una respuesta automática, no sabes dónde está tu riesgo. Por eso en IA&N construimos sistemas donde cada tarea tiene un responsable, un límite y un registro. La tecnología libera al equipo de lo mecánico, para que las personas hagan el trabajo que de verdad requiere criterio.

En la próxima semana vemos el otro lado: cómo responde la IA cuando le pides apoyo, consejo o una opinión, qué pidieron y qué temieron unas 80.000 personas, y qué hábitos conviene tener como usuario y como dueño de negocio. Lo encuentras en la Parte 2 (cómo responde la IA y qué queremos de ella), que publicaré una semana después.

Y si quieres ver cómo se arma un sistema donde la IA trabaja con reglas claras dentro de tu negocio, puedes conocer el Centro de Mando Inteligente. Hasta entonces, haz la auditoría de 10 minutos y cuéntame qué número te salió en rojo.