Un patrón que ya conocemos
Durante treinta años, Excel permitió que las organizaciones construyeran personalizaciones sin reconocer que estaban construyendo sistemas. Hoy la inteligencia artificial generativa está repitiendo ese patrón, pero con más velocidad, más alcance y riesgos de otra naturaleza.
El fenómeno ya tiene nombre: shadow AI. Son los asistentes, agentes, prompts y automatizaciones que las personas crean por su cuenta, fuera de la vista de tecnología, para resolver problemas reales de su trabajo.
La tentación es verlo como un problema de cumplimiento. Es algo más profundo: el riesgo de confundir personalización con capacidad empresarial.
Lo que Excel nos enseñó
Excel ha sido una de las herramientas más productivas de la informática empresarial. Precisamente por eso, también fue uno de los mayores fracasos silenciosos de la ingeniería de sistemas.
El problema nunca fue la hoja de cálculo. Fue que permitió a millones de organizaciones evitar construir sistemas donde realmente necesitaban sistemas.
Construir software obliga a responder preguntas incómodas: qué entidades existen, quién puede modificar qué, qué reglas deben cumplirse, cómo se conserva la historia, cómo se audita una decisión. Excel permitió postergarlas todas. Las reglas quedaron implícitas en fórmulas, colores, macros y convenciones humanas.
En semanas aparecía algo que parecía un sistema. Pero no lo era: era una representación parcial del conocimiento de una persona, guardada en un archivo. Así se acumuló, durante décadas, una enorme deuda tecnológica invisible.
El costo de esa fragilidad no es teórico. En octubre de 2020, Public Health England dejó fuera de los reportes diarios 15.841 casos positivos de COVID-19 registrados entre el 25 de septiembre y el 2 de octubre. Los resultados de laboratorio se cargaban en plantillas de Excel en el antiguo formato XLS, limitado a unas 65.000 filas; al llegar a ese tope, los casos adicionales simplemente quedaron fuera. Un proceso crítico de salud pública dependía de un archivo que nadie había diseñado como sistema.
Qué es el shadow AI y por qué crece tan rápido
Shadow AI es el uso de herramientas de inteligencia artificial que la organización no conoce, no aprobó o no gobierna. No se limita a que alguien pegue un contrato en un chatbot público. Incluye formas cada vez más elaboradas:
- asistentes personalizados con instrucciones y documentos propios;
- bibliotecas de prompts que un equipo comparte por chat;
- agentes conectados al correo, al CRM o a carpetas compartidas;
- automatizaciones que encadenan modelos de lenguaje con hojas de cálculo y formularios;
- pequeñas aplicaciones generadas con IA que nadie en tecnología ha revisado.
No es un fenómeno marginal. El Work Trend Index 2024 de Microsoft y LinkedIn encontró que el 75 % de los trabajadores del conocimiento ya usaba IA generativa en su trabajo y que el 78 % de esos usuarios llevaba sus propias herramientas, sin esperar a que la empresa se las diera. En 2025, una encuesta de Gartner a 302 líderes de ciberseguridad encontró que el 69 % de las organizaciones sospecha o tiene evidencia de que sus empleados usan IA generativa pública prohibida.
Si Excel redujo de meses a tardes el tiempo para construir una herramienta, la IA generativa lo reduce de tardes a minutos. Ya ni siquiera hace falta saber fórmulas: basta con describir en lenguaje natural lo que se necesita.
Esa es la gran promesa. Y es también la razón por la que el patrón de Excel puede repetirse a una escala que no habíamos visto.
La misma historia, con otra herramienta
Cada patología que Excel instaló en las organizaciones tiene hoy su equivalente en el shadow AI.
| Patrón | Con Excel | Con shadow AI |
|---|---|---|
| Conocimiento tribal | «Pregúntale a Patricia, ella sabe cómo funciona ese Excel.» | «El asistente que arma las propuestas lo configuró Andrés; nadie más sabe qué instrucciones tiene.» |
| Excepciones convertidas en arquitectura | Una columna nueva, una celda pintada de amarillo, una fórmula más. | Una línea más en el prompt: «si el cliente es X, no menciones Y». |
| Costo oculto | Horas de conciliación repartidas en salarios administrativos. | Suscripciones personales, revisiones manuales de lo que el modelo produce y retrabajo cuando se equivoca. |
| Sistemas invisibles | Cientos de hojas críticas en los computadores de los empleados. | Decenas de asistentes y agentes en cuentas personales, fuera de todo inventario. |
| Éxito que retrasa la sistematización | La hoja funciona «suficientemente bien» y nadie la reemplaza. | El agente resuelve la mayoría de los casos y el proceso real nunca se diseña. |
El conocimiento tribal merece una nota aparte. Con Excel, al menos, las reglas estaban escritas en algún lugar: en una fórmula o en una macro que un experto podía leer. En un prompt, las reglas están en lenguaje natural, mezcladas con tono, ejemplos y preferencias personales. Y el comportamiento final depende, además, de un modelo que cambia de versión sin avisar.
La deuda también se repite. Gartner prevé que, para 2030, la mitad de las empresas enfrentará actualizaciones de IA retrasadas o costos de mantenimiento crecientes por deuda técnica no gestionada asociada a la IA generativa. La arqueología de excepciones de Excel se convierte en una arqueología de instrucciones. Nadie diseñó el sistema completo. El sistema, otra vez, simplemente ocurrió.
Lo que el shadow AI añade: cuatro riesgos que Excel no tenía
Sería cómodo pensar que el shadow AI es simplemente «el nuevo Excel». No lo es. Hereda sus problemas y suma otros.
1. Los datos salen de la organización. Una hoja de cálculo, por mal diseñada que estuviera, vivía en un computador o un servidor de la empresa. Un prompt con información de clientes, precios o contratos puede terminar en un servicio externo cuyas condiciones de uso nadie leyó.
2. El resultado no es determinista. Una fórmula mal escrita da siempre el mismo resultado equivocado, y por eso un error en Excel se puede encontrar. Un modelo de lenguaje puede responder distinto ante la misma pregunta. El error no se reproduce; simplemente aparece.
3. La herramienta actúa, no solo calcula. Una macro ejecutaba pasos predefinidos. Un agente decide qué pasos ejecutar: envía correos, actualiza registros, responde a clientes. Cuando la herramienta personal tiene permiso para actuar en nombre de la empresa, el riesgo deja de ser un número mal calculado y pasa a ser una decisión mal tomada.
4. La lógica es opaca incluso para su autor. Quien escribió una macro podía explicarla línea por línea. Quien configuró un asistente sabe qué le pidió, pero no puede garantizar por qué respondió lo que respondió.
Con Excel, la pregunta incómoda era «¿de dónde sale ese número?». Con el shadow AI será «¿quién decidió esto, y con qué información?».
Personalización no es capacidad empresarial
Aquí está el centro del problema. Excel llevó a las empresas a confundir calcular, automatizar, programar y construir sistemas. El shadow AI propone una confusión nueva: creer que una IA bien personalizada equivale a una capacidad de la organización.
Una personalización hace más productiva a una persona. Depende de su criterio, de su contexto y de su manera de trabajar. Funciona porque esa persona está ahí para corregir, completar y decidir.
Una capacidad empresarial funciona aunque esa persona no esté. Tiene dueño, reglas explícitas, datos gobernados, resultados medibles e historia auditable. Se puede enseñar, mejorar y reemplazar sin perder lo aprendido.
La diferencia no está en la tecnología, sino en dónde vive el conocimiento. Cuando un equipo comercial dice «ya tenemos IA para hacer propuestas», conviene preguntar: ¿la tiene el equipo, o la tienen tres personas en sus cuentas personales?
Tampoco esta vez el usuario tiene la culpa
Culpar a quienes usan IA por su cuenta sería repetir el error de culpar a Excel. Las personas no recurren al shadow AI por irresponsabilidad. Lo hacen porque tienen problemas reales y la vía formal es lenta, rígida o inexistente.
Los datos lo confirman. En el mismo estudio de Microsoft y LinkedIn, el 60 % de los líderes reconocía que su organización carecía de un plan y una visión para implementar la IA, y solo el 39 % de los usuarios había recibido formación en IA de su empresa. Cuando un proyecto corporativo tarda un año en pasar del comité al piloto, y un vendedor puede resolver su problema en una tarde con un asistente, su elección es perfectamente racional.
El shadow AI es, igual que Excel, un síntoma. Revela dónde está la demanda de soluciones construidas por quienes conocen directamente el problema. Prohibirlo no elimina esa demanda; solo la vuelve más invisible.
La pregunta útil para la dirección no es «¿cómo detenemos esto?», sino «¿qué nos está diciendo sobre lo que nuestros procesos no resuelven?».
Qué hacer: canalizar en lugar de prohibir
La lección de Excel no fue que había que prohibir las hojas de cálculo. Fue que faltaba un camino para que lo que nacía como experimento personal se convirtiera en sistema cuando lo merecía. Con la IA hay una oportunidad de construir ese camino desde el principio.
- Hacer visible lo invisible. Inventariar qué asistentes, agentes y automatizaciones existen, sin ánimo punitivo. Quien declara lo que usa debe recibir apoyo, no una sanción.
- Ofrecer un entorno seguro para experimentar. Herramientas aprobadas, con datos protegidos, donde las personas puedan construir tan rápido como lo harían por su cuenta.
- Definir cuándo un prototipo debe convertirse en sistema. Por ejemplo, cuando otras personas empiezan a depender de él, cuando toca datos de clientes o información sensible, cuando actúa sobre otros sistemas o se comunica con terceros, o cuando sus resultados alimentan decisiones con impacto económico.
- Formalizar al promoverlo. Darle dueño, explicitar sus reglas, registrar lo que hace y medir si cumple lo que promete.
- Gobernar las acciones, no solo los datos. Si un agente puede actuar, la organización debe decidir qué puede hacer solo y qué requiere aprobación humana.
El objetivo no es frenar la experimentación. Es evitar que los experimentos se conviertan, por accidente, en infraestructura.
La segunda oportunidad
Excel demostró que existe una enorme demanda de software construido por quienes conocen el problema. También demostró el desastre que ocurre cuando prototipos personales terminan siendo, sin que nadie lo decida, sistemas corporativos.
Tardamos treinta años en entender esa lección. Con la IA no tenemos treinta años: el ciclo entre la primera prueba y la dependencia crítica se mide en meses.
Las organizaciones que salgan bien libradas no serán las que más asistentes acumulen, sino las que sepan distinguir a tiempo entre lo que hace más productiva a una persona y lo que hace más capaz a la empresa.
La pregunta ya no es si su organización usa IA. Es si sabe dónde, para qué y quién responde por ella.
Fuentes
- IBM, «What data leaders need to know from the Cost of a Data Breach Report 2025». https://www.ibm.com/think/insights/data-matters/cost-of-a-data-breach
- Microsoft y LinkedIn, «AI at Work Is Here. Now Comes the Hard Part», Work Trend Index 2024. https://www.microsoft.com/en-us/worklab/work-trend-index/ai-at-work-is-here-now-comes-the-hard-part
- Gartner, «Gartner Identifies Critical GenAI Blind Spots That CIOs Must Urgently Address», 19 de noviembre de 2025. https://www.gartner.com/en/newsroom/press-releases/2025-11-19-gartner-identifies-critical-genai-blind-spots-that-cios-must-urgently-address0
- Infosecurity Magazine, «Gartner: 40% of Firms to Be Hit By Shadow AI Security Incidents», noviembre de 2025. https://www.infosecurity-magazine.com/news/gartner-40-firms-hit-shadow-ai/
- BBC News, «Excel: Why using Microsoft's tool caused Covid-19 results to be lost», octubre de 2020. https://www.bbc.com/news/technology-54423988
- The Conversation, «Why you should never use Excel to count coronavirus cases», octubre de 2020. https://theconversation.com/why-you-should-never-use-excel-to-count-coronavirus-cases-147681