The falling cost of reproducing industrial know-how

AI is changing what a successor can learn from a company's mistakes, and what a competitor may be able to reconstruct.

Una inteligencia general lo sabe todo en general y nada de ti en particular. Ha leído casi todo lo que se ha escrito y nada de lo que pasó en tu rincón concreto del mundo. Tengo un amigo que levantó casi todo lo que tiene antes de 1980. No sabe qué es un hiperparámetro y nunca le ha importado. Lo que tiene, en cambio, es algo que se le fue acumulando despacio y sin buscarlo, casi siempre a base de equivocarse y pagarlo caro: una idea exacta de quién entiende de qué en su mundo, y de qué hará cada uno cuando llegue a su límite. Sus competidores lo conocen y él los conoce. Sobre todo, cada uno sabe lo que saben los demás. A ese nivel no hay más juego que ese. Hace un año, en una comida que se fue alargando, Henry me dijo que el conocimiento del sector era lo único que de verdad había importado siempre. El que no se puede delegar, porque el criterio viaja mal. Lo dijo como quien dice algo zanjado hace tiempo, sin molestarse en argumentarlo. Desde entonces lo tengo menos claro, sobre todo porque ya no estoy seguro de que conocer signifique lo mismo que cuando él aprendió lo que sabe.

A lo que no dejo de darle vueltas es a lo que costó ese aprendizaje. Henry aprendió decidiendo y cargando con las consecuencias, y no dudo de que buena parte de su criterio salió de ahí. Lo que tengo menos claro es que alguien que llegue ahora tenga que pagar lo mismo. Partiría de lo que dejaron aquellos años: las especificaciones revisadas, el proveedor descartado tras una racha de problemas. Lo que quedó por escrito estaría incompleto, pero sería más rico de lo que sospechó ninguno de los que lo escribieron, porque nadie redacta una especificación pensando en quien la leerá veinte años después para entender por qué cambió. Henry sabe lo que le costó aprender. Esa cifra, por sí sola, no dice nada de lo que le costaría a otro llegar a decisiones parecidas. Son dos precios distintos, y este ensayo trata de cuánto se han separado.

Un veto a una materia prima

Sirve mejor un caso más modesto que el de Henry, en el que la decisión pueda examinarse en vez de admirarse. Pensemos en un fabricante mediano de recubrimientos industriales. Formula productos para aplicaciones concretas y tiene que dar la cara cuando algo que funcionaba en el laboratorio falla en la línea de un cliente. Compras propone sustituir una materia prima. La alternativa cumple todas las especificaciones que constan y da buen resultado en los primeros ensayos. El director técnico, que está en la casa desde que la empresa tenía un solo reactor, pide que de momento no se apruebe para una aplicación concreta. No hace ningún informe. Dice algo como yo con esa esperaría para la gama marina, y en la sala nadie lo discute, porque han aprendido que cuando dice eso suele acertar.

Desde fuera es difícil saber qué acaba de hacer. Puede estar recordando un fallo documentado que nadie ha rescatado del archivo. Puede haber reconocido una combinación de condiciones (sustrato, temperatura de curado, la costumbre de un cliente de diluir el producto más de lo que permite la ficha técnica) en la que los demás no han caído. También puede estar generalizando a partir de una mala experiencia de 1998 que no tiene nada que ver con este proveedor. Las tres cosas son posibles, y vistas desde dentro de la reunión no se distinguen. Eso es lo incómodo de este tipo de criterio: que acierte y que se le haga caso dependen de mecanismos distintos, y lo segundo funciona a base de reputación.

A lo que tiene el director lo llamaré know-how de la empresa, y reservaré conocimiento del sector para lo que quiere decir Henry, que es más amplio. La diferencia es la que hay entre saber química de recubrimientos y saber cómo se porta esa química en esta planta, con el historial de lo que salió mal con estos clientes. Lo primero se consigue contratando a un químico. Lo segundo es lo que la empresa teme perder cuando el director se jubile, y lo que en el fondo le tranquiliza que no tengan sus competidores. Tratar el veto como una decisión que se puede examinar deja planteada la pregunta que justifica seguir leyendo: con qué datos podría otra persona llegar a una versión lo bastante buena de esa misma decisión, y cuántos de esos datos existen ya.

Lo que dejaron los errores

A la postura de Henry hay que darle una vuelta. Que un criterio sea difícil de explicar no demuestra que sea imposible aprender a reproducir parte de él. Henry puede no ser capaz de formular una regla completa y haber dejado aun así, sin proponérselo, un rastro de decisiones corregidas y especificaciones modificadas. La pregunta pasa de si sabe explicarlo a qué permite reconstruir ese rastro, y esta segunda se puede contestar con datos.

Hay tres estudios que se lo ponen difícil, y sirven precisamente porque muestran tres mecanismos distintos con tres límites distintos. El primero es el que más se parece a eso de equivocarse y pagarlo caro. En 2016, Raccuglia y sus colegas cogieron los cuadernos archivados de un laboratorio de química, incluidas las síntesis que habían fallado, y les añadieron descriptores fisicoquímicos. Con ese registro entrenaron un modelo sobre la cristalización de selenitos de vanadio. El modelo propuso condiciones que dieron compuestos nuevos con un 89 por ciento de éxito en los ensayos que describen, mejor que los químicos con los que se le comparó1. El alcance era limitado. Lo que cuenta es con qué se alimentó el modelo: años de experimentos que se daban por perdidos, guardados en cuadernos, resultaron contener estructura suficiente para orientar decisiones nuevas. Quien hizo aquellas reacciones fallidas pagó por aprender. El modelo heredó parte de ese aprendizaje sin pagar nada.

1Raccuglia et al., Machine-learning-assisted materials discovery using failed experiments, Nature 533, 2016, según el cual las recomendaciones de los químicos con experiencia acertaron el 78 por ciento de las veces.

El segundo reproduce una de las cosas que hace un experto por un camino que el experto nunca tomó. En 2021, un equipo de Princeton y Bristol Myers Squibb enfrentó la optimización bayesiana a químicos e ingenieros en la optimización de una reacción, y el algoritmo dio con buenas condiciones en menos experimentos y de forma más regular, dentro de la tarea estudiada1. Plantear el problema y hacer las reacciones siguió siendo trabajo de expertos. Pero elegir bien el siguiente experimento, que es buena parte de lo que vale en dinero el criterio de un químico veterano, no exigió reconstruir cómo llegó ese químico a tener buen criterio. Se resolvió por otra vía, y una defensa sentimental de Henry pasa por alto esa parte, porque nadie necesita copiar su mapa si puede llegar a sus mismas decisiones por otro lado.

1Shields et al., Bayesian reaction optimization as a tool for chemical synthesis, Nature 590, 2021, según el cual el algoritmo fue de media más eficiente (en experimentos necesarios) y más regular que las decisiones humanas; la comparación con personas se hizo con un juego en línea sobre una única arilación directa catalizada por paladio, vinculado a experimentos realizados en el laboratorio.

El tercero traslada el mecanismo a los modelos generativos, que es de lo que discute ahora todo el mundo. Un experimento de campo de 2025 recogido en The Cybernetic Teammate puso a 776 profesionales de Procter & Gamble a trabajar en tareas de desarrollo de producto. Quienes trabajaban solos con un asistente de IA hicieron propuestas que se juzgaron de calidad comparable a las de equipos de dos personas sin asistente, y que combinaban mejor la mirada comercial y la técnica que las de los especialistas de cada lado trabajando por su cuenta. Fueron talleres de un día, y las propuestas las evaluaron expertos. No se fabricó nada. Aun así, el resultado tiene que ver con el veto de la reunión: parte de lo que parecía exigir otro especialista sentado en la sala llegó a la propuesta gracias al asistente.

Entre una propuesta bien evaluada y un producto que funciona media todo lo que pasa después de la reunión. Dos de los tres mecanismos son varios años anteriores a los chatbots, así que cuesta despachar el argumento como un entusiasmo más por la última interfaz. Ninguno de los tres muestra a una máquina reproducir un proceso industrial completo. Lo que muestran es que un criterio que parecía tácito, y que costó caro adquirir, ha dejado huellas de las que se podía aprender, allí donde alguien se tomó la molestia de mirar.

El mapa de los competidores

Vuelvo a lo que dije que era todo el juego, y a si se puede reconstruir algo de ello. Aquí conviene ser preciso, porque es donde el argumento puede derivar en una defensa de Henry o en un anuncio. Hay partes del mapa que podrían reconstruirse. Otras dependen de datos que quizá nunca llegaron a apuntarse. No digo que un modelo pueda rehacer hoy el mapa de Henry en concreto.

Pensemos en las dos mitades de lo que Henry sabe de un competidor. La primera es la capacidad declarada: lo que dicen que saben hacer. Aquí las fuentes son públicas, las patentes y la documentación técnica sobre todo. Una patente tiene que divulgar lo suficiente para que un experto en la materia pueda reproducir la invención, y sus reivindicaciones delimitan lo que queda protegido1. Es información real, y un modelo se la lee entera en una tarde. También es, como sabe cualquiera que haya leído la patente de un competidor, un buen indicio de lo que quisieron proteger y un indicio flojo de lo que de verdad son capaces de producir a escala. La segunda mitad es la capacidad observada: lo que demostraron saber hacer cuando hizo falta. Aquí las fuentes son internas y nada vistosas. Concursos perdidos y por qué se perdieron. Muestras rechazadas. Ensayos comparativos frente a su producto. Quejas de un cliente que se pasó a ellos y luego volvió a cambiar. Esos registros existen en casi todas las empresas, mal archivados, y antes de apoyar en ellos ninguna predicción alguien tendría que comprobar cuánto tiempo abarcan y con qué honestidad se escribieron en su día.

1OMPI, PCT International Search and Preliminary Examination Guidelines, párrafos 5.45 a 5.58, que exigen una divulgación que permita a un experto en la materia llevar a cabo la invención reivindicada sin una experimentación excesiva.

Lo más valioso del mapa de Henry está por encima de ambas mitades. Es el paso de esa empresa sabe hacer esto a sé cómo va a reaccionar esa persona cuando descubra que no puede. Para aprender esa distinción hacen falta episodios en los que una persona con nombre y apellidos hizo algo bajo presión. En la ficha de una empresa no aparecen. En un CRM aparece una caricatura. Y los huecos son estructurales. Si Henry nunca contrató a cierto proveedor, su historial no dice nada de lo que habría pasado si lo hubiera hecho. Un análisis post mortem escrito cuando ya se conocía el resultado no puede tomarse como una regla que se tuviera de antemano; suena a previsión porque se escribió a toro pasado.

Hay otra distinción que conviene mantener, porque explica por qué el conocimiento viaja mal aunque esté todo por escrito. Conocer una relación y poder valerse de ella son cosas distintas. Supongamos que, tras un lote defectuoso, un cliente le da a Henry otra oportunidad por lo que Henry es para él. Esa relación se le puede contar a un sucesor. El cliente no tiene ninguna obligación de tener con el sucesor la misma deferencia. Viajó la información. La situación no viajó, porque ha cambiado quien está dentro de ella. Una parte de lo que Henry no puede delegar son datos que faltan. Otra es que el mundo le responde a él y no a lo que pone en los papeles.

El coste de reproducción

La amenaza competitiva que se desprende de todo esto no necesita ninguna filtración. Por eso es más seria que la que preocupa a la mayoría de las empresas, en la que un proveedor se queda con su contexto y se lo pasa a un rival. Supongamos que ningún proveedor filtra nada y que todos los contratos se cumplen. Imaginemos a un competidor que intenta hacerse con una capacidad equivalente. Tiene su propio laboratorio y puede leer la documentación pública. Solo queda saber cuánto trabajo le cuesta llegar a un resultado aceptable.

Los tres estudios de antes justifican que se examine si ciertas búsquedas experimentales pueden acortarse. No demuestran que cualquier proceso industrial pueda reproducirse por encargo, y esa salvedad tiene que estar en el cuerpo del argumento y no relegada a una nota defensiva al final. Pero si una búsqueda que a un competidor le costaba cinco años de ensayo y error ahora le cuesta dos, haberla hecho antes ya no vale lo mismo, aunque las formulaciones de la primera empresa sigan guardadas bajo llave.

Una ventaja puede desgastarse en parte porque ha bajado el trabajo necesario para reconstruirla, aunque toda la información confidencial que la sostiene siga protegida.

Esto incumbe a quien se ocupa de patentes y secretos industriales, pero sobre todo a quien cree que su competidor todavía tiene que pasar por los mismos años de fracasos por los que pasó él. Algunos tienen razón. El acceso a las instalaciones y a los ensayos con clientes puede seguir poniendo límite a lo que aprende alguien de fuera, y una planta no es un cuaderno. Planteada con honestidad, la pregunta pide un reparto de costes tarea por tarea, empezando por qué parte de lo que a Henry le llevó veinte años le lleva ahora dos a un recién llegado bien equipado. Hay partes que siguen llevando veinte. Unas pocas no se consiguen a ningún precio sin que colabore el cliente.

La misma pregunta, dibujada tarea por tarea. El conocimiento publicado y la búsqueda experimental quedan donde hay mucho registro y la comprobación sale barata, que es donde se mueven los tres estudios. La confianza del cliente y el comportamiento bajo presión apenas dejan rastro y solo se pueden comprobar viviéndolos.

Después de mirar la reproducción desde fuera, la transmisión dentro de la empresa se ve de otra manera. La empresa tiene todos los motivos para ponerle fácil al sucesor lo que quiere que al competidor le siga costando. Puede darle el archivo interno y, lo que sirve más, decisiones reales en las que participar mientras el director sigue ahí para equivocarse delante de él. El problema de Henry queda así bien delimitado: qué parte de su experiencia puede convertirse en capacidad de otra persona y qué necesita esa persona para adquirirla.

Lo habitual es una serie de entrevistas antes de la jubilación, que se transcriben y se archivan. Yo no plantearía la captura del conocimiento como una entrevista de salida, porque de una entrevista de salida salen explicaciones, y las explicaciones son lo menos fiable que produce un experto. En el caso del veto a la materia prima, lo más útil es reconstruir qué tenía delante el director cuando intervino y qué señal le hizo frenar la aprobación. Luego viene una pregunta que nadie hace, qué resultado le habría hecho cambiar de opinión, y es la que convierte un veto en algo comprobable.

Aquí es donde se justifica hablar de condiciones de validez. Lo que se apuntó de un fallo sirve de algo cuando deja ver en qué condiciones se produjo y qué ha cambiado desde entonces. El lote de 1998 que salió mal en la gama marina llevaba una resina que se ha reformulado dos veces desde entonces. La cautela del director puede seguir teniendo sentido, o puede ser una restricción que perdió su motivo hace una década y conservó la autoridad. Cabe cualquiera de las dos, y la misma reconstrucción que le serviría a un sucesor para aprender del veto le serviría a la empresa para averiguar cuál es. Para Henry eso es un arma de doble filo, y me parece bien que lo sea.

En esto los modelos pueden servir de herramienta, para rescatar casos de un archivo desordenado o para poner la versión del director al lado de los resultados de los ensayos. Si el relevo ha funcionado se ve en lo que hace el sucesor. Decide mejor en casos que el director nunca vio, incluida la decisión de ir a preguntar a alguien. Un archivo lleno de explicaciones convincentes no demuestra nada de eso.

Dentro de esto hay una cuestión humana que merece párrafo aparte. Para el experto, transmitir su criterio es a la vez un alivio y una pérdida de peso dentro de la casa. Una empresa que plantea el proyecto como una extracción de conocimiento tiene que preguntarse qué le ofrece a quien tiene que enseñar, porque a un director técnico que lleva treinta años siendo el único capaz de distinguir una excepción importante de una incidencia normal se le está pidiendo que se vuelva menos imprescindible. Parte de la resistencia a estos proyectos viene de ahí, y es una postura razonable. Si se despacha como miedo a la tecnología, se lee mal el incentivo y el proyecto fracasa con buenos modales.

Podría acabar aquí, en un ejercicio que todavía nadie ha hecho. Coger una decisión real de Henry y reconstruir lo que se podía saber antes de conocer el resultado. Comparar lo que permite sostener el archivo tal como está con lo que cambia al añadir las observaciones del propio Henry. Después, comprobar si lo aprendido ayuda en las decisiones siguientes, con supervisión y con criterios fijados de antemano. Que la respuesta se parezca a la explicación de Henry dice poco. Lo que cuenta es si ayuda a alguien a darse cuenta de una restricción o a pedir los datos que faltan.

Para llevar esto más lejos necesitaría el caso en sí: un veto o un experimento abandonado del que todavía se puedan recuperar los motivos y el desenlace. Un solo episodio bien reconstruido podría sostener todo el argumento, y los estudios de fuera quedarían para poner en duda lo que el narrador cree estar viendo.

Si Henry lee esto, me dirá que sigo sin explicar qué hay en su mapa. Es cierto. He dicho dónde podrían estar sus bordes y qué partes merece la pena intentar trazar antes de que lo haga otro. Él diría que lo que importa es justo lo que nadie puso por escrito. Puede que tenga razón. También puede que haga mucho que no mira lo que sí quedó escrito. Yo tampoco lo he mirado.