
Sign up to save your podcasts
Or


En este episodio exploro tres conceptos que parecen similares, pero que explican gran parte del rendimiento de cualquier equipo: responsabilidad, accountability y ownership.
Durante años pensé que entendía perfectamente estas palabras. Hasta que me di cuenta de que casi todos las usan de forma diferente. Y que detrás de esa confusión hay una de las razones más importantes por las que algunos equipos avanzan y otros se estancan.
Hablamos de la diferencia entre ejecutar tareas, responder por resultados y actuar como dueño de un problema. Analizamos por qué muchas organizaciones tienen personas talentosas y responsables, pero pocas con verdadero ownership. Y por qué esta capacidad, más que la experiencia o incluso el talento, suele ser el factor que separa a los operadores de los líderes.
Si alguna vez escuchaste frases como “yo hice lo que me pidieron” o te preguntaste por qué ciertos proyectos nunca terminan de despegar, este episodio te va a dar un marco simple para entender qué está faltando.
Responsibility es hacer el trabajo. Accountability es responder por los resultados. Ownership es actuar como dueño del problema y de la solución. Y entender esa diferencia puede cambiar la forma en que construís equipos, liderás personas y desarrollás tu carrera.
En este episodio desmontamos uno de los mayores malentendidos actuales alrededor de la inteligencia artificial empresarial: la confusión entre bases de grafos, ingeniería de grafos y arquitecturas Agent2Agent (A2A).
Primero exploramos qué es realmente una base de grafos, cómo modela entidades y relaciones, y por qué resulta tan potente para representar conocimiento complejo dentro de una organización. Después analizamos el concepto de Graph Engineering, la disciplina que transforma datos dispersos en conocimiento estructurado y utilizable.
A partir de ahí, damos un paso más allá para entender por qué ni los grafos ni los modelos de lenguaje son suficientes por sí solos. Introducimos el paradigma Agent2Agent, donde múltiples agentes especializados colaboran entre sí para resolver problemas complejos de negocio de forma coordinada.
Finalmente, aterrizamos el concepto en un caso real del sector financiero: cómo una institución regulada puede utilizar agentes especializados en normativa, cumplimiento, legal, operaciones y auditoría para preparar reportes regulatorios ante la CNBV, reduciendo tiempos, errores y dependencias operativas.
Una conversación sobre arquitectura empresarial, sistemas de conocimiento y el futuro de las organizaciones digitales impulsadas por IA.
Todos aprendemos a perfilar clientes, mercados y oportunidades. Muy pocos aprendemos a perfilar personas. En este episodio comparto por qué una de las decisiones más importantes de un emprendedor no es qué negocio aceptar, sino con quién hacerlo. A partir de experiencias personales, explico cómo leer señales de carácter, incentivos, reputación y riesgo, y por qué el perfilamiento humano es una herramienta de gestión mucho más que un juicio sobre las personas. Porque, al final, los grandes problemas de una empresa rara vez nacen de una mala idea; casi siempre nacen de una mala elección de compañía.
Todos queremos tener en nuestro equipo a esa persona que resuelve todo. La que conoce cada sistema, toma decisiones, apaga incendios y parece indispensable para que el negocio funcione.
Pero existe una paradoja: cuanto más depende una empresa de una sola persona, más vulnerable y lenta se vuelve.
En este episodio exploramos uno de los errores organizacionales más comunes en pymes y grandes empresas: confundir compromiso con escalabilidad. Hablamos sobre cuellos de botella invisibles, especialización, outsourcing, diseño organizacional y el enorme costo oculto de concentrar demasiado conocimiento y responsabilidad en unos pocos individuos.
Porque la pregunta no es cuánto cuesta contratar más gente.
La pregunta es cuánto cuesta que todo dependa de una sola persona.
Durante años, muchas empresas toleraron perfiles técnicos brillantes pero difíciles: developers cracks, ultra técnicos, aislados, con baja empatía y una fuerte resistencia cultural al trabajo colaborativo. Pero algo cambió.
En este episodio analizo una hipótesis incómoda: quizás la llegada de los agentes de programación no está siendo impulsada solo por la eficiencia o la innovación, sino también por el cansancio organizacional hacia ciertos comportamientos dentro de los equipos de tecnología.
Hablamos de poder informal, cultura técnica, ego, productividad real, fricción humana y cómo la inteligencia emocional pasó de ser “soft skill” a ventaja competitiva concreta en la era AI.
No es un episodio anti-nerds. Es un episodio sobre evolución.
Thanks for reading! Subscribe for free to receive new posts and support my work.
No elegís solo. Elegís dentro de un sistema que ya ordenó las opciones por vos.
Este episodio desarma cómo pasamos de usar tecnología para entender el mundo a usarla para decidir por nosotros.
Desde el GPS hasta la inteligencia artificial, cada recomendación parece menor… pero en conjunto redefine cómo pensamos, actuamos y elegimos.
Una mirada directa sobre el nuevo campo de poder: la decisión.
Hace unos años nos dijeron que la oficina había muerto.Hoy muchos de esos mismos discursos quedaron en evidencia.
Entonces, ¿con la inteligencia artificial está pasando lo mismo o esta vez el cambio es estructural?
En este episodio cruzo tres momentos de hype tecnológico —burbuja de internet, pandemia y AI— para separar narrativa de realidad.Hablamos de productividad, impuestos, presión en costos, ética y el verdadero impacto que la IA empieza a tener en empresas de servicios y equipos de tecnología.
No es un episodio futurista ni apocalíptico.Es una reflexión desde la trinchera: qué está cambiando de verdad, qué no, y cómo nos estamos reconfigurando como empresa para no quedar del lado equivocado de la curva.
La pregunta de fondo:¿la IA reemplaza trabajos… o redefine quién genera valor?
En el mundo emprendedor —y también en el corporativo— está muy instalada la fantasía de que los proyectos exitosos nacen de una idea brillante, casi profética. La realidad es bastante menos épica… y mucho más interesante.
En este episodio desarmo ese mito a partir de casos reales: Post-it, Slack, Minecraft, Instagram. Empresas y productos que no triunfaron por defender una idea original, sino por detectar a tiempo que estaban mirando mal el problema.
Historias donde el valor apareció en lugares incómodos: en un “fracaso técnico”, en una herramienta interna, en el comportamiento inesperado de los usuarios. Donde la decisión clave no fue crear algo nuevo, sino soltar, recortar, cerrar, reconvertir.
No hablo de motivación. Hablo de lectura de realidad. De humildad estratégica. De entender que muchos proyectos no mueren por cambiar, sino por insistir en ideas que ya no existen.
Un capítulo para entrenar criterio: cómo observar uso real, detectar señales y tener la madurez de recalcular antes de que el mercado lo haga por vos.
En este episodio exploramos por qué las empresas se aferran a planes, cronogramas y metodologías incluso cuando ya no generan valor.Por qué un proyecto puede “ir según el plan” y, aun así, estar completamente muerto.
Hablamos de gestión de proyectos como sistema de control emocional, no solo técnico.De cómo la cultura amplifica —o envenena— cualquier iniciativa digital.Y de por qué la transformación digital no falla por la tecnología, sino por las conversaciones que las organizaciones no se animan a tener.
Un capítulo sobre planes que tranquilizan, proyectos que se vuelven teatro y culturas que confunden control con liderazgo.
Porque volverse una empresa menos tóxica no empieza comprando herramientas.Empieza cambiando el tipo de verdad que se puede decir sin pagar un precio político.
En este episodio desarmo una confusión cada vez más común: llamar “inteligencia artificial” a cualquier cosa que procese datos. Explico, de forma práctica y sin tecnicismos innecesarios, la diferencia real entre data mining, machine learning e inteligencia artificial, y por qué el error más caro es elegir la tecnología antes de entender el problema.
La tesis es simple: la mayoría de los casos de negocio no necesitan IA, muchos se resuelven con data mining bien hecho, y solo algunos justifican modelos más complejos. El foco no está en lo sexy, sino en lo que funciona.
From the publisher's feed