«Me alegra haberme equivocado. Pensé que, a estas alturas, habría habido un mayor impacto en los empleos de oficina de nivel inicial.» — Sam Altman (CommBank Accelerate AI, 26 de mayo de 2026)
En la parte I se explicó, de manera sencilla, qué hay detrás de la IA generativa, cómo se relaciona con otras formas de automatización y por qué puede equivocarse incluso cuando responde con aparente seguridad (https://agraria.pe/columna/ia-en-la-agroexportacion-conocimientos-esenciales-para-poten-42697). Ahora explicaremos el uso de Claude y detallaremos un caso práctico.
Cómo se usa Claude: chat, skill, artefacto y agente
Entender cómo funciona el modelo es solo la mitad del asunto; la otra mitad es cómo ponerlo a trabajar. Un chat suelto (preguntar y recibir una respuesta) es apenas la puerta de entrada. El valor real aparece cuando se le da contexto, datos y método, y cuando se le permite no solo responder, sino ejecutar.
Para mostrarlo de manera concreta, Claude sirve como ejemplo, aunque lo esencial se aplica igualmente a ChatGPT, Gemini u otras herramientas. El recorrido va de lo más simple a lo más potente: del chat a las skills y los agentes.
El chat. Es el punto de entrada y el que casi todos ya conocen. La persona formula una pregunta o una instrucción —prompt, en inglés— y Claude responde. Sirve para redactar un correo a un cliente, resumir un reporte de campaña o explicar una norma de un mercado de destino. La estructura recomendada consiste en definir qué rol se desea que cumpla, explicar el contexto que necesita conocer, precisar qué debe lograr, indicar cómo debe hacerlo, señalar qué información debe analizar y, finalmente, establecer cómo debe presentar la respuesta.
Darle contexto. El siguiente salto consiste en dejar de copiar y pegar. Según el producto, el plan, los conectores habilitados y los permisos otorgados, la herramienta puede acceder a carpetas del escritorio, Dropbox o Google Drive y trabajar con varios archivos a la vez. En lugar de subir uno por uno, se le puede indicar un directorio con cuarenta ensayos de agroquímicos y pedirle que sintetice las conclusiones en una página. También puede configurarse un contexto permanente —desde la actividad de la empresa hasta sus definiciones, indicadores y manuales— para que responda sobre la base de la realidad de la organización y no de información genérica de internet.
La habilidad o skill. En Claude, una skill es una carpeta o paquete reutilizable que puede contener instrucciones, scripts (guión), plantillas y otros recursos. Puede incorporar, por ejemplo, el protocolo con el que se evalúa una variedad, perfeccionado durante cinco campañas; la forma exacta de preparar el presupuesto; o el procedimiento para elaborar la documentación de una certificación ISO o calcular la huella de carbono. La skill no garantiza que Claude repita el proceso de manera idéntica, porque el comportamiento sigue siendo probabilístico, pero permite aplicar el procedimiento con mayor consistencia. Una skill bien diseñada también puede advertir qué información falta. Es, además, una forma de extraer el criterio de la cabeza de una sola persona y convertirlo en memoria institucional.
El agente. Un agente combina un modelo de IA, herramientas, datos, permisos y procedimientos —entre ellos, eventualmente, una o varias skills— para ejecutar una secuencia de pasos orientada a un objetivo. Puede revisar lo obtenido y corregir el proceso antes de concluir. La ejecución por horario o de manera continua requiere, además, infraestructura, disparadores y permisos específicos. Su autonomía es su mayor poder y su principal riesgo, por lo que se acota el alcance y se audita lo producido. Cuando varios agentes se coordinan bajo un supervisor automatizado, se configura un sistema multiagente. Más adelante se presenta un ejemplo aplicado a un benchmark entre empresas. Por ejemplo, un agente (que fue programado y funciona de manera independiente) puede realizar una búsqueda de noticias/artículos a las 8 a.m. de cada día sobre el impacto FEN en cultivos agroexportadores en Perú y enviar un email con el resumen y los links de interés.
Los artefactos. Buena parte de lo que Claude construye toma la forma de artefactos: piezas que aparecen en un panel al costado de la conversación, como documentos, gráficos, calculadoras o tableros de control, que el usuario puede revisar y ajustar sin tocar código. Para un gerente, uno de los casos más útiles es un dashboard dinámico. Al compartir datos de rendimiento, costos y calibres por lote, puede generarse un tablero interactivo en el que un filtro o un supuesto modifica todos los resultados; por ejemplo, una calculadora de contribución por lote que identifica los valores negativos, incluso sobre una imagen del fundo cuando se dispone de un archivo KML o KMZ. Cuando una cifra debe ser exacta, la herramienta puede escribir y ejecutar código para hacer el cálculo más trazable y reproducible, aunque la lógica, las fórmulas y el resultado deben seguir siendo validados. Lo que antes era un pedido al área de sistemas puede surgir hoy de una conversación con IA, en la que una persona o un equipo participa en la co-creación y el lanzamiento de productos propios.
Entornos especializados e integrados. Claude ya no funciona únicamente como un chat, sino como un conjunto de aplicaciones y entornos adaptados a distintos tipos de trabajo. Claude Cowork permite delegar tareas de varias etapas sobre archivos, documentos y aplicaciones; Claude Code está orientado al desarrollo de software y puede analizar repositorios, escribir y probar código, ejecutar comandos y corregir errores. A ellos se suman Claude Design, para crear diseños, prototipos y presentaciones; Claude Science, para investigación científica; y Claude Security, para detectar y corregir vulnerabilidades en código. Claude for Small Business incorpora en Cowork conectores y flujos preconfigurados para tareas de finanzas, ventas, marketing y operaciones. Mediante Claude Tag, puede incorporarse a canales seleccionados de Slack, acumular contexto y recibir tareas al ser mencionado como @Claude. Asimismo, trabaja dentro de Word, Excel, PowerPoint y Outlook, manteniendo el contexto y trasladando información entre estas aplicaciones. También puede navegar por páginas web mediante su integración con Google Chrome; por ejemplo, buscar precios de palta en los principales retail globales y organizar los resultados.
Dónde está la ganancia: liberar y afilar el juicio
Conviene recuperar una distinción planteada en su momento por Sequoia Capital, una de las firmas de capital de riesgo más importantes del mundo. La inteligencia consiste en aplicar reglas, cruzar datos y reconocer patrones; es una tarea compleja, pero en gran medida procedimental. El juicio, en cambio, implica decidir cuando un caso no encaja en la regla, interpretar el contexto y priorizar con información incompleta. Por ello, las tareas más intensivas en inteligencia suelen automatizarse primero, mientras que muchas de las que hoy dependen del juicio también podrían llegar a ser automatizables. Aun así, los cambios de contexto seguirán exigiendo nuevos y mejores criterios de decisión.
La principal limitación en una empresa agrícola es el tiempo. Los profesionales que ocupan posiciones que requieren mayor criterio suelen dedicar buena parte del día a tareas que no lo exigen. Considérese el caso de un especialista en nutrición que invierte horas en asegurar que los fertilizantes se soliciten a tiempo, cuadrar programaciones y llenar formatos. Nada de ello aprovecha plenamente aquello que lo hace valioso, y buena parte de esa carga puede ser asumida por la IA. Su mayor aporte está en el juicio, desde leer el seguimiento fenológico, interpretar un desvío hasta ajustar el plan frente a una campaña que nunca es igual. Esa capacidad continúa siendo más difícil de automatizar.
Existe un segundo efecto. La IA no solo libera tiempo para el juicio; también puede afilarlo. Ante una decisión relevante, como una expansión, ayuda a estructurarla, ordenar alternativas, ejecutar escenarios y análisis de sensibilidad, y dejar por escrito los supuestos. También puede actuar como abogado del diablo, pues se le puede pedir que critique un plan de fertilización o una estrategia de campaña y exponga riesgos, contingencias y efectos de segundo orden que no se habían contemplado. No toma la decisión; obliga a pensarla mejor antes de adoptarla.
La IA en acción: caso benchmark de costos
Para mostrar cómo se combinan estas tecnologías en la práctica, se presenta una arquitectura conceptual basada en un proceso real de benchmarking de costos desarrollado por ACM y actualmente en proceso de automatización. El mayor valor continúa estando en el juicio, respaldado en este caso por más de dos décadas de experiencia en este tipo de análisis. El proceso exige extraer datos de comercio exterior, homologar contabilidades con planes de cuentas o estructuras de costos distintos y cruzar el contexto de campo que explica el gasto. En lugar de que una persona consolide hojas durante semanas, puede organizarse como un sistema multiagente, en el que un orquestador coordina y cada componente utiliza la técnica correspondiente. Actualmente se estima que la IA interviene de forma directa en aproximadamente el 70% de las actividades del proceso, aunque el alcance continúa afinándose y la supervisión humana sigue siendo necesaria, tanto por control de calidad como por la etapa de madurez del sistema.
Extracción de precios (automatización). Una herramienta similar a un RPA accede automáticamente a los portales de aduanas cada semana —en el caso de ACM se utiliza Veritrade—, descarga los datos de exportación del cultivo y los deja depurados en los servidores, sin que una persona deba bajar los archivos. También genera gráficos y cuadros de volúmenes, precios y valores FOB por variedad, empresa, puerto de embarque y ventana comercial, entre otras dimensiones.
Homologación de costos (lenguaje y reglas comunes). El sistema recibe información contable proveniente de distintos ERP y, apoyándose en capacidades de comprensión del lenguaje, interpreta el significado de cada cuenta y propone su clasificación bajo un estándar común. Para ello, utiliza datos históricos y ejemplos previamente clasificados. Por ejemplo, puede reconocer que “transporte de mano de obra”, “movilidad de personal” y otras descripciones corresponden a una misma categoría.
La herramienta no asigna las cuentas de manera definitiva. Formula propuestas a partir de benchmarks anteriores, ejemplos de referencia y reglas establecidas, e incluso puede presentar distintas alternativas para que un experto confirme la clasificación más adecuada. Aunque el resultado podría mostrarse en un dashboard visualmente sofisticado, se ha preferido utilizar un archivo Excel que detalle paso a paso cómo se realizó cada clasificación y explique su fundamento. De esta manera, un especialista puede auditar el proceso, revisar fórmulas, conciliar montos, analizar desviaciones y validar los criterios utilizados. Cuando un especialista modifica una clasificación, la corrección puede almacenarse como una nueva regla o ejemplo de referencia para que el sistema la considere en análisis posteriores.
Para reducir el riesgo de sesgos y reforzar la confidencialidad, el sistema no utiliza la identidad de la empresa analizada durante la clasificación. En general, la protección de la información en los modelos depende del proveedor, el tipo de plan, la configuración de privacidad, los permisos otorgados y las condiciones contractuales. Para información sensible, la organización debe utilizar soluciones empresariales aprobadas y verificar expresamente las políticas de tratamiento, almacenamiento y uso de la información.
Contexto de campo (voz a texto y lenguaje). Procesa información no estructurada, como notas escritas a mano, bitácoras y audios que el equipo registra internamente después de una visita para resumir los principales puntos críticos. Transcribe el audio, interpreta su sentido y puede relacionar una diferencia en el rendimiento con un factor específico.
Análisis y redacción (IA generativa). Con los números depurados y el contexto, redacta el informe ejecutivo en español fluido, explica las causas de las desviaciones y señala los puntos críticos.
Orquestador y auditor. Controla el orden, revisa que los promedios sean ponderados por área y no simples, y audita las afirmaciones del informe. Si detecta una inconsistencia, detiene el proceso, ordena recalcular, valida el resultado y solo entonces da el visto bueno.
La lección es clara. Nada de esto funciona sin información ordenada y procedimientos definidos; un chat genérico con el mismo encargo puede devolver resultados inconsistentes. Además, como la IA se expresa con fluidez y genera gráficos atractivos, puede convencer de que un resultado es robusto cuando está equivocado. En una experiencia de ACM, se generó un tablero de NDVI y se solicitó que el procedimiento quedara documentado en Excel para auditar cada cálculo. La revisión mostró que el promedio del fundo se había obtenido como promedio simple y no ponderado por área. El tablero se veía impecable, pero el resultado era incorrecto. Por ello, el auditor automatizado y el juicio humano no son opcionales. También resulta fundamental conocer en profundidad las variables y las fuentes utilizadas. Por ejemplo, existen dashboards e infografías elaborados con información de NASA POWER sobre las temperaturas de la costa peruana y de otros países. Sin embargo, el principal riesgo no está necesariamente en la IA, sino en el desconocimiento de las características de la fuente. NASA POWER proporciona las variables meteorológicas con una resolución espacial de 0.5° de latitud por 0.625° de longitud, equivalente aproximadamente a 55 por 65-70 km en la costa peruana, mientras que los parámetros solares tienen una resolución de 1° por 1°. En determinadas ubicaciones, una celda puede integrar superficies marítimas, valles costeros y zonas con cambios importantes de altitud hacia los Andes. Si esta limitación no se considera, el análisis puede atribuir al punto evaluado condiciones que no representan adecuadamente su realidad local y conducir a conclusiones equivocadas.
Estrategia para la alta gerencia
Adoptar este ecosistema con criterio exige varios cambios en el mapa de decisiones.
Documentar el juicio experto. El criterio de sus mejores ingenieros hoy vive en sus cabezas y se va cuando ellos rotan. Convertir ese criterio en skills o habilidades (qué señales lee un jefe de fundo, cómo interpreta un desvío, cómo resolvió las excepciones del pasado) es construir memoria institucional donde antes solo había memoria individual. Es, además, la base sin la cual ninguna herramienta de IA rinde de verdad.
Equipos más densos en criterio. A medida que las tareas rutinarias se automaticen, la diferencia entre una empresa y otra dependerá cada vez más de la calidad de las decisiones que se tomen frente a situaciones excepcionales. Esto puede llevar a equipos más compactos, pero con mayor experiencia, visión transversal y capacidad para conectar dimensiones que antes se analizaban por separado, como campo y finanzas, producción y comercial, o sostenibilidad y cumplimiento. Sin embargo, una mayor densidad de experiencia no debería traducirse en dejar de formar talento joven. La IA también permite que profesionales con menor trayectoria aprendan más rápido, eleven la calidad de sus análisis y asuman responsabilidades que antes requerían varios años de experiencia.
La falacia de la limpieza perfecta. Se dice que hay que pasar años ordenando el ERP antes de mirar la IA. En el agro peruano, esperar la perfección es una receta para la parálisis, y la realidad suele ser la contraria, ya que la adopción es el catalizador que obliga a ordenar los datos. La estrategia sensata es la adopción concurrente, con pilotos acotados cuya urgencia de funcionar fuerce a la organización a ordenar e integrar sus bases.
Eliminar antes de automatizar. Antes de incorporar IA, conviene revisar críticamente el proceso existente. Muchos procedimientos rutinarios, como controles heredados, formatos de almacén o reportes en PDF de escaso uso, no requieren automatización, sino eliminación. Automatizar una actividad innecesaria no genera eficiencia; únicamente incrementa el costo y acelera la ejecución de un proceso que continúa siendo deficiente. La secuencia adecuada consiste en cuestionar cada requisito, eliminar lo redundante, simplificar lo que permanece y, solo después, automatizar. Una pregunta útil para cualquier organización sería la siguiente: ¿cuántos reportes podrían eliminarse hoy sin afectar la toma de decisiones ni la operación?
El retorno al juicio humano y al pensamiento sistémico
La tecnología seguirá evolucionando y reduciendo sus costos, mientras que muchas de las herramientas actuales serán reemplazadas en poco tiempo. Por ello, la ventaja competitiva sostenible no dependerá únicamente del software que una empresa adquiera, sino de la calidad de su infraestructura de datos, del conocimiento operativo que logre estructurar y poner en uso, y de su capacidad para conectar las distintas áreas de la organización. En este proceso, resulta fundamental pensar en sistemas completos y no solo en tareas o actividades aisladas.
La adopción de IA no debería orientarse a reducir puestos ni a reemplazar de manera indiscriminada a los profesionales con mayor experiencia. Bien gobernada, integrada y auditada, puede asumir buena parte de la carga de ejecución —el llenado de formatos, el procesamiento numérico y la consolidación de datos— y liberar tiempo para que ingenieros, gerentes y directores interpreten escenarios, gestionen excepciones y apliquen juicio experto sobre un negocio cambiante y complejo como es el agro. Algunas de estas actividades también podrán automatizarse progresivamente, pero la validación final, la responsabilidad y la rendición de cuentas deberán permanecer claramente asignadas. Por ello, la primera pregunta no debería ser qué modelo o herramienta utilizar, sino qué decisión se busca mejorar y qué sistema de información, conocimiento y responsabilidades la sostiene. Al igual que en la elección de una variedad de arándano, no basta con definir qué genética utilizar. La decisión depende de la ubicación del proyecto, las condiciones climáticas, la capacidad comercial para colocar la fruta y los recursos productivos, financieros y operativos disponibles.
