Construí el cerebro de mi empresa en 2019 y lo confundí con una lista de tareas

Cómo debería una empresa de IA física asignar recursos entre software, hardware, I+D de frontera, marketing, ventas y manufactura — resolviendo "la mejor jugada siguiente" en cada ciclo, tal como sus robots replanifican su trayectoria.

Aquí va una pregunta que todo fundador y todo CEO, en secreto, responde mal:

Tenemos software, hardware, I+D de frontera, marketing, ventas y manufactura. Hay una sola bolsa de dinero y una sola reserva de horas-ingeniero. ¿Adónde va el próximo dólar y la próxima hora?

La mayoría de las empresas responden esto como un cavernícola respondería cualquier cosa: gana quien argumenta más fuerte. En Silicon Valley hasta tiene nombre — el HiPPO, la sigla de Highest-Paid Person's Opinion, la opinión de la persona mejor pagada. El o la vicepresidenta que cuenta la mejor historia se lleva más gente para su equipo. Eso no es estrategia. Eso es improvisación.

Quiero mostrarte la respuesta real — y luego confesarte que ya la construí hace seis años sin entender lo que tenía entre manos.

Primero, la trampa: "¿vamos a fondo o en amplitud?"

Cuando le hago esta pregunta de asignación a ingenieros, recurren a una imagen conocida: un árbol. ¿Avanzamos en profundidad primero — nos comprometemos a fondo con una rama hasta llegar a un resultado — o en amplitud primero — avanzamos un poco en cada rama a la vez? Profundidad primero contra amplitud primero. DFS contra BFS. Se siente correcto.

Es una trampa, y vale la pena ver por qué, porque el error es instructivo.

El recorrido de grafos responde "¿en qué orden visito cada nodo?" — y visita cada nodo exactamente una vez. Pero asignar un presupuesto no es visitar. No "visitas" al equipo de ventas; le vuelcas un recurso divisible y limitado, y mides qué obtienes a cambio. Profundidad primero y amplitud primero son la misma máquina de fondo, con el mismo dial forzado a dos extremos simplones: DFS es "siempre la rama más nueva", BFS es "siempre la más antigua". Ambos ignoran lo único que importa — cuál rama vale más en este momento.

Entonces la corrección honesta —y aquí con gusto reconozco que mi planteamiento anterior estaba incompleto— es esta: la respuesta nunca fue el orden de recorrido. Es el objetivo y las restricciones. La herramienta no es la búsqueda en grafos. Es la optimización. Y esta es una clase de problema de 70 años, aburrida y resuelta. Solo hay que reconocer que tu empresa es una instancia de ella.

La confesión: construí esto en 2019 y lo llamé "Life GPS"

Hace seis años me estaba ahogando: demasiadas cosas por aprender, muy pocas horas, y todo plan semanal rígido moría antes del miércoles. Así que construí una pequeña app para arreglarme a mí. La llamé Life GPS, y la propuesta era simple: un planificador que te dice el siguiente mejor paso, sin importar cuántos giros te pierdas, como un GPS.

¿Quieres el panorama completo primero? Aquí está el artículo original en Medium. ¿Quieres sentirlo en vez de solo leer sobre él? Seis años después todavía puedes probar la app en vivo tú mismo: pon algunas metas, presiona el botón de actualizar plan y observa cómo se vuelve a resolver. (El código está en GitHub.)

Debajo de la interfaz sencilla había un programa lineal entero binario. En palabras simples: trata tu semana como una cuadrícula de bloques de horas, y activa o desactiva cada bloque para una tarea, con el fin de maximizar cuánto de lo que realmente importa se logra, sujeto a reglas estrictas — cada tarea necesita un mínimo pero tiene un tope máximo, una cosa por hora, no programar más allá de una fecha límite. Un solver encuentra la mejor forma posible de llenar la cuadrícula. Eso es todo. Ese es el cerebro completo — y si cambias "bloques de horas" por "horas de ingeniero y dólares", tienes una empresa:

maximize    Σ  value(department) × resource(department)   # the best next move
subject to  each team-hour spent only once                # no double-booking
            each effort ≥ floor,  ≤ cap                    # min viable, don't over-invest
            respect dependencies + deadlines               # the graph
then RE-SOLVE every cycle as reality reports back          # ← the GPS reroute (MPC)

Esa última línea es todo el truco. Todo lo anterior es un plan; esa línea es lo que lo convierte en un plan vivo.

Y aquí viene la parte que todavía me eriza la piel. Cuando le decías qué realmente había pasado — "solo conseguí 40 minutos de trabajo profundo esta mañana, no dos horas" — y presionabas el botón Actualizar mi plan, hacía algo muy específico: congelaba el pasado, restaba lo que ya habías gastado de cada presupuesto restante, y volvía a resolver el resto de la semana desde cero.

Eso tiene un nombre en robótica. Se llama Model Predictive Control — (control predictivo por modelo): planificar, actuar, observar cómo se mueve la realidad, replanificar desde donde realmente estás. Es exactamente la misma ley de control que usa un robot autónomo para replanificar su ruta cuando aparece una caja en el pasillo. Había escrito MPC a nivel organizacional en un fin de semana y lo confundí con una app de productividad.

Incluso hay un fantasma en ese código viejo: una función que comenté porque no logré hacerla funcionar. Una regla para "trabajar en esto al menos 3 días pero no más de 5" — mi torpe intento de codificar la tensión real detrás de la búsqueda en profundidad vs. en anchura: enfoque vs. variedad. Mi solver de 2019 se atragantaba con eso (es una restricción no lineal). Un solver moderno se lo desayuna sin problema. Lo que antes di por imposible ahora cabe en una sola línea de código.

Por qué siguió siendo un juguete — y por qué ahí está toda la oportunidad

Life GPS era correcto. Nunca salió de mi laptop por una razón: estaba privada de tres cosas que un humano tenía que teclear a mano.

1. Los pesos. Yo escribía "Aprendizaje = 10, Juego = 6". Puro instinto. En una empresa, nadie se pone de acuerdo en estos números, y son ellos los que deciden todo.
2. Las tareas y las reglas. Tecleadas en una tabla a mano. Tedioso, estático, siempre desactualizado.
3. La retroalimentación. Tenía que autoevaluarme dos veces al día. Una tarea molesta, así que dejé de hacerlo.

Cada una de esas tres cosas era algo que había que darle vuelta a mano, como una manivela. Y cada una de ellas es exactamente lo que una empresa nativa de IA ahora convierte en automático:

• Pesos → los agentes los estiman. Una IA lee la evidencia y calcula el valor esperado, el costo y el riesgo de cada iniciativa — de forma continua, barata, sin necesidad de una reunión.
• Tareas y reglas → se leen directo de la organización. La empresa ya registra su trabajo como un grafo de elementos con dependencias; el optimizador lo lee en vez de pedirte que lo vuelvas a teclear.
• Retroalimentación → instrumentada. Una prueba que pasa, la tasa de error de un robot que baja, un contrato que se cierra — el botón "Update My Plan" se activa solo.

Esa es toda la tesis en una sola frase: Life GPS era una respuesta correcta hambrienta de tres fuentes de datos, y la era nativa de IA sirve las tres gratis. La idea no se volvió más inteligente. Los sensores se abarataron mil veces.

La moraleja para una empresa de robótica

Aquí va la frase que no se me quita de la cabeza:

Una empresa de IA física debería dirigirse con el mismo algoritmo que usan sus robots para moverse por el mundo.

Tus robots no calculan un plan perfecto y avanzan a ciegas. Perciben, planean unos pasos, actúan, vuelven a percibir y replanean — para siempre. Así, exactamente, es como la empresa que está detrás de ellos debería asignar su dinero y su gente. Nada de un plan anual grabado en piedra en enero y muerto para marzo. Un GPS vivo que, en cada ciclo, le entrega al liderazgo el mejor próximo movimiento — y recalcula la ruta en el instante en que una compuerta falla, el mercado cambia o llega una contratación importante.

El medio es el mensaje. Si crees lo suficiente en el control de lazo cerrado como para meterlo dentro de tus robots, mételo también dentro de tu empresa.

Lo que esto realmente resuelve (el problema más grande)

Da un paso atrás y la idea pequeña apunta a una más grande. "¿Adónde va el próximo dólar?" es la misma matemática que un robot planeando una ruta, un fondo balanceando un portafolio, y una IA decidiendo entre explorar y explotar. Son un solo problema — asignar un recurso escaso bajo incertidumbre para maximizar el valor — y por primera vez podemos ejecutarlo a escala de empresa, porque las tres fuentes que antes necesitaban a un humano ahora son automáticas.

La trampa, y no voy a fingir lo contrario: todo depende de los pesos. Aliméntalo con estimaciones basura y te llevará directo a un precipicio con un certificado de optimalidad — equivocarse con confianza es peor que acertar a medias. Así que el primer paso honesto no es construir el motor. Es demostrar que las estimaciones son confiables — toma seis decisiones pasadas, haz que una IA las valore usando solo lo que era conocible en ese momento, y comprueba si las matemáticas habrían elegido lo que realmente funcionó. Una tarde. O bien valida todo el sistema, o te dice que el producto real es el estimador. Eso no es un desvío. Es la disciplina.

Pasé 2019 construyendo un GPS para poner mi propia semana bajo control. Resulta que estaba construyendo lo que una empresa necesita para ponerse a sí misma bajo control. Solo tenía que esperar a que el mundo alcanzara al código.

¿Adónde va tu próximo dólar? ¿Y podría tu empresa responder eso con un número honesto en vez de con la voz más fuerte?

Parte de una serie sobre cómo construir una empresa física de IA nativa en IA — después de "Ship a loop, not a demo" ("Lanza un bucle, no una demo") y "You Can't Order People to Close Loops" ("No puedes ordenarle a la gente que cierre bucles"). Publicado en mi propio sitio; el plan estratégico detrás vive con el código. La semilla de 2019: github.com/wjlgatech/life_GPS.