Julia White de AWS: El fracaso es el mejor maestro en inteligencia artificial

Fracasar con inteligencia artificial no es opcional: es el método

Hay afirmaciones que suenan provocadoras pero que, una vez que las dejas reposar, resultan ser de una obviedad perturbadora. La de Julia White, vicepresidenta corporativa de Amazon Web Services, es una de ellas: la única forma genuina de aprender sobre inteligencia artificial es fracasando. No leyendo libros. No tomando cursos de ocho horas. No contratando a un consultor externo que explique diapositivas bonitas en una sala de conferencias.

Fracasando.

Dicho así suena simple. No lo es. Porque fracasar requiere algo que la mayoría de las organizaciones latinoamericanas — y muchas globales — no tienen construido: una cultura que tolere el error sin castigarlo.

Por qué el fracaso en inteligencia artificial es una ventaja competitiva real

AWS controla aproximadamente el 31% del mercado global de infraestructura en la nube, según datos de Synergy Research Group de 2024. White no habla desde la teoría. Habla desde una plataforma que ve cómo miles de empresas intentan adoptar IA todos los días — y cómo la mayoría tropieza en el mismo punto: el miedo a equivocarse.

Y ese miedo tiene un costo medible. Un estudio publicado en Harvard Business Review en 2022 encontró que las organizaciones con mayor tolerancia al fracaso controlado tenían una tasa de adopción de IA un 40% superior a las que operaban bajo culturas de cero errores. No es una diferencia marginal. Es la diferencia entre liderar una categoría y mirar cómo otros la lideran.

“Para 2030, entre 75 y 375 millones de trabajadores en todo el mundo necesitarán cambiar de categoría ocupacional o adquirir nuevas habilidades significativas como consecuencia de la automatización y la inteligencia artificial.” — McKinsey & Company, 2023

El argumento de White conecta con algo que los equipos de startups tecnológicas llevan años aplicando bajo el concepto de fail fast, learn faster. La diferencia es que ahora ese principio está migrando — con urgencia — hacia grandes corporaciones, bancos, retailers y gobiernos que históricamente han penalizado el error de forma sistemática. Y el problema es que la inteligencia artificial no espera a que esas culturas evolucionen a su propio ritmo.

La crisis de talento en IA que nadie en marketing está tomando en serio

Hay un dato que debería inquietar a cualquier director de marketing o fundador que esté pensando en integrar IA en sus operaciones: la demanda de profesionales especializados en inteligencia artificial creció un 210% entre 2019 y 2023 en los principales mercados occidentales, según el AI Index 2024 de la Universidad de Stanford. La oferta de talento no creció ni cerca de ese ritmo.

¿La consecuencia práctica? Que esperar a contratar al experto perfecto es una estrategia que ya no funciona. El talento no llega formado. Se forma experimentando. Y eso cambia radicalmente cómo debería estructurarse el aprendizaje en IA dentro de cualquier equipo de marketing o growth.

Lo que nadie menciona es que el verdadero riesgo no está en equivocarse al probar un modelo de IA generativa para personalizar emails. El riesgo real está en no probarlo mientras la competencia sí lo hace — y aprende más rápido que tú.

Qué está haciendo AWS para que la experimentación sea posible

Las declaraciones de White no son solo retórica corporativa. AWS ha respaldado esta postura con inversiones concretas que vale la pena conocer, especialmente si tu equipo está evaluando cómo construir capacidades internas en IA:

• Amazon Bedrock y SageMaker: Herramientas diseñadas específicamente para que las empresas experimenten con modelos de IA generativa con barreras técnicas reducidas. El punto central es precisamente ese: permiten el ensayo y error sin necesitar un equipo de investigadores detrás.
• AWS Generative AI Innovation Center: En 2023, Amazon comprometió 100 millones de dólares para acompañar a empresas en el desarrollo de aplicaciones de IA generativa, con un componente fuerte de experimentación guiada — no de implementación perfecta desde el día uno.
• AWS Skills to Jobs Tech Alliance: Un compromiso de formación gratuita en habilidades de IA para 2 millones de personas antes de 2025, en colaboración con instituciones académicas europeas y norteamericanas.
• AWS Educate: Plataforma de aprendizaje gratuita que ha ido incorporando contenidos de inteligencia artificial accesibles para perfiles no técnicos — incluyendo equipos de marketing y negocio.
• AWS AI & ML Scholarship Program: Dirigido a comunidades subrepresentadas, con formación en aprendizaje automático para democratizar el acceso a estas capacidades más allá de los perfiles técnicos tradicionales.

La lógica detrás de todo esto es coherente con lo que White defiende públicamente: si quieres que las organizaciones aprendan IA experimentando, tienes que bajarles el costo del experimento. Tanto el costo técnico como el costo del miedo.

El debate que las empresas latinoamericanas no están teniendo

Aquí está el problema — el de verdad, el que pocas veces se nombra en los paneles de tecnología: la discusión sobre inteligencia artificial en Latinoamérica tiende a concentrarse en dos extremos. O se habla de IA como algo lejano y técnico que “ya llegará”, o se habla de casos de uso tan perfectos y pulidos que parecen sacados de un comunicado de prensa. Lo que casi nunca aparece es la conversación sobre cómo construir la cultura organizacional que permite que la experimentación ocurra.

Investigadores del MIT Media Lab y de Harvard Business School han documentado con precisión cómo la aversión al error ralentiza la adopción tecnológica dentro de las empresas. No es un problema de presupuesto. No es un problema de acceso a herramientas. Es un problema de cultura. Y la cultura — a diferencia del software — no se actualiza con un clic.

¿La paradoja? Que las empresas que más necesitan aprender rápido son exactamente las que tienen culturas más rígidas frente al error. Los bancos. Las aseguradoras. Los retailers tradicionales. Las agencias de medios con modelos de negocio que llevan décadas sin cambiar. Son precisamente esas organizaciones las que enfrentan mayor presión competitiva de actores nativos digitales que sí tienen esa tolerancia al fracaso construida desde el principio.

Experimentar con IA en marketing: qué significa en la práctica

Traducir el argumento de White a decisiones concretas de marketing no es complicado. Pero requiere cambiar algunas premisas de base.

El Foro Económico Mundial identificó en su informe Future of Jobs 2023 que el pensamiento analítico y las habilidades en IA son las competencias más demandadas para los próximos cinco años. Ese pensamiento analítico no se desarrolla estudiando casos ajenos. Se desarrolla tomando decisiones propias, midiendo resultados y ajustando. Para un equipo de marketing, eso se traduce en algo bastante específico:

1. Define experimentos pequeños y medibles: No empieces con “vamos a transformar toda la estrategia de contenidos con IA”. Empieza con “vamos a probar si un asunto de email generado con IA mejora la tasa de apertura en este segmento específico durante tres semanas”.
2. Establece qué significa fracasar antes de lanzar: Si no defines de antemano qué resultado te dice que el experimento no funcionó, cualquier resultado puede parecer éxito. La claridad previa es lo que convierte el fracaso en aprendizaje.
3. Documenta el proceso, no solo el resultado: Lo que aprendiste sobre cómo funciona el modelo, qué instrucciones generaron mejores salidas, qué contexto necesita la herramienta — eso vale más a largo plazo que el resultado puntual del experimento.
4. Itera en ciclos cortos: Dos semanas de experimento, revisión, ajuste, siguiente ciclo. No meses de planificación perfecta seguidos de un lanzamiento que nadie puede tocar.
5. Comparte los fracasos internamente: Esta es la parte más difícil y la más importante. Si solo circulan los éxitos, el equipo no aprende. Y el siguiente experimento repite los mismos errores que ya alguien cometió en silencio.

Mi postura es esta: los equipos de marketing que en 2025 todavía están esperando tener “certeza” antes de experimentar con IA están tomando la decisión más arriesgada de todas — sin saberlo. La certeza no llega antes del experimento. Llega después. Y llega más rápido cuando el entorno permite equivocarse sin consecuencias catastróficas.

El marco regulatorio complica las cosas, sí. La Unión Europea aprobó en 2024 la AI Act, que clasifica los sistemas de IA según su nivel de riesgo y establece obligaciones específicas para quienes los desarrollan y usan. Eso añade capas de consideración — especialmente en sectores como salud, finanzas o infraestructura crítica. Pero para la mayoría de los casos de uso en marketing — personalización, generación de contenido, análisis de audiencias, automatización de campañas — el margen para experimentar es amplio. Lo que falta no es permiso regulatorio. Lo que falta es permiso cultural.