La Brecha Entre la IA Que Compraste y el ROI Que Esperabas
Compraste las licencias. Construiste las herramientas. Le dijiste a tu equipo que esto cambiaría cómo se hace el trabajo — y la mayor parte de esa inversión está sin usar.
El diagnóstico habitual es técnico: un modelo mejor, un prompt más afinado, una plataforma más grande. La evidencia apunta a otro lado. La implementación no se estanca porque la tecnología esté rota. Se estanca en la capa humana — cómo una persona real, a media jornada y ya ocupada, aprende una herramienta nueva, se recupera del primer error y construye la confianza suficiente para seguir usándola.
Eso no es un problema de software. Es un problema psicológico. Es el problema en el que trabajo desde antes de que tuviera nombre en este mercado.
La ciencia detrás de la pantalla
No llegué a esto por un hilo el año pasado. Lo estudié. En la Universidad de Albany, en el programa doctoral de Psicología Industrial-Organizacional, fui Carson Carr Scholar, y mi investigación de posgrado hizo una pregunta acotada: ¿qué le pasa a la autoeficacia de una persona — su creencia en su propia capacidad — cuando le pones enfrente una tecnología compleja y desconocida y le pides que rinda?
El hallazgo, en términos simples: cómo vive alguien ese primer encuentro determina si se va creyendo que puede hacerlo, o concluye en silencio que la herramienta no es para él. La atención durante la formación es parte del mecanismo — cuando se dispersa, la autoeficacia no se forma. Trabajé esto en el laboratorio del Dr. Jason Randall, sobre la misma pregunta que el campo ahora le hace a la IA.
Donde la ciencia se enfrentó a lo real
No me quedé con esto en el laboratorio. Lo llevé a uno de los entornos de datos menos indulgentes que existen: la salud conductual pública.
Como Coordinador de Datos del Prevention Resource Center Región 11 (PRC 11) en Behavioral Health Solutions of South Texas — el centro financiado por la Comisión de Salud y Servicios Humanos de Texas (HHSC) para los datos de prevención de uso de sustancias y salud conductual en los 19 condados más al sur — soy autor de la Evaluación de Necesidades Regionales 2023 de la región, el informe público que ancla la planeación de prevención para 2.2 millones de residentes. Un documento así no se sostiene si los datos que lo respaldan son descuidados.
La salud es donde la adopción tecnológica es más difícil: el cumplimiento es pesado, la resistencia es profunda, y un sistema fallido no se mide en presupuesto — se mide en personas que no recibieron ayuda. Trato la disciplina de datos a nivel HIPAA como el piso, no como un extra. Y nunca dejé atrás la biología — estoy a un curso de terminar un posgrado en Ciencias Biológicas, porque entender el sistema humano completo es el trabajo.
Un operador, no solo un investigador
No solo teorizo. Despliego. Construyo y opero sistemas de IA para cuadrillas de construcción, equipos de servicio en campo y firmas profesionales — no en un entorno de demostración, sino en producción, con dueños reales, nómina real y resistencia real en el piso. Ahí es donde los marcos se ponen a prueba, y donde se han sostenido.
Y los construyo yo mismo. No son maquetas: automatización de documentos y recibos con OCR de visión, flujos con modelos de lenguaje que leen datos desordenados de negocio, recuperación sobre los propios documentos de una empresa, integraciones de WhatsApp y CRM, y los tableros que hacen utilizable el resultado — todo conectado sobre n8n, Supabase y las APIs de Claude y OpenAI. La ciencia es la ventaja; construir los sistemas es cómo pruebo que se entrega. Esa práctica aplicada tiene su propia casa, Rebel Minds OPS.
Mucho antes del trabajo académico, dirigí el departamento de accesorios de una agencia automotriz y lo convertí en un modelo lo bastante rentable como para que otras agencias lo copiaran. Sé lo que se siente una nómina desde adentro. Eso no es incidental a este trabajo — es por lo que la psicología se mantiene anclada en lo que un negocio realmente carga.
Mis raíces están en México, y construir una carrera en Estados Unidos desde cero — a través de dos países, dos tradiciones intelectuales, dos formas de ganar confianza — produjo una perspectiva bilingüe y bicultural que no se ensambla en un salón de clases. Me permite trabajar con el ejecutivo angloparlante que necesita un marco fundamentado, y con la comunidad empresarial hispanohablante que rara vez recibe este nivel de rigor en su propio idioma.
Por qué me contratas
Ninguna línea suelta de esta página es la razón. La razón es la convergencia: un operador que entiende la nómina, un investigador que entiende cómo aprende la gente bajo presión, y alguien que ha manejado datos donde lo que estaba en juego era real. La investigación explica lo que los despliegues confirman. Nada de esto se construyó para el momento de la IA — simplemente resulta ser lo que el momento de la IA exige.
Si eso describe algo que reconoces — una implementación que no rindió, un equipo que nunca adoptó del todo, una brecha entre lo que pagaste y lo que obtuviste — el siguiente paso no es una herramienta nueva. Es un diagnóstico: encontrar dónde se rompe la cadena, y reconstruirla.
Investigación y publicaciones
El trabajo revisado por pares detrás del marco — la ciencia, no el eslogan.
Publicaciones revisadas por pares
- Arredondo, M. L. (2022). The neurotic wandering mind and self-efficacy during training. Master's thesis, University at Albany, State University of New York. https://doi.org/10.54014/DKAX-FS1Smás relevante
- Jou, J., Arredondo, M. L., Li, C., Escamilla, E. E., & Zuniga, R. (2017). The effects of increasing semantic-associate list length on the Deese–Roediger–McDermott false recognition memory. Quarterly Journal of Experimental Psychology, 70(10), 2076–2093. https://doi.org/10.1080/17470218.2016.1222446
- Jou, J., Escamilla, E. E., Arredondo, M. L., Pena, L., Zuniga, R., Perez, M., & Garcia, C. (2018). The role of decision criterion in the Deese–Roediger–McDermott (DRM) false recognition memory. Quarterly Journal of Experimental Psychology, 71(2), 499–521. https://doi.org/10.1080/17470218.2016.1256416
Presentaciones en congresos (selección)
- Randall, J. G., Hanson, M. D., Arredondo, M. L., & Jandrew, M. (2019). Predicting self-regulation failures in training. Society for Industrial and Organizational Psychology (SIOP) Annual Conference, National Harbor, MD.
- Arredondo, M. L., Randall, J. G., & Nassrelgrgawi, A. (2018). Cognitive and non-cognitive predictors of mind wandering.
Also available in English: Why Mario Arredondo
Última actualización: junio de 2026