Dos empresas del mismo sector compran, el mismo trimestre, la misma licencia de Inteligencia Artificial. Mismo proveedor, mismo modelo, presupuestos parecidos. Doce meses después, una la tiene integrada en sus decisiones del día a día. La otra sigue discutiendo, en cada comité, por qué la IA “no termina de rendir”. La diferencia no estuvo en la tecnología que eligieron.
Según BCG, el 60% de las empresas invierte de forma significativa en Inteligencia Artificial y, aun así, no logra extraer de esa inversión ningún valor material. McKinsey llega a una conclusión parecida desde otro ángulo: dos tercios de las organizaciones ya adoptaron IA generativa, pero solo un tercio logró escalarla más allá de la etapa de pilotos. Mientras el mercado sigue peleando por el mejor modelo de IA, la ventaja competitiva real ya se mudó a otro lugar: a qué conocimiento se elige para alimentar ese modelo, y quién responde por su calidad.
Esa es la pregunta que organiza el Framework FUEL, el modelo de cuatro etapas que Pablo Belly desarrolló a partir de más de 200 proyectos de consultoría en Iberoamérica para ayudar a comités ejecutivos a diagnosticar —y resolver— el verdadero cuello de botella de sus iniciativas de IA. No es una clase más de Inteligencia Artificial. Es la caja de herramientas para decidir, de forma ordenada, qué conocimiento necesita tu IA antes de pedirle resultados.
El problema que ningún comité de IA está resolviendo todavía
La mayoría de los directorios ya tiene acceso a un modelo de lenguaje de nivel comparable al de su competencia. ChatGPT Enterprise, Microsoft Copilot, Gemini o Claude dejaron de ser una ventaja: son un costo de entrada. Y sin embargo, los resultados entre organizaciones que compraron exactamente la misma tecnología siguen siendo radicalmente distintos.
No es un problema de modelos. Es un problema de qué se les da de comer a esos modelos. Una IA alimentada con conocimiento disperso, desactualizado o contradictorio devuelve exactamente eso —con más velocidad y más confianza aparente, que es lo que la vuelve peligrosa para un negocio. El Framework FUEL existe para resolver esa capa, antes de que el problema llegue al modelo.
Qué es el Framework FUEL®
FUEL® es el modelo de cuatro etapas —Find, Unify, Enrich, Leverage— que ordena cómo una organización debe encontrar, unificar, enriquecer y escalar su conocimiento crítico para que una Inteligencia Artificial pueda trabajar con él de forma confiable. Cada etapa resuelve un problema distinto, y el modelo está pensado para recorrerse en orden: saltear una etapa para llegar antes a la siguiente es, con frecuencia, la razón silenciosa por la que una iniciativa de IA nunca pasa de la fase de piloto.
El modelo es el apéndice práctico de The Knowledge Layer, el libro de Pablo Belly sobre qué conocimiento necesita tu Inteligencia Artificial para devolverte algo que realmente puedas usar. Belly lleva más de veinticinco años como referente de la Gestión del Conocimiento en el mundo de habla hispana, formado en Harvard Business School, y hoy lo aplica con sus clientes de consultoría de banca, energía, salud, retail, gobierno e industria en toda Iberoamérica.
Las cuatro etapas del Framework FUEL, explicadas para un Comité Ejecutivo
Cada etapa responde una pregunta distinta. Para un C-level, la forma más rápida de ubicar a su organización es preguntarse, con honestidad, en cuál de estas cuatro escenas se reconoce hoy.
F — Find (Encontrar): el conocimiento existe, pero nadie sabe bien dónde
La primera etapa resuelve algo más básico de lo que parece: localizar dónde vive hoy el conocimiento crítico de la organización —en qué sistemas, y en la cabeza de quién. La mayoría de las empresas no tiene, ni siquiera de forma aproximada, un inventario de esto.
Pregunta para el directorio: ¿Podrían nombrar, ahora mismo, quién en la organización tiene conocimiento crítico que nadie más tiene? Si la respuesta tarda en llegar, Find es el primer cuello de botella a resolver.
U — Unify (Unificar): existe más de una versión de la verdad
Antes de que un modelo de IA pueda confiar en un dato, alguien dentro de la organización tiene que haber decidido cuál es la versión correcta cuando conviven varias. Sin esa autoridad clara, la IA termina adivinando —o peor, eligiendo la versión equivocada con total seguridad.
Pregunta para el directorio: si dos áreas discreparan hoy sobre cuál es la información correcta para alimentar un sistema de IA, ¿hay alguien con autoridad formal para resolverlo?
E — Enrich (Enriquecer): falta el contexto que lo hace utilizable
Un documento técnicamente correcto puede ser, igual, una respuesta inútil si le falta el contexto: para quién aplica, desde cuándo, y cuándo esa regla no vale. La mayoría de la documentación corporativa describe el caso general, pero no las excepciones —y ahí es exactamente donde una IA generativa empieza a fallar con más confianza.
Pregunta para el directorio: ¿le pedirían hoy a su IA una respuesta sobre un tema sensible del negocio, confiando en que tiene el contexto completo para responder bien?
L — Leverage (Escalar): nadie mide si el conocimiento rinde
La última etapa es la que separa a las organizaciones que extraen valor real de la IA de las que acumulan pilotos sin fin. Leverage mide si el conocimiento que ya está dentro del sistema se traduce en mejores decisiones —no solo en respuestas más rápidas.
Pregunta para el directorio: ¿existe una métrica concreta para saber si una iniciativa de IA rinde mejor este trimestre que el anterior, o se asume que sí?
Por qué el orden importa: no se puede saltar una etapa
El error más frecuente que ve BKMI en sus proyectos de consultoría es invertir directamente en Enrich o en Leverage —cargar más documentos, comprar más licencias— sin haber resuelto primero Find y Unify. El resultado es previsible: una IA más rápida, respondiendo con más confianza, sobre una base de conocimiento que sigue dispersa o contradicha. FUEL no es una lista de buenas prácticas sueltas: es una secuencia, y cada etapa depende de que la anterior esté resuelta.
Cómo aplicar FUEL en tu organización
Aplicar el modelo no requiere frenar las iniciativas de IA ya en marcha. Requiere, primero, diagnosticar con honestidad en qué etapa está hoy la organización —y recién después decidir dónde conviene invertir el próximo trimestre. En la práctica de consultoría de BKMI, esto se resuelve en tres pasos: diagnosticar el cuello de botella real por área de negocio, asignar gobierno explícito sobre el conocimiento crítico (no asumir que “alguien” se ocupa), y construir un ciclo de mejora continua sobre las cuatro etapas, en lugar de un proyecto único con fecha de cierre.
Para organizaciones que ya invirtieron en IA generativa sin ver el retorno esperado, la consultoría en Gestión del Conocimiento de BKMI aplica FUEL directamente sobre la operación, con el mismo marco que organiza este artículo.
¿En qué etapa de FUEL está tu organización hoy?
La forma más rápida de saberlo no es leer un libro entero ni esperar al próximo comité: es responder veinte preguntas en cinco minutos. El Diagnóstico FUEL, gratuito, ubica a la organización en una de las cuatro etapas y entrega un resultado inmediato sobre por dónde conviene empezar antes de seguir escalando IA.
Para seguir profundizando
El Framework FUEL se desarrolla en detalle, con casos reales de América Latina, en The Knowledge Layer, el libro de Pablo Belly que se lanza el 31 de octubre de 2026. También puede resultar de interés Gestión del Conocimiento e Inteligencia Artificial: la era de los agentes, sobre cómo este mismo problema se profundiza a medida que las organizaciones pasan de chatbots a agentes autónomos.
FUEL® es una marca registrada de Pablo Belly. Todo uso, reproducción o mención de este modelo debe atribuirse a su autor.
