Por Fernando Pérez Lizano

Imaginen esta situación: El CEO de una minera peruana recibe un informe de su área de geología. El equipo técnico propone implementar machine learning para optimizar la predicción de leyes minerales, reduciendo costos de exploración en 30%. El CEO lee el documento dos veces y no entiende la mitad de los términos. Llama al gerente de sistemas, quien tampoco domina el tema porque "eso lo maneja el nuevo equipo de data science". Convoca al científico de datos recién contratado, un joven de 28 años que le explica con entusiasmo... y el CEO entiende menos. La pregunta que se hace esa noche es: "¿Cómo puedo liderar una transformación digital si no entiendo qué hace mi propio equipo digital?"

Esta escena se repite en bancos, retailers, clínicas y agroindustriales del Perú. El ADN Digital llegó a las organizaciones, pero muchos directivos enfrentan el dilema: ¿debo liderar este talento o dejar que ellos me lideren?

¿Qué es el ADN Digital?

El término "ADN Digital" tiene dos caras inseparables que las empresas deben comprender.

La primera cara es organizacional: representa las capacidades fundamentales que una empresa necesita para competir en la economía digital. Esto incluye cultura de experimentación, infraestructura tecnológica flexible, procesos ágiles y modelos de negocio adaptativos (Kane et al., 2019). Una empresa con ADN Digital no solo usa tecnología, sino que piensa, opera y evoluciona digitalmente.

La segunda cara, y aquí viene lo crítico para los directivos peruanos, es el talento. El ADN Digital organizacional es imposible sin las personas correctas. Aquí aparecen roles que hace cinco años no existían en muchas empresas peruanas:

·       Científicos de datos (Data Scientists): Construyen modelos predictivos y de machine learning. En un banco, predicen riesgo crediticio; en retail, anticipan demanda; en minería, optimizan procesos de flotación.

·       Ingenieros de datos (Data Engineers): Construyen la infraestructura que permite que los datos fluyan desde sistemas operacionales hacia plataformas analíticas. Sin ellos, los científicos de datos no tienen datos con qué trabajar.

·       Analistas de datos (Data Analysts): Traducen datos en insights de negocio. Mientras el científico de datos construye el modelo, el analista explica qué significa para las decisiones del lunes.

·       Arquitectos cloud e Ingenieros de ML: Diseñan infraestructuras escalables y llevan modelos desde el laboratorio a producción con millones de transacciones reales.

Estos profesionales no son "el área de sistemas con otro nombre". Son el núcleo del ADN Digital. Sin ellos, la transformación digital es solo PowerPoint y frustraciones (Davenport & Patil, 2012).

¿Por qué las empresas peruanas lo necesitan?

La respuesta tiene tres componentes tangibles:

Primero, la ventaja competitiva se redefinió. Ya no se trata solo de mejor producto o menor precio. Las empresas que dominan sus datos toman mejores decisiones, más rápido. Bancos digitales internacionales entran al Perú sin agencias físicas, con costos operativos 40% menores. No tener ADN Digital equivale a competir con una mano atada.

Segundo, el talento escasea dramáticamente. McKinsey (2021) estimó que la demanda de científicos de datos en Latinoamérica crecerá 300% para 2025, pero la oferta apenas un 80%. En Perú, un científico de datos senior puede llegar a ganar entre US$ 50,000-80,000 anuales, comparable a gerentes con 15 años de experiencia.

Tercero, los datos se convirtieron en el nuevo petróleo. Una cadena retail peruana que analiza patrones de compra puede predecir demanda y personalizar ofertas, generando márgenes 15-20% superiores a competidores que operan "a ciegas" (Brynjolfsson & McElheran, 2016). Pero este petróleo requiere refinadores expertos: su talento digital.

Aspectos positivos y desafíos de construir ADN Digital

Como toda inversión estratégica, desarrollar ADN Digital tiene luces y sombras que los directivos deben conocer.

Los Pros: ¿Por qué vale la pena?

·        Innovación y ventaja competitiva: Estar a la vanguardia de las nuevas tecnologías facilita la creación de productos y servicios innovadores que sus competidores tardarán meses en replicar. Un banco peruano lanzó un sistema de aprobación de créditos en 10 minutos usando ML; sus competidores aún tardan 48 horas.

·        Toma de decisiones basada en datos: Basar sus decisiones en análisis de datos en lugar de intuiciones aumenta la precisión de las decisiones, reduce riesgos y permite a la empresa reaccionar rápidamente a los cambios del mercado. Una cadena retail redujo mermas 35% al predecir con exactitud qué productos vender en cada tienda.

·        Eficiencia operativa: Tareas repetitivas y manuales se realizan de manera más rápida y con menos errores. Esto libera a los empleados para que se concentren en tareas más estratégicas y de alto valor. Una aseguradora automatizó 60% de sus procesos de suscripción, liberando a 40 profesionales para roles comerciales.

·        Personalización y mejora de la experiencia del cliente: Un ADN tecnológico permite recopilar y analizar grandes volúmenes de datos sobre clientes, habilitando la personalización de productos y servicios. Esto incrementa la satisfacción y lealtad del cliente. Un banco incrementó cross-selling 28% con ofertas personalizadas basadas en ML.

·        Agilidad y adaptabilidad: Capacidad de adaptarse más rápidamente a las tendencias emergentes y a los cambios en el entorno de negocio, mejorando su resiliencia y capacidad de respuesta. Durante la pandemia, las empresas con ADN Digital pivotaron a modelos remotos en semanas; otras tardaron meses.

Los Contras: ¿Qué desafíos enfrentar?

·        Costo e inversión inicial: Inversión significativa en infraestructura tecnológica, contratación de talento especializado y entrenamiento del personal existente. Un programa completo de ADN Digital puede ser costoso y varía según el tamaño y necesidades de la empresa. No todas las organizaciones tienen estos recursos disponibles inmediatamente.

·        Resistencia al cambio: Barreras culturales, falta de entendimiento sobre las nuevas tecnologías y temor a ser reemplazados por máquinas. Un retailer perdió seis meses porque el equipo de compras rechazó sistemáticamente las recomendaciones del sistema de IA, desconfiando de "una máquina que no conoce a nuestros clientes".

·        Preocupaciones sobre la privacidad de datos: Riesgos asociados a la privacidad y seguridad de esos datos. Los “data breach” pueden tener consecuencias legales, financieras y reputacionales severas. En Perú, la Ley de Protección de Datos Personales impone multas hasta 100 UIT por infracciones graves.

·        Complejidad en la gestión de datos: Manejar grandes volúmenes de datos puede ser un reto. Aumenta la complejidad operativa y requiere herramientas y habilidades especializadas para gestionar, almacenar y procesar datos eficientemente. Una minera generaba 50 TB de datos mensuales pero solo analizaba 5% por falta de capacidad de procesamiento.

·        Dependencia de la tecnología: Perder de vista el valor de la intuición humana y la flexibilidad. Encontrar el equilibrio adecuado entre la automatización y la intervención humana es crucial para mantener la capacidad de adaptación y el juicio crítico. El riesgo: convertirse en esclavos de los algoritmos en lugar de usarlos como herramientas.

Los tres errores frecuentes

Antes de mostrar el camino, veamos dónde tropiezan la mayoría:

·       Error 1: Contratar y aislar. Traen científicos de datos pero los encierran en "el área de innovación", sin contacto real con operaciones. Resultado: modelos brillantes que nadie usa. Un banco contrató cinco científicos de datos que reportaban solo a IT; después de un año, cero impacto medible.

·       Error 2: Exigir ROI inmediato. Esperan resultados en tres meses cuando construir capacidades digitales requiere 12-18 meses. La presión por "demostrar valor rápido" lleva a proyectos superficiales sin ventajas sostenibles.

·       Error 3: Aplicarles las mismas reglas. Someten al talento digital a la misma burocracia: 17 firmas para aprobar una prueba, ciclos de seis meses, prohibición de herramientas cloud. Nada mata el ADN Digital más rápido que esto.

¿Importarlo o desarrollarlo?

Esta es la pregunta que quita el sueño a muchos directivos peruanos. La realidad exige estrategias híbridas.

·       Importar talento (del exterior o peruanos que regresan) ofrece experiencia inmediata y mejores prácticas globales, pero cuesta 40-60% más y tiene alto riesgo de rotación.

·       Desarrollar talento local genera mayor lealtad y conocimiento del contexto peruano, pero requiere 12-24 meses y hay riesgo de fuga una vez capacitados.

·       El modelo híbrido emerge como lo más efectivo: contratar 2-3 profesionales senior como "semilla" que formen equipos locales. Una agroindustrial trajo a una líder de Argentina quien capacitó a seis analistas peruanos. En dos años, el equipo local superó en productividad al talento importado inicial.

La formación continua es no negociable. Gartner (2022) recomienda destinar 8-10% del presupuesto de talento digital a capacitación, porque las tecnologías evolucionan cada 18 meses.

Impactos del ADN Digital en sectores peruanos

Financiero: Bancos usan científicos de datos para scoring crediticio más preciso, reduciendo morosidad 12-18%. Un banco reporta ROI de 400% anual solo en mejoras de riesgo crediticio.

Salud: Clínicas predicen demanda de camas UCI e identifican pacientes con mayor riesgo post-operatorio. Una clínica redujo 30% sus readmisiones con solo tres profesionales de datos.

Retail: Cadenas optimizan precios dinámicos y predicen demanda. Una cadena peruana incrementó márgenes 8% con personalización impulsada por IA.

Minería: Gemelos digitales simulan operaciones y optimizan mantenimiento predictivo. Una minera evitó US$ 15 millones en paradas no planificadas gracias a modelos predictivos.

Agroindustria: Sensores IoT generan terabytes de datos que se convierten en recomendaciones para riego, plagas y trazabilidad. Una agroexportadora mejoró 22% su yield con agricultura de precisión.

Implicancias para el liderazgo: ¿Liderarlos o dejar que nos lideren?

Aquí está el dilema central que da título a este artículo. La respuesta no es binaria; requiere madurez directiva.

Primero, abandonar la ilusión de experticia técnica. No necesita entender redes neuronales para liderar científicos de datos, así como no necesita operar a corazón abierto para liderar un hospital. Pero sí necesita entender el "qué" y el "para qué", aunque no el "cómo". Un CEO me dijo: "Aprendí a hacer las preguntas correctas: ¿Qué problema de negocio resuelve esto? ¿Cuánto tardará? ¿Qué necesita el equipo?"

Segundo, crear espacios de experimentación controlada. El talento digital necesita fallar rápido para aprender. Asigne 10-15% del tiempo a proyectos exploratorios. Un banco permitió que su equipo dedicara viernes a "proyectos locos"; uno se convirtió en sistema de recomendación que incrementó cross-selling 18%.

Tercero, protegerlos de la burocracia. Una minera creó un "fast track" para iniciativas digitales: máximo tres niveles de aprobación y 72 horas de respuesta. Resultado: velocidad de innovación 5x superior.

Cuarto, compensarlos diferenciadamente. El mercado paga distinto por estas habilidades. Un retailer perdió tres científicos de datos en seis meses por aplicar bandas salariales estándar. Costo de reemplazo: US$ 180,000. Costo de retención con 20% adicional: US$ 48,000.

Quinto, construir puentes entre talento digital y negocio. Los mejores resultados ocurren cuando científicos de datos trabajan junto a expertos de negocio. Una agroindustrial tiene "duplas": un agrónomo con 20 años de experiencia y un científico de datos recién graduado. Juntos logran lo que separados es imposible.

Sexto, medir impacto, no actividad. No evalúe por "modelos construidos" sino por "problemas de negocio resueltos". Un equipo que construye 20 modelos que nadie usa vale menos que uno que construye 3 modelos que generan US$ 2 millones en valor.

Autoevaluación rápida para directivos

Antes de seguir adelante, reflexione honestamente:

□ ¿Conoce los nombres de sus profesionales de datos y qué hace cada uno?

□ ¿Puede explicar en qué proyectos trabajan actualmente sin leer un reporte?

□ ¿Entiende qué valor generan en términos de negocio, no solo técnicos?

□ ¿Tiene conversaciones regulares con ellos sobre desafíos y necesidades?

□ ¿Están sus mejores científicos de datos trabajando en sus problemas más importantes?

Si marcó menos de tres casillas, tiene un problema de liderazgo digital que resolver urgentemente.

Reflexiones finales

El ADN Digital no es opcional; es el nuevo requisito de supervivencia. Pero la pregunta del título permanece: ¿Liderarlos o dejar que nos lideren?

La respuesta correcta es: ambos.

Debe liderarlos en visión estratégica, priorización de problemas de negocio, y protección del espacio para innovar. Debe dejar que ellos lo lideren en soluciones técnicas, herramientas, y métodos de trabajo. El directivo efectivo en la era digital entiende dónde debe ejercer autoridad y dónde debe ejercer humildad.

Las empresas peruanas que desarrollan ADN Digital exitosamente no son necesariamente las más grandes, sino las que entienden que transformación digital es 30% tecnología y 70% personas. Y dentro de ese 70%, el liderazgo es el factor determinante.

Si usted es directivo y respondió "no" a las preguntas de autoevaluación, tiene trabajo urgente. Porque mientras reflexiona, sus competidores ya están construyendo su ADN Digital. Y en mercados cada vez más competitivos, la brecha entre quienes tienen este talento bien liderado y quienes no se amplía cada trimestre.

El momento de actuar es ahora. No para tener "un área de datos", sino para construir el ADN Digital que su empresa necesita para competir en la próxima década. Y para liderarlo efectivamente, reconociendo que a veces liderar significa saber cuándo seguir.

Referencias

Brynjolfsson, E., & McElheran, K. (2016). The rapid adoption of data-driven decision-making. American Economic Review, 106(5), 133-139. https://doi.org/10.1257/aer.p20161016

Davenport, T. H., & Patil, D. J. (2012). Data scientist: The sexiest job of the 21st century. Harvard Business Review, 90(10), 70-76.

Gartner. (2022). Building and Scaling Data Science Teams: Key Trends and Best Practices. Gartner Research.

Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2019). Achieving Digital Maturity. MIT Sloan Management Review and Deloitte Insights.

McKinsey & Company. (2021). Building the vital skills for the future of work in operations. McKinsey Operations Practice.