La inteligencia artificial quiere el lugar de las grandes consultoras — pero ¿realmente puede lograrlo?
La inteligencia artificial tiene la mira puesta en un mercado que mueve miles de millones desde hace décadas. Y esta vez, el objetivo es uno de los sectores más tradicionales y rentables del mundo corporativo: la consultoría estratégica.
Durante años, grandes consultoras como McKinsey, BCG y Bain vendieron algo aparentemente simple: buenos consejos. Solo que esos consejos venían envueltos en presentaciones impecables, metodologías exclusivas y un equipo de profesionales altamente capacitados — todo cobrado por hora, claro. El modelo funcionó a la perfección durante décadas, creando una industria multimillonaria que influye desde las decisiones de CEOs de multinacionales hasta las políticas públicas de gobiernos enteros.
Ahora, desarrolladores de todo el mundo están intentando replicar ese proceso usando agentes de IA, y el resultado es cuanto menos curioso: versiones knockoff de consultores de McKinsey corriendo directamente en tu navegador. 🤖
El detonante de esta tendencia fue un repositorio open-source de Vercel, startup de IA valorada en más de 9 mil millones de dólares, que ya reúne casi 90 mil skills reutilizables para agentes de IA. Entre copywriting, revisión de código y análisis de datos, existe un conjunto creciente de skills inspiradas directamente en el trabajo de las grandes consultoras estratégicas. Pero la pregunta del millón es: ¿estas herramientas realmente entregan lo que prometen? ¿O solo están imitando la superficie de un trabajo que va mucho más allá de cualquier framework?
¿Qué son estas skills de consultoría para agentes de IA?
Antes que nada, vale entender qué está pasando en la práctica. En el universo de la inteligencia artificial, las skills son capacidades que los desarrolladores crean o descargan y asignan a un modelo o agente de IA para que ejecute una tarea específica — sin necesidad de entrenar el modelo desde cero. Piensa en esto como recetas listas: en lugar de explicar todo lo que quieres que el agente haga, simplemente cargas una skill ya configurada y lista para usar.
El concepto ganó tracción después de que Anthropic introdujo skills para el chatbot Claude en octubre. Desde entonces, desarrolladores han venido construyendo y compartiendo miles de skills que pueden conectarse a diversos sistemas de IA. El repositorio de Vercel funciona como una especie de biblioteca colaborativa gigantesca, donde estas contribuciones se publican, evalúan e instalan por cualquier persona. La escala que alcanzó este repositorio — casi 90 mil contribuciones — coloca esta tendencia en otro nivel completamente distinto al de hace dos años.
Business Insider analizó la biblioteca de skills de Vercel y encontró al menos cuatro etiquetadas con el término mckinsey y 26 skills etiquetadas con el término consultant. La más popular entre las relacionadas con consultoría es justamente la que lleva la etiqueta mckinsey-consultant. Fue publicada por primera vez el 25 de enero y registra un promedio de 445 instalaciones por semana. Es un número respetable, aunque todavía está lejos de los agentes más populares de la biblioteca de Vercel, que llegan a tener cientos de miles de instalaciones.
Esta skill también acumula 200 estrellas en GitHub, lo que indica popularidad real entre desarrolladores, y ya pasó por algunas auditorías de seguridad — una señal de que es viable y está ganando tracción de verdad. En resumen: la gente le está encontrando utilidad.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Cómo funciona en la práctica
La biblioteca de Vercel describe esta skill como un prompt framework — creado originalmente para Claude — que guía a la IA a través de etapas bien definidas: definición de problemas, generación de hipótesis, conducción de análisis estructurados y creación de diapositivas. El objetivo declarado es replicar el flujo de trabajo clásico de un consultor típico de McKinsey.
Dentro de este universo, las skills inspiradas en consultoría estratégica llaman la atención por su ambición. Algunas prometen conducir análisis de mercado al estilo de las grandes firmas, estructurar diagnósticos organizacionales, mapear riesgos en proyectos corporativos e incluso generar recomendaciones basadas en frameworks famosos como la BCG Matrix o el análisis SWOT potenciado con datos en tiempo real. El nivel de detalle en algunas de estas skills es impresionante: hay instrucciones que orientan al agente a hacer preguntas de clarificación antes de responder, a estructurar hipótesis antes de presentar conclusiones y a citar fuentes cuando están disponibles — un comportamiento que recuerda bastante a la forma en que un analista junior de McKinsey fue entrenado para operar.
El desarrollo de estas skills refleja un intento real de codificar el razonamiento consultivo — ese proceso de descomponer problemas complejos en partes más pequeñas, identificar palancas de valor y comunicar insights de forma clara y accionable. Esto es algo que llevó décadas en ser sistematizado por las grandes consultoras, y ahora está siendo traducido a lenguaje de máquina por una comunidad open-source que crece cada semana.
Lo que McKinsey tiene y un agente de IA todavía no puede copiar
Aquí está el punto más interesante de toda esta historia. Para entender las limitaciones de estas skills, Business Insider le pidió a Arvind Vasudevan, exempleado de McKinsey, que examinara el agente estilo McKinsey publicado en la biblioteca de Vercel y evaluara cómo se comporta en comparación con el trabajo real.
Su respuesta fue directa y reveladora.
Se pierde el punto de cómo las MBB y los consultores de estrategia agregan valor, dijo Vasudevan, refiriéndose al grupo de grandes consultoras que incluye a McKinsey, BCG y Bain. Según él, gran parte del valor está en las preguntas que los consultores hacen y en las conversaciones que conducen — interacciones que ayudan a clarificar el pensamiento, descubrir premisas no declaradas y garantizar una reflexión profunda. Nada de eso está ocurriendo en este agente, que básicamente ejecuta un conjunto de análisis estándar sin ese cuestionamiento socrático y pensamiento crítico que define el trabajo consultivo de verdad.
McKinsey y sus competidoras directas no venden solo análisis. Venden relación, contexto y credibilidad. Un consultor sénior que entra en una reunión de directorio carga consigo años de exposición a situaciones similares, la capacidad de leer el ambiente político dentro de una organización y el criterio para saber cuándo un dato está siendo interpretado correctamente o cuándo está siendo usado para confirmar un sesgo preexistente. Ese tipo de inteligencia contextual es difícil de capturar en una skill, por más bien construida que esté, porque no existe en el texto — existe en la experiencia acumulada de quien vivió situaciones parecidas repetidas veces.
Además, existe un componente de confianza que va más allá del output producido. Cuando una empresa contrata a una gran consultora, no está comprando solo el informe final. Está comprando la garantía de que, si algo sale mal, existe un equipo de especialistas responsable de ese trabajo — y que ese equipo tiene la reputación suficiente para responder por las recomendaciones que hizo. Un agente de inteligencia artificial, por más sofisticado que sea, todavía opera dentro de una zona de ambigüedad en relación con la responsabilidad. Si el análisis está equivocado, ¿quién responde? ¿El desarrollador que publicó la skill? ¿La empresa que usó el agente? Esa pregunta todavía no tiene respuesta clara, y es muy importante para ejecutivos que necesitan justificar decisiones estratégicas ante consejos de administración y accionistas.
También está el factor humano en el proceso de desarrollo de una recomendación estratégica. Los consultores hacen entrevistas, observan dinámicas de equipo, captan tensiones organizacionales que no aparecen en ningún informe y ajustan sus análisis con base en esa información cualitativa. Un agente de IA, por ahora, solo tiene acceso a lo que se comparte explícitamente con él. No puede percibir que el CFO dudó antes de responder una pregunta o que dos directores evitaron mirarse durante una presentación. Esas señales importan — y todavía están fuera del alcance de cualquier skill, por más bien escrita que esté.
La IA ya genera ingresos reales en el mercado de consultoría
A pesar de las limitaciones, sería un error subestimar lo que ya está ocurriendo. Agentes de IA que imitan el trabajo de consultores ya están generando millones en ingresos para empresas como PromptQL, una plataforma corporativa de IA lanzada por Hasura, unicornio del universo open-source.
La plataforma ayuda a sus clientes a construir analistas de IA personalizados, integrando datos internos de las empresas con los modelos fundacionales que ya utilizan. Una vez implementados, estos analistas de IA pueden ejecutar tareas que normalmente harían científicos de datos o ingenieros — y siguen aprendiendo y adaptándose con el tiempo.
Tanmai Gopal, cofundador y CEO de PromptQL, explicó a Business Insider que la mayor barrera — o moat, en la jerga de negocios — para vender análisis es entender las relaciones entre personas, datos e ingresos.
Según Gopal, los equipos de McKinsey pasan semanas integrados dentro de una empresa, absorbiendo cómo funciona realmente: las excepciones, el conocimiento tribal, las definiciones que difieren entre departamentos. Ese contexto específico de la empresa es lo que hace que su consejo valga millones.
Gopal también señaló que las herramientas de IA empresariales frecuentemente fallan porque carecen de fundamentación adecuada. Tienden a adivinar en vez de hacer preguntas, aprender del feedback o mantener un entendimiento compartido entre equipos.
La apuesta de PromptQL para resolver el problema
PromptQL intenta abordar estas cuestiones mediante una capa compartida de entendimiento que se ajusta con cada nuevo input. El concepto es inteligente: cuando un miembro del equipo corrige a la IA, enseña una definición o resuelve una ambigüedad, ese conocimiento se vuelve permanente y queda disponible para todos. No es una capa semántica mantenida por ingenieros de datos — emerge de conversaciones reales entre humanos y la herramienta.
Los modelos de IA no saben automáticamente los matices internos, como cambios de precios, terminologías específicas de cada equipo o definiciones contradictorias de lo que es ingreso. El problema real, según Gopal, no es la capacidad — es la falta de contexto.
En otras palabras, la presentación del consultor nunca fue realmente el producto. El producto es el criterio — y esa es la parte que la IA todavía está aprendiendo.
Herramientas que usamos a diario
Donde las skills de IA realmente brillan en este contexto
Dicho todo esto, sería injusto ignorar lo que estas herramientas hacen muy bien. Para el desarrollo de análisis preliminares, síntesis de grandes volúmenes de información y estructuración de problemas que ya fueron bien definidos, los agentes de inteligencia artificial con skills de consultoría entregan resultados que serían imposibles de replicar manualmente en el mismo tiempo. Un análisis que les llevaría a dos analistas junior tres días puede hacerse en minutos — con una calidad razonable, especialmente cuando el problema está bien delimitado y los datos están organizados.
Para startups y pequeñas empresas que nunca tendrían acceso a una McKinsey o similar, esto representa una democratización real de herramientas analíticas. Es como tener un asistente estratégico que no cobra 500 dólares por hora y está disponible las 24 horas del día.
Otro punto fuerte está en la consistencia. Un agente de IA no tiene un mal día, no se olvida de incluir una variable importante porque estaba apurado y no se desvía del framework definido por razones emocionales. Cuando está bien configurado, ejecuta el mismo proceso analítico con el mismo rigor todas las veces — lo cual es valioso en contextos donde la estandarización importa, como auditorías internas, revisiones periódicas de rendimiento y diagnósticos recurrentes.
El futuro es complementariedad, no sustitución
La tendencia que se dibuja, por lo tanto, no es de sustitución, sino de complementariedad. Las skills de consultoría para agentes de IA son más útiles cuando funcionan como una primera etapa — acelerando el trabajo de recolección, estructuración y síntesis que precede al análisis humano más profundo. Reducen el tiempo invertido en tareas repetitivas y liberan espacio para que los profesionales cualificados se concentren en lo que realmente diferencia un buen trabajo consultivo: el criterio, la relación y la lectura del contexto.
En este escenario, el agente de IA no sustituye al consultor — cambia lo que el consultor necesita hacer para agregar valor. Y eso, por sí solo, ya es una transformación significativa en el mercado. El profesional que sepa usar estas herramientas como aliadas, en lugar de ignorarlas o temerles, probablemente tendrá una ventaja competitiva real en los próximos años. 🚀
Los números muestran que el movimiento es irreversible. Con casi 90 mil skills disponibles en el repositorio de Vercel y una comunidad global de desarrolladores alimentando este ecosistema a diario, la inteligencia artificial se está infiltrando cada vez más en procesos que antes eran exclusivamente humanos. El mercado de consultoría es solo uno más de los territorios siendo explorados — y ciertamente no será el último.
La presentación nunca fue el verdadero producto de una consultora. El criterio humano lo es. Y mientras la IA no domine esa habilidad, lo que veremos es una carrera por definir dónde termina el trabajo de la máquina y dónde comienza el valor insustituible del profesional.
