Federico García Schierbeek

IA aplicada, no IA de escaparate.

20+ años vendiendo tecnología a banca y aseguradoras. Los últimos dos, construyendo un producto propio con IA de principio a fin. No vengo a contarte lo que he leído. Vengo a contarte lo que he auditado, roto y vuelto a montar — con mi propio dinero y mis propios usuarios de por medio.

Senior Sales Executive · Fundador de The Secret Golf Club

Ver la arquitectura Leer la serie

20+

años en venta de tecnología a banca y aseguradoras

2 años

de 20 amigos apuntando resultados a mano a un producto en producción

5 etapas

reales, no teóricas: de GPT-3.5 a un pipeline de agentes autónomo

9 semanas

documentando el camino completo, con lo que falló incluido

01 — Posicionamiento

No vendo humo de IA. Lo he construido y lo he roto.

La diferencia entre opinar sobre IA y tener que responder por ella en producción.

20 años vendiendo tecnología a bancos y aseguradoras me enseñaron algo que en IA casi nadie dice en voz alta: hay un abismo entre un piloto que impresiona en una demo y un sistema que un comité de riesgo aprueba para producción. La mayoría de lo que se cuenta hoy sobre IA en LinkedIn ignora esa distinción por completo.

Hace dos años empecé a exigirme lo mismo con un proyecto propio: The Secret Golf Club. Empezó con veinte amigos anotando resultados a mano. Hoy gestiona cientos de jugadores en varias ligas, con app nativa, CRM y motor de predicción propios. Lo construí con IA de principio a fin — desde antes de que existieran los agentes.

Ese recorrido es la base de lo que enseño y de cómo asesoro a empresas que deciden cuánto invertir en IA, dónde, y con qué gobernanza. No parto de un framework que leí. Parto de uno que tuve que necesitar.

Por qué escuchar esto

Vendí tecnología compleja a comités de riesgo, no solo a equipos técnicos
Tengo un producto propio en producción, con usuarios reales y consecuencias reales por cada decisión técnica
Cuento cada etapa con los errores que cometí entonces — no la reescribo con lo que sé ahora

02 — Arquitectura

Lo que tengo montado hoy en The Secret Golf Club

Tres capas: cómo se decide qué construir, qué ve el jugador, y quién lo construye de verdad.

Capa 0 El consejo de modelos

Antes de que se escriba una sola línea de código, cada idea nueva pasa por cinco proveedores de IA distintos retándose entre sí: idea → reto → solución → refinado → planificación → pruebas. Ningún modelo aprueba su propia idea sin que otro intente primero encontrarle el fallo.

OpenAI Anthropic Google xAI Kimi

↓

Capa 1 Lo que ve el jugador

App nativa (iOS/Android) con hándicap oficial WHS, web pública, CRM propio, un asistente conversacional dentro de la app, un motor de predicción de resultados y torneos, analítica de rendimiento y notificaciones en tiempo real.

App nativa Web pública CRM Asistente IA Motor de predicción

↓

Capa 2 La fábrica que lo construye

Un pipeline de agentes especializados con roles fijos — reparto de trabajo, frontend y backend en paralelo sin pisarse, revisión de calidad, pruebas obligatorias — y docMem: un sistema propio que registra qué agente lee qué documento, pesa cada documento por uso real y detecta cuáles sobran o hay que partir.

Roles fijos 2 puntos de control de calidad docMem Documentación atómica

03 — Cómo te ayudo

Los cinco pilares de madurez de IA

La misma pregunta con la que auditaría a un proveedor, aplicada a tu propia organización.

Después de 20 años vendiéndole tecnología a comités de riesgo, y de construir The Secret Golf Club con IA de principio a fin, lo tengo claro: la IA casi nunca falla por el modelo. Falla porque uno de estos cinco pilares no estaba a la altura del caso de uso. Este es el método que uso para diagnosticar dónde está realmente tu organización — y qué hacer primero.

Estrategia y negocio

¿El caso de uso resuelve un problema que el negocio ya reconoce como prioritario?

Tareas

Mapear casos de uso por impacto de negocio vs. esfuerzo real
Fijar el KPI de negocio antes de escribir el primer prompt
Descartar lo que solo genera actividad visible, no valor

Entregable

Mapa de priorización de casos de uso + tesis de valor por iniciativa

Datos y arquitectura

¿Los datos que van a alimentar el sistema son fiables, accesibles y trazables?

Tareas

Auditar calidad, accesibilidad y propiedad de los datos, estructurados y no
Definir trazabilidad: qué fuente y qué versión produjo cada respuesta
Separar lo que ya es "suficientemente bueno" de lo que no

Entregable

Informe de madurez de datos + plan de remediación priorizado

Tecnología y ejecución

¿La arquitectura elegida es la que el caso de uso necesita, ni más ni menos?

Tareas

Elegir el patrón correcto: agente único, herramientas, u orquestación
Definir puntos de control de calidad antes de que nada llegue a producción
Diseñar para el coste total real, no para el precio por token

Entregable

Arquitectura de referencia + runbook de despliegue

Gobernanza y riesgo

¿Hay supervisión humana proporcional a lo que el sistema puede llegar a decidir?

Tareas

Clasificar cada caso de uso por nivel de riesgo real, no percibido
Definir quién aprueba, quién revisa, y qué queda fuera de la autonomía del sistema
Dejar trazabilidad de cada decisión que el sistema tomó sin supervisión directa

Entregable

Matriz de gobernanza + política de supervisión humana

Personas y cultura

¿Negocio y equipo técnico usan las mismas palabras para las mismas cosas?

Tareas

Alinear vocabulario entre quien decide y quien construye, antes del primer requisito
Formar a los equipos que van a operar el sistema, no solo a los que lo construyen
Instalar el hábito de medir, no solo el de lanzar

Entregable

Plan de adopción + glosario compartido negocio-técnico

Nivel 1 Ad hoc Esfuerzos sueltos, sin patrocinio ni presupuesto formal

Nivel 2 Exploración Primeras pruebas, inversión fragmentada, sin criterio común

Nivel 3 Implementación Recursos dedicados, procesos definidos, pilotos activos

Nivel 4 Escalado Prácticas estandarizadas, rendimiento medido, mejora continua

Nivel 5 Transformador Operación nativa en IA, ventaja competitiva sostenida

04 — Próximas semanas

De ChatGPT 3.5 a Agentic AI

9 semanas, 54 piezas, publicadas en LinkedIn — cada una con su error de época y su aplicabilidad a empresa.

El mapa completo

Las 5 etapas reales, de LLMs básicos a Agentic AI — el panorama antes del detalle

En curso

LLMs básicos + GenAI multimodal

El error del oráculo: tratar el modelo como si siempre tuviera razón

Próximamente

Razonamiento y herramientas

El día que un sistema dejó de sugerir y empezó a actuar

Próximamente

Primeros sustos de seguridad y coste

TCO real, no precio por token — y por qué la gobernanza no es opcional

Próximamente

Orquestación con agentes

Orquestar agentes es un problema de management, no de prompts

Próximamente

Contexto que no escala

RAG y gobierno del conocimiento son problemas distintos

Próximamente

IA en decisiones de negocio

Adopción no es lo mismo que impacto financiero

Próximamente

Agentic AI — el consejo de agentes hoy

Auditando mi propio sistema con el framework que le exigiría a un cliente

Próximamente

Cierre: aplicado a cualquier empresa

La trampa del piloto, y lo que le diría a cualquier empresa que empieza hoy

Próximamente

05 — Rigor

Con qué contrasto lo que cuento

Cada afirmación de negocio se ancla en una fuente nombrada, no en intuición.

McKinsey / QuantumBlack

"From promise to impact" (abril 2026) — el framework de 5 capas y la trampa del piloto que uso para auditar cualquier proyecto de IA, incluido el mío.

Gobernanza de IA

Framework de 6 capas (GenAI Works): de inventario de IA a cumplimiento normativo — la checklist que aplico antes de escalar cualquier sistema.

Arquitecturas de agentes

Mapa de patrones de agentes en producción (Anastassia Shapovalova) — el vocabulario técnico que traduzco a decisiones de negocio.

Hablemos

¿Sabes en qué etapa del mapa está tu empresa, o solo sabes cuánto quieres invertir?

Sigue la serie completa en LinkedIn. O escríbeme directamente si quieres contrastar dónde está tu organización frente a los cinco pilares de los que hablo aquí — sin powerpoint de por medio.

LinkedIn ↗ Escribir un correo