3 formas en que la IA puede liberar a las organizaciones de flujos de trabajo heredados
A
continuación, describimos tres limitaciones organizacionales que surgen cuando los equipos ejecutivos tienen dificultades para dejar atrás el pasado. También ofrecemos ejemplos de cómo puede utilizar la IA para renovar las prácticas de su organización con miras a un futuro más competitivo, así como para presentar argumentos objetivos a favor del cambio.
- Indicadores de rendimiento que distorsionan las prioridades
Aferrarse a indicadores obsoletos lleva a las empresas a asignar mal sus recursos, recompensar los comportamientos inadecuados y perder de vista los factores de desempeño actuales que realmente impulsan el éxito organizacional.
Tomemos el caso de una cadena minorista nacional del Reino Unido que estudiamos (a la que llamaremos Whitford & Co.). Se trata de una cooperativa de consumo propiedad de sus socios, conocida principalmente por sus tiendas de alimentos. Sus ventas se estaban estancando, los márgenes se reducían y la pérdida de clientes iba en aumento. Por costumbre, el personal seguía aferrándose a KPIs heredados con los que ya estaban familiarizados.
Cómo ayudó la IA: Iniciativa de revisión de indicadores
Uno de los principales obstáculos en un programa de “desaprendizaje organizacional” es la complejidad. Para identificar cuáles de sus indicadores heredados seguían siendo relevantes y cuáles ya no, Whitford & Co implementó dos plataformas de análisis impulsadas por IA para hacer lo que los analistas humanos no podían: analizar simultáneamente datos de transacciones de clientes, registros de interacciones digitales y datos operativos.
La IA procesó miles de puntos de datos y reveló que muchos de los indicadores más destacados no tenían una correlación sólida con la retención de clientes ni con la rentabilidad del negocio.
En un periodo de tres meses, la división minorista eliminó con éxito siete de sus 12 KPIs heredados, incluidos la conversión de ventas en tienda y las tasas de relación entre el número de clientes y consultas. En su lugar, la empresa adoptó indicadores relacionados con el comportamiento, como las tasas de finalización de recorridos multicanal y las puntuaciones de esfuerzo del cliente.
- Identidades empresariales que confunden al mercado
Las identidades corporativas y el posicionamiento de marca que en algún momento fueron activos pueden convertirse en pasivos. Pensemos en la empresa estadounidense de software que estudiamos (a la que llamaremos FengSys). Esta compañía desarrolla plataformas de integración y análisis de datos para clientes del sector público y privado. A principios de la década de 2010, construyó su marca en torno al lema “los datos son lo primero”.
Sin embargo, con el tiempo, las expectativas de los clientes cambiaron. Ya no les impresionaba el concepto de “los datos son lo primero. Daban por sentado que la capacidad de trabajar con datos ya debía existir y ahora buscaban socios capaces de demostrar resultados de negocio: decisiones más rápidas, menor riesgo operativo y un retorno medible de la inversión en tecnología.
Cómo ayudó la IA: Depuración lingüística estratégica
El problema de “desaprendizaje organizacional” de FengSys requería que la IA reconociera primero los patrones, específicamente el laberinto oculto de contradicciones incrustadas en miles de documentos que ningún revisor humano podría detectar de forma confiable, dentro del presupuesto y a gran escala.
Dado que el personal interno estaba demasiado involucrado con la historia de la empresa como para percibir claramente las inconsistencias, la compañía trabajó con una consultora externa especializada. Esta firma implementó un modelo basado en GPT-4 configurado específicamente con la propia biblioteca documental de la empresa, para analizar miles de páginas de presentaciones comerciales, propuestas y comunicaciones con clientes.
¿El resultado? Como explicó Leonor, vicepresidenta de marketing: “Esto nos dio una visión objetiva y basada en la evidencia del problema, una que ningún defensor interno podía cuestionar ni desviar.”
- Mitos sobre los clientes que distorsionan la estrategia
Una firma global de servicios financieros que estudiamos (a la que llamaremos SuboBank) seguía aferrándose a la creencia de que “los clientes mayores evitan la banca móvil”.
Aunque los datos externos sugerían que los jubilados ahora constituyen uno de los grupos de usuarios de aplicaciones móviles con mayor crecimiento, la idea de que eran rezagados tecnológicos era difícil de abandonar. SuboBank operaba bajo una única suposición profundamente arraigada que nunca había sido contrastada de forma sistemática con el comportamiento real de los clientes.
Cómo ayudó la IA: Desmentir mitos mediante evidencia conductual
Para desentrañar esta creencia arraigada, la dirección configuró IBM Watson Analytics para integrar y cruzar simultáneamente tres flujos de datos en tiempo real: 1) registros de comportamiento dentro de la aplicación, que rastreaban cómo los clientes de todas las edades utilizaban realmente la plataforma móvil de SuboBank; 2) datos sobre la opinión de los clientes extraídos de interacciones con el servicio de atención al cliente, respuestas a encuestas y registros de quejas; y 3) datos demográficos externos sobre las tendencias de adopción móvil entre clientes de 60 años o más.
Cada vez que el comportamiento real contradecía lo que asumía la documentación interna, el sistema lo señalaba. A medida que los gerentes y líderes sénior revisaban los reportes de comportamiento generados por la IA, tomaban sus propias decisiones sobre qué cambios de diseño debían priorizarse.
© 2026 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Here we outline three organizational constraints that arise when executive teams struggle to let go of the past. We also provide examples of how you can employ AI to renew your organization’s practices for an improved competitive future and use AI to make an objective case for change.
PERFORMANCE METRICS THAT DISTORT PRIORITIES
Clinging to obsolete metrics leads companies to misallocate resources, reward the wrong behaviors and miss up-to-date performance drivers that lead to organizational success.
Take a national U.K. retail chain we studied — we’ll call it Whitford & Co. It’s a member-owned consumer cooperative best known for its food retail stores. Its sales were stagnating, margins were tightening and customer churn was rising. Out of habit, staff clung to legacy KPIs that they’d become accustomed to.
How AI helped: Metrics overhaul initiative
A core stumbling block in an organizational forgetting program is complexity. To expose which of its legacy metrics were relevant and which ones weren’t, Whitford & Co deployed two AI-powered analytics platforms to do what human analysts could not, i.e., simultaneously interrogate customer transaction data, digital interaction logs and operational records.
AI processed thousands of data points which exposed that many of the most emphasized metrics had no strong correlation with either customer retention or business profitability.
Over three months, the retail division successfully retired seven of its 12 legacy KPIs, including in-store sales conversion and footfall-to-inquiry ratios. In their place the company adopted behaviorally relevant indicators, such as multichannel path completion rates and customer effort scores.
BUSINESS IDENTITIES THAT CONFUSE THE MARKET
Corporate identities and brand positioning that were once assets can become liabilities. Take the U.S.-based software company we studied, which we’ll call FengSys. This company builds data integration and analytics platforms for public and private sector customers. It built its brand around being “data-first” in the early 2010s.
Over time, though, client expectations changed. Clients were no longer impressed by “data-first.” They had come to take data capability for granted and were now seeking partners who could demonstrate business outcomes — faster decisions, lower operational risk and measurable return on technology investment.
How AI helped: Strategic language purge
FengSys’s organizational forgetting problem required AI to first recognize patterns, specifically, the hidden maze of contradiction embedded across thousands of documents that no human reviewer could reliably detect on budget and at scale.
As internal staff were too close to the company’s history to see the incoherence clearly, the company worked with an external boutique consultancy. This firm deployed a GPT-4-based model configured specifically around the company’s own document library, to scan thousands of pages of sales decks, proposals and client communications.
The result? As Leonor, the vice president of marketing explained: “This gave us an objective, evidence-based picture of the problem that no internal advocate could dispute or deflect.”
CUSTOMERS MYTHS THAT WARP STRATEGY
A global financial services firm we studied that we’ll call SuboBank clung to the belief that “older customers avoid mobile banking.”
Even though external data suggested that retirees now constitute one of the fastest-growing groups of mobile app users, the belief that they were technological laggards was hard to shake. SuboBank worked with a single entrenched assumption, that had never been systematically tested against real customer behavior.
How AI helped: Myth-busting through behavioral evidence
To unearth this embedded belief, management configured IBM Watson Analytics to ingest and cross-reference three live data streams simultaneously: 1) in-app behavioral logs tracking how customers of all ages actually used SuboBank’s mobile platform; 2) customer-sentiment data drawn from support interactions, survey responses and complaint records; and 3) external demographic data on mobile adoption trends among customers aged 60 and over.
Wherever actual behavior contradicted what the documentation assumed, the system flagged it. As managers and senior leaders reviewed the AI-generated behavioral reports, they made their own judgments about which design changes to prioritize.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
