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.

1. 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.

2. 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.”

3. 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.

L

a IA suele venderse a los ejecutivos como un multiplicador de fuerza, capaz de potenciar el desempeño de los empleados. Sin embargo, existe un inconveniente importante, aunque mucho menos destacado: la IA puede acabar con el ADN propio de una organización al ceñirse a un estándar genérico, socavando a la misma organización que pretende optimizar. En ese escenario, las organizaciones se vuelven más automatizadas, pero menos adaptables; más impulsadas por datos, pero menos sensatas; más eficientes, pero menos legítimas ante los ojos de empleados y clientes.

En este artículo describimos una forma en que la IA puede erosionar las capacidades de una organización (y mostramos cómo los CEOs y los altos ejecutivos pueden corregir el problema).

Las personas dejan de pensar

Los sistemas de IA crean una ilusión poderosa. Sus resultados son fluidos, seguros y, a menudo, plausibles. Esa misma fluidez fomenta la descarga cognitiva: las personas dejan de pensar con la misma profundidad que antes porque la máquina parece competente.

La trampa para las empresas es que, cuando los empleados dependen demasiado de la IA para redactar análisis, diagnosticar problemas o proponer soluciones, sus habilidades disminuyen. Las empresas pierden la capacidad de perfeccionar el juicio a través de la experiencia, particularmente ese tipo de conocimiento tácito que se transfiere cuando una persona aprende de otra en el trabajo.

El riesgo a largo plazo para las organizaciones es sutil pero grave. Aunque una empresa pueda parecer tecnológicamente sofisticada, puede estar perdiendo silenciosamente la experiencia que necesita para innovar, responder a crisis y competir.

Lo que los líderes pueden hacer: Identificar capacidades humanas críticas

Antes de introducir IA en cualquier flujo de trabajo central, sea explícito respecto a qué capacidades humanas no puede permitirse perder si su organización quiere mantener su competitividad. Ciertas habilidades no se desarrollan automáticamente. Entre ellas se incluyen la capacidad de juicio en situaciones de incertidumbre, el pensamiento sistémico, la gestión de conflictos éticos y el razonamiento interpretativo; es decir, la capacidad de ver las oportunidades y los desafíos a través del lente de una estrategia definida. Estas habilidades solo se desarrollan y se mantienen mediante su uso.

Consideremos el caso de un operador de telecomunicaciones australiano al que llamaremos Creston Telecom, que ha trabajado en desarrollar y mantener estas habilidades mientras aprovecha la IA para resolver compensaciones estratégicas entre densidad urbana y cobertura rural. El director de planeación estratégica, José, notó que los mandos intermedios recurrían cada vez más a análisis de escenarios generados por IA en lugar de desarrollar sus propias recomendaciones estratégicas. “Nuestros equipos de planeación se estaban convirtiendo en simples ejecutores de lo que decía el algoritmo”, nos comentó. “Presentaban tres opciones generadas por IA, pero no podían defender por qué una era mejor que las demás”.

Creston Telecom respondió instaurando “sesiones estratégicas sin IA”, en las que equipos multifuncionales debían enfrentarse primero a las preguntas estratégicas utilizando únicamente su juicio y experiencia. Solo después de documentar su razonamiento se les permitía consultar herramientas de IA. La empresa también asignó a los gerentes con mayor potencial a un “programa de residencia estratégica” de seis meses de duración, en el que trabajaban directamente con José en la toma de decisiones complejas.

Ambas medidas garantizaron que Creston Telecom conservara su fuerza estratégica. Esto implicaba reconocer patrones entre mercados, identificar las compensaciones necesarias entre distintas partes interesadas y planificar a largo plazo. Estas funciones críticas se mantuvieron en manos humanas, incluso mientras la IA se encargaba del análisis rutinario.

La IA puede mejorar el desempeño de su organización, pero solo si usted reconoce lo que no puede hacer. Su futuro depende de utilizar las máquinas para potenciar el juicio humano, mientras protege con firmeza el aporte humano que ningún algoritmo puede reemplazar.