D

esde que la pandemia llevó a los trabajadores a las oficinas en casa, lejos de los ojos vigilantes de sus jefes, las empresas se han preocupado acerca de si los empleados realmente están trabajando tanto como se supone que deben hacerlo. En consecuencia, muchas han recurrido a nuevas herramientas digitales capaces de aplicar un nivel de supervisión que ni siquiera los gerentes más vacilantes pueden lograr. Estas herramientas, comercializadas como aplicaciones de medición de la productividad, identifican a los empleados por su nombre y hacen un seguimiento de cómo pasan su tiempo: registran las pulsaciones de teclas, cuentan los mensajes, graban sus pantallas e incluso anotan cada vez que el trabajador se aleja de su escritorio para ir al baño.

Hay dos problemas principales con este enfoque. En primer lugar, es opresivo y probablemente desmoralizará a los trabajadores, quienes con razón sienten que se está violando su privacidad y que están siendo intensamente microgestionados. En segundo lugar, la actividad laboral en la oficina puede ser un mal indicador de la productividad real. Al centrarse únicamente en las acciones que realizan los empleados, estas herramientas ignoran el entorno en el que están trabajando.

Observar cómo se hace el trabajo puede ser valioso para las empresas, y la recopilación de datos de los empleados puede ser una parte esencial de eso. Sin embargo, un enfoque que se centra en la productividad individual es incompleto, carece de matices, no puede escalarse y no revela toda la verdad sobre cómo las personas hacen su trabajo y qué obstáculos enfrentan. En cambio, las empresas deberían preguntarse si su entorno de trabajo respalda la productividad de sus empleados. La clave para hacer esto es la empatía.

La importancia de la empatía

Usar la empatía para comprender el trabajo desde la perspectiva de un empleado puede revelar qué falla en el entorno laboral y cómo esas fallas afectan a los empleados. Entender el trabajo desde este ángulo significa hacer diferentes preguntas.

Considere las preguntas que el software de seguimiento de la productividad puede responder:

— ¿Cuántos minutos pasó Tim al teléfono?

— ¿Cuánto tiempo estuvo Tim fuera de su escritorio? ¿Cuántas veces?

— ¿Cuántas pulsaciones de teclas ejecutó Tim hoy, antes del almuerzo y después del almuerzo?

Todas las respuestas a estas preguntas serán sobre Tim, no sobre su equipo. Responderlas elimina su privacidad, y la auditoría minuto a minuto envía un mensaje de que siempre lo están observando en lugar de confiar en él para hacer su trabajo. Además, estas preguntas ignoran el entorno en el que está trabajando y no abordan cómo se está haciendo el trabajo, qué falla en esos procesos y cómo se podría mejorar el sistema.

Ahora, considere las preguntas que se centran más en la experiencia del trabajo:

— ¿El diseño de procesos ineficientes está causando que el equipo haga el mismo trabajo de múltiples maneras?

— ¿Dónde necesita el equipo capacitación y/o mentoría para atender mejor a los clientes?

— ¿La mala interfaz o experiencia del usuario son frustrantes y ralentizan la respuesta del equipo a los clientes?

— ¿Cómo afectan los problemas tecnológicos al equipo? ¿Está el equipo equipado con las herramientas adecuadas para la colaboración o la resolución de problemas?

Estas preguntas se pueden responder con datos anónimos y sumados por equipo, para proteger la privacidad individual.

Usando datos para encontrar mejores formas de trabajar

Las herramientas de monitoreo tienden a enfocarse en las personas, pero la verdadera oportunidad es que las empresas las usen para comprender sus propios sistemas. La mayoría de las empresas ya tienen un precedente sobre cómo hacer esto. Por ejemplo, las empresas minoristas invierten millones de dólares para mapear la trayectoria de los clientes. Utilizan tecnología y datos para comprender las experiencias del cliente y hacer que esas experiencias sean eficientes, intuitivas y agradables. Al igual que los clientes, los trabajadores digitales crean volúmenes de datos todos los días, y los empleadores pueden usar estos datos para crear un gráfico de trabajo (un mapa digital de cómo los equipos experimentan el trabajo) para ver dónde se rompen los procesos y realizar mejoras.

Para hacer esto de manera responsable y empática, los empleadores deben cumplir con las siguientes reglas al construir un gráfico de trabajo:

— Anonimizar a todos los usuarios. Identificar a un usuario por su nombre viola su privacidad y reduce su confianza en el sistema.

— Agregar datos de los usuarios por equipo. El enfoque de este proceso debe estar en la identificación de patrones que son comunes dentro de un equipo, con el objetivo de mejorar el trabajo de todo el equipo.

— Configurar la participación voluntaria para todos los usuarios. La participación en el suministro de datos debe ser voluntaria.

— Eliminar la asimetría de información. Deje que los empleados vean lo que los datos recopilados dicen acerca el equipo y el entorno de trabajo.

— Moverse hacia la resolución colectiva de problemas. Involucre a los empleados en la decisión de qué acciones tomar para reducir la fricción en sus experiencias diarias.

— Localizar patrones y acciones para cada equipo. Comprenda que los desafíos pueden ser únicos para cada equipo y adapte las soluciones en consecuencia.

Cómo los líderes pueden aumentar la empatía

Por lo general, los líderes construyen una comprensión de la experiencia de los empleados al entrevistar a los usuarios o utilizar herramientas de monitoreo que invaden la privacidad de los empleados. El gráfico de trabajo, por otro lado, es un mapa digital de toda la organización, que puede ayudar a los líderes a comprender cómo los equipos experimentan el trabajo sin violar la privacidad de los empleados.

He aquí dos sugerencias para que esta herramienta sea lo más efectiva posible:

1. Debe implementarse en todos los niveles y obtener buenos datos sobre el entorno de trabajo debería ser una prioridad. Capacitar a los equipos para que construyan y accedan a su propio gráfico de trabajo local puede ayudar, porque les permite ver los beneficios de esta herramienta y los empodera para usar sus conocimientos. Sin embargo, el punto importante aquí es que cosechar todos los beneficios de este enfoque requiere implementarlo amplia y hábilmente.

2. Los datos de los gráficos de trabajo se deben utilizar como punto de conversación en reuniones ejecutivas y reuniones de diálogo con los empleados. Solicitar retroalimentación de los trabajadores puede proporcionar información y contexto importantes. Asegúrese de explicar que los datos se utilizarán para comprender la experiencia laboral y no tienen la intención de identificar ni dañar a ninguna persona.

El instinto de usar datos para mejorar la productividad no está mal, pero cuando se ejecuta de manera deficiente puede erosionar rápidamente la confianza y la moral de los empleados. Para que las empresas obtengan las ganancias potenciales que estos datos pueden ofrecer, deben estar dispuestas a usarlos para analizarse a sí mismas.

E

n una empresa minorista de la lista Fortune 500, la dirección proporcionó a un equipo responsable de redactar contratos de negociación con proveedores una herramienta de IA diseñada para agilizar su trabajo. Impulsada por un modelo de lenguaje de gran tamaño (LLM, por sus siglas en inglés) ampliamente utilizado, la dirección esperaba que la herramienta acelerara el trabajo del equipo. Sin embargo, a pesar de las altas expectativas, la producción del equipo no cambió. Aunque la herramienta podía generar texto genérico (por ejemplo, un borrador inicial de un contrato), el equipo tenía que personalizar ese texto para cada proveedor.

Esta historia refleja un patrón de cómo las herramientas de IA no cumplen con sus promesas. En una encuesta reciente que realizamos a 30 empresas de diversos sectores, los encuestados informaron que las herramientas genéricas de IA a menudo no ayudan a los usuarios a completar las tareas específicas requeridas en flujos de trabajo únicos, porque son genéricas.

Esta brecha entre las capacidades genéricas de la IA y las necesidades específicas y cambiantes de los equipos apunta a un desafío más profundo: las herramientas actuales no están diseñadas para comprender cómo se realiza realmente el trabajo. En este artículo, ofrecemos dos conceptos clave que pueden ayudar a cerrar esa brecha: los “gráficos de trabajo” (mapas digitales de cómo trabajan los equipos) y la “localización mecanicista inversa” (adaptación de los modelos de IA a los equipos). Estas ideas ayudan a explicar por qué la IA tradicional a menudo se queda corta y cómo las organizaciones pueden diseñar sistemas de IA que se adapten a flujos de trabajo, usuarios y contextos reales.

Por qué la herramienta de IA no creaba valor

Considere este problema en el contexto de un proceso particular ejecutado por el equipo de contratos. Tradicionalmente, al redactar un nuevo contrato para un proveedor, el equipo:

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

— Revisaba las cotizaciones del proveedor y los términos de negociación de proveedores similares (o relacionados).

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

Cuando el equipo de contratos adoptó por primera vez la herramienta de IA, su proceso comenzaba generando un contrato básico y genérico. A partir de ahí, dedicaban una cantidad considerable de tiempo a perfeccionarlo manualmente. Los resultados de la herramienta de IA se basaban en gran medida en contenidos públicos de Internet y carecían de los matices y el contexto específicos necesarios para sus contratos. Aunque el equipo consideró que la herramienta de IA era interesante, le resultaba difícil ver un impacto real en términos de reducción de esfuerzo.

Este es un ejemplo de la “paradoja de la productividad” de la IA en acción: una tecnología increíble que, sin una profunda adaptación contextual, no se traduce en mejoras tangibles de productividad.

Los modelos de IA potentes destacan porque están entrenados con grandes conjuntos de datos genéricos, pero su universalidad es un arma de doble filo. Si bien estos modelos pueden realizar una amplia gama de tareas, a menudo pasan por alto el contexto único de flujos de trabajo específicos y las necesidades particulares de los equipos, lo que lleva a una pérdida de ganancias en productividad.

El contexto lo es todo

Mientras la empresa experimentaba con esta IA, también trabajaba en lo que se convertiría en una solución a ese problema del contexto mediante la implementación de herramientas para mapear sus procesos y crear un gráfico de trabajo: una vista dinámica en tiempo real de cómo los equipos ejecutan sus flujos de trabajo en todos los sistemas. Estos mapas capturaban más que solo tareas: revelaban cómo se tomaban las decisiones, qué datos se consultaban y qué sistemas estaban involucrados.

Y aquí es donde surgió la verdadera oportunidad: el gráfico de trabajo (que incluía dos meses de actividad verificada y rica en contexto) podía utilizarse para entrenar la herramienta de IA. Debido a que capturó todo lo que el equipo consideraba importante, proporcionó a la herramienta de IA un contexto en tiempo real validado por humanos, lo que permitió que la herramienta comenzara a trabajar de una manera alineada con cómo realmente trabajaba el equipo. Con esta información, la herramienta de IA fue capaz de producir un primer borrador significativamente más completo, reduciendo iteraciones y acelerando el camino hacia un contrato final y utilizable.

Sin embargo, para que esto funcionara se requería algo más que los datos correctos: exigía el enfoque correcto. Mientras que la automatización tradicional a menudo busca reemplazar el trabajo humano, el objetivo aquí era personalizar la IA para que trabajara mejor para los equipos, reflejando cómo operan. Para lograrlo, aplicamos un enfoque llamado “localización mecanicista inversa” (RML, por sus siglas en inglés). Para entender cómo funciona una IA, lo habitual es aplicarle ingeniería inversa desde una perspectiva humana. La RML le da la vuelta a esa idea: aplica ingeniería inversa a la forma en que trabajan los humanos, analizando en profundidad los flujos de trabajo, las decisiones y el contexto reales de un equipo, y lo usa para adaptar la IA para servir mejor al equipo.

Los siguientes pasos estuvieron involucrados en la implementación de la RML para el equipo de contratos.

1. Mapear el gráfico de trabajo.

Comenzamos capturando cada paso e interacción humano-máquina que los miembros del equipo de contratos realizaban en su trabajo: cómo recuperaban información sobre un proveedor, cómo realizaban verificaciones cruzadas, cómo integraban manualmente diversas fuentes de datos en archivos de Excel, etc. Estos datos granulares y de alta fidelidad son la esencia del contexto local de un equipo.

Estos datos, en todas las organizaciones, proporcionan los detalles específicos de cómo trabaja realmente un equipo. Cuando este rico tapiz se introduce en la herramienta de IA, le permite transformar un modelo genérico en una herramienta altamente especializada que comprende el lenguaje local del trabajo.

2. Ajustar el gráfico de trabajo.

Una vez que mapeamos el gráfico de trabajo del equipo de contratos, utilizamos sus conocimientos detallados como contexto y lo usamos para ajustar el modelo que impulsa la herramienta de IA. Eso requería alimentar al modelo (bajo la herramienta de IA) con patrones de trabajo y datos (por ejemplo, información de proveedores). Este es el paso clave: integrar el contexto local de un equipo en la herramienta de IA. Al integrar los patrones de trabajo específicos y las señales contextuales de las operaciones diarias del equipo, la herramienta de IA genera un primer borrador del contrato que incluye varios detalles del proveedor, los matices en torno a sus calificaciones crediticias, etc.

3. Perfeccionamiento continuo.

Las organizaciones evolucionan continuamente. Los procesos cambian, se introducen nuevas tecnologías y las situaciones y prioridades se transforman. Por lo tanto, las empresas deben actualizar continuamente el gráfico de trabajo e introducir los patrones emergentes en el modelo para mantener actualizadas las herramientas de IA.

Este tipo de retroalimentación, llamada “aprendizaje por refuerzo con retroalimentación humana” (RLHF, por sus siglas en inglés), se utiliza para ajustar y perfeccionar el modelo dentro de la herramienta de IA. Como resultado, la herramienta de IA continúa adaptándose a las necesidades del equipo, asegurando una alta precisión sostenida a lo largo del tiempo.

¿Qué pueden hacer los CXOs?

Los directores de experiencia del cliente (CXO, por sus siglas en inglés) deben reconocer que la IA no es una tecnología de “implementar y olvidar”. En cambio, su valor se desbloquea cuando el sistema está alineado con los patrones de trabajo específicos y los procesos de toma de decisiones de la organización.

Al invertir en un enfoque personalizado, las empresas pueden reducir significativamente las tasas de error, recortar los costos operativos y, en última instancia, lograr un ROI mucho mayor en sus iniciativas de IA. En el panorama competitivo actual, descuidar la integración de esta capa de conocimiento contextual significa dejar el dinero, y la ventaja estratégica, sobre la mesa.

En resumen, si su estrategia de IA depende únicamente de soluciones estándar, corre el riesgo de perderse una transformación que impulse una verdadera productividad y reducción de riesgos. Por lo tanto, una estrategia de IA completa debe incluir un perfeccionamiento continuo mediante conocimientos localizados para garantizar que las inversiones en tecnología aporten valor inmediato y a largo plazo.