L

as empresas están implementando rápidamente sistemas de IA generativa para agilizar las evaluaciones de desempeño. Estos sistemas demuestran capacidades impresionantes, pero hasta ahora, la mayoría de las organizaciones los utilizan para elaborar, con mayor rapidez, versiones más pulidas de las evaluaciones narrativas tradicionales.

Sin embargo, que algo esté pulido no significa que sea más confiable. Al suavizar la forma en que los gerentes describen el desempeño, estos sistemas pueden hacer que las evaluaciones parezcan más consistentes y creíbles de lo que realmente son, ocultando las inconsistencias y puntos ciegos que las han definido durante mucho tiempo. No obstante, la misma tecnología podría hacer algo mucho más valioso: alejar las evaluaciones de desempeño de las narrativas sobre el trabajo y acercarlas a evidencia directa del trabajo en la práctica: lo que las personas realmente hicieron, decidieron e influyeron.

El enfoque equivocado

Para aliviar la carga de las evaluaciones de desempeño, muchas empresas están utilizando la IA para redactar narrativas de evaluación. A simple vista, esto parece un avance. Pero, en realidad, se corre el riesgo de amplificar el problema de fondo. Los documentos producidos con IA tienden a converger hacia el mismo tono fluido y seguro. La variación que antes distinguía una evaluación cuidadosa de un elogio genérico está desapareciendo y convirtiéndose en una voz persuasiva, pero estandarizada.

Esta homogeneización afecta la presentación, no el contenido. Los gerentes siguen trabajando a partir de observaciones incompletas e impresiones subjetivas. La IA simplemente hace que todas las narrativas suenen igual de convincentes. El resultado son evaluaciones que parecen más confiables de lo que realmente son, haciendo que la información deficiente sea más difícil de detectar.

Un mejor camino

En lugar de ayudar a los gerentes a escribir historias más convincentes sobre el desempeño, la IA podría ayudarlos a identificar y examinar episodios reales de trabajo.

Los sistemas de IA podrían analizar patrones de interacción entre empleados para identificar evidencia de competencias de alto nivel que las métricas tradicionales pasan completamente por alto. Podrían examinar las redes de comunicación para identificar a los empleados que constantemente ayudan a otros a resolver problemas, analizar los patrones de toma de decisiones en las discusiones de proyectos para detectar el pensamiento estratégico o mapear los flujos de influencia a través de cadenas de correos electrónicos y las transcripciones de las reuniones para revelar el liderazgo en acción.

Aprovechar el potencial de la IA generativa

Las bases necesarias ya están claramente presentes. Esto es lo que los altos directivos pueden hacer ahora para convertir lo posible en una realidad:

1. Replantear la conversación sobre desempeño en torno a momentos decisivos, en lugar de etiquetas de rasgos y afirmaciones de excelencia.

En lugar de pedir a los gerentes que describan el “liderazgo”, el “pensamiento estratégico” o la “capacidad para navegar la ambigüedad” de un empleado, las evaluaciones de desempeño deberían plantear una pregunta diferente: ¿Qué momentos en el trabajo de esta persona revelan con mayor claridad esas capacidades? Un solo episodio decisivo (en el que un empleado desafió una suposición equivocada, redirigió un proyecto que estaba fracasando o alineó a distintas partes interesadas en torno a una decisión difícil) suele revelar más sobre sus capacidades que una página entera de lenguaje evaluativo. La IA puede ayudar a identificar estos episodios analizando registros de proyectos, comunicaciones y distintos materiales de trabajo para detectar los puntos de inflexión donde el juicio tuvo mayor relevancia.

2. Dirigir las herramientas de IA ya implementadas en toda la empresa para identificar evidencia conductual, en lugar de solo pulir la narrativa.

La mayoría de las empresas ya utilizan asistentes de IA integrados en las herramientas de trabajo cotidianas. En la actualidad, estos sistemas suelen utilizarse para resumir documentos o ayudar a los gerentes a redactar mejores textos. En su lugar, las organizaciones deberían orientarlos hacia una tarea diferente: analizar patrones de interacción entre empleados para identificar evidencia de competencias de alto nivel.

3. Construir una gobernanza que equilibre la transparencia con el control de los empleados y evite desviaciones hacia la vigilancia excesiva.

La transición hacia la evidencia conductual seleccionada por IA requiere una gobernanza que equilibre la verificación, el control de los empleados y límites claros.

— Verificación: La IA debe servir como un curador que señale fuentes verificables, mientras que los humanos conservan todo el juicio interpretativo.

— Control de los empleados: Dar a los empleados control sobre su propio portafolio de evidencia.

— Límites claros para evitar la expansión del alcance: Las evaluaciones de desempeño deben basarse en documentos de trabajo oficiales y no en comunicaciones informales o mensajes privados.

S

egún una encuesta global realizada a 500 ejecutivos por el Capgemini Research Institute, se prevé que el uso activo de IA en reuniones de equipo se triplique en los próximos tres años. Introducir IA en las reuniones sin sentar las bases adecuadas puede reducir la participación, fragmentar las discusiones o desplazar el sentido de pertenencia y responsabilidad fuera del equipo.

Afortunadamente, existe un enfoque que ayuda a superar estos obstáculos: lo llamamos “química humano-IA en los equipos”. Nuestra investigación señala tres prácticas que pueden ayudar a desarrollar esta nueva capacidad a medida que la IA se integra cada vez más en las organizaciones.

Estas recomendaciones surgieron de un experimento de cinco meses en el que participaron 60 directivos de 12 empresas de diversos sectores. Para garantizar la consistencia, todos los equipos siguieron la misma metodología y utilizaron el modelo ChatGPT de OpenAI. Observamos en tiempo real las interacciones de los equipos con la IA, analizamos las transcripciones completas del chat y realizamos encuestas posteriores a las sesiones para conocer la opinión y experiencia de los participantes.

Sesión uno: Falsos comienzos y potencial desaprovechado

En la primera sesión, los equipos comenzaron a guardar más silencio, adoptaron una actitud más pasiva y empezaron simplemente a observar la pantalla mientras la IA generaba respuestas. En lugar de potenciar la colaboración, la IA parecía, al menos al principio, debilitarla.

Una revisión más detallada de las transcripciones del chat reveló la raíz del problema. Al interactuar con la IA, los equipos no seguían las mismas normas. Al no tener conocimiento del contexto del equipo, de sus distintos roles, experiencia y puntos de vista, la IA recurría por defecto a una perspectiva limitada y centrada en el individuo.

También surgió otro patrón interesante: la mayoría de los equipos asignaba a la IA un único rol estático (generalmente el de “investigador” o “experto en la materia”) y mantenía ese mismo papel durante toda la sesión. Además, observamos que las instrucciones que los equipos daban a la IA solían ser breves y transaccionales. La IA con frecuencia se adelantaba proponiendo “siguientes pasos” no solicitados u opciones ya preparadas, empujando al equipo hacia simples confirmaciones de un solo clic.

Sesión dos: Construyendo la química entre el equipo y la IA

Para ayudar a los equipos a evitar los problemas que enfrentaron en la primera sesión, desarrollamos un marco de trabajo de tres elementos:

1. Interactuar con la IA como equipo.

2. Aprovechar la flexibilidad de roles de la IA.

3. Mantener la responsabilidad colectiva.

Introdujimos una lista práctica de preguntas para guiar su análisis y ayudarles a identificar los patrones de interacción que estaban limitando su efectividad. Al trabajar con este conjunto de preguntas, los participantes reflexionaron sobre la forma en que interactuaban con la IA como equipo. Después de la segunda sesión, los equipos parecían más animados. La mayoría comenzó a presentarse de forma grupal, y la IA empezó a considerar los matices de los diferentes roles y niveles de experiencia. Los equipos también comenzaron a utilizar la IA de manera mucho más flexible. Dependiendo de la etapa de la discusión, se le pedía a la IA que actuara como socia para generar ideas, como una voz crítica para cuestionar supuestos, como un “prototipador” para crear materiales y como narradora para perfeccionar presentaciones.

Sin embargo, en las sesiones posteriores, la dinámica cambió gradualmente. Antes de enviar una instrucción, los equipos hacían una pausa para discutir entre ellos cómo plantear la siguiente iteración. Estas pausas resultaron fundamentales: evitaron que el equipo cayera en un “modo espectador” y les ayudaron a mantenerse firmemente al mando de la conversación. La participación promedio aumentó un 30%, y los participantes señalaron que la IA estaba aportando un apoyo mucho más significativo a las discusiones del equipo.

Construyendo química entre el equipo y la IA en sus reuniones

Como muestra nuestro experimento, este tipo de química entre equipos e IA no surge de manera natural, y rara vez aparece en el primer intento. Para la mayoría de los equipos, necesita cultivarse deliberadamente e integrarse intencionalmente en su forma de trabajar. ¿Cómo hacerlo en la práctica? He aquí tres recomendaciones:

1. Planifique la agenda de la reunión incluyendo espacios específicos para el uso de IA.

2. Prepare algunas instrucciones para recurrir a la IA en un rol determinado.

3. Después de la sesión, revise el historial del chat.

A

ntes de que la IA generativa irrumpiera en escena a finales de 2022, las empresas seguían un enfoque más o menos estándar para gestionar los riesgos que planteaba la IA: desarrollaban programas de riesgo ético en materia de IA (también llamados programas de IA responsable o de gobernanza de la IA).

Estos programas eran diseñados por ejecutivos y se enfocaban principalmente en redactar e implementar políticas de IA a nivel empresarial, destinadas a explicar cómo la organización cumpliría con sus valores éticos en materia de IA (o principios o pilares, como también se les conoce). Cuando apareció la IA generativa, las organizaciones actualizaron sus programas para adaptarse a la nueva tecnología. Ahora que los agentes de IA están ganando terreno, es probable que la mayoría intente actualizarlos de nuevo.

Eso sería un error. El enfoque estándar de la IA responsable está fundamentalmente roto.

No llego a esta conclusión a la ligera. Es el resultado de observar cómo ha evolucionado el panorama de la IA de tal forma que se ha creado un escenario de riesgos realmente complejo.

El enfoque estándar es demasiado lento, ambiguo y difícil de comunicar. En lugar de centrarse en valores y políticas, las empresas estarían mejor si se enfocaran en sus peores escenarios posibles: sus problemas éticos relacionados con la IA. Esto se debe a que este enfoque les permite aplicar una metodología novedosa y de rápida implementación que funciona para todo, desde IA limitada hasta la gestión de agentes de IA.

Durante el último año, he desarrollado un marco de trabajo que puede ponerse a prueba y escalarse rápidamente, y que además puede integrarse con programas existentes de gestión de riesgos de IA. He aquí cómo funciona.

El marco de trabajo

El “Ethical Nightmare Challenge” (ENC) plantea tres preguntas:

— ¿Cuáles son los problemas éticos de su organización en relación con la IA?

— ¿Qué recursos desarrollará para evitar esos problemas?

— ¿Cómo capacitará a su gente para utilizar esos recursos de manera efectiva?

Implementación del marco de trabajo

Una vez identificados sus problemas, es momento de pasar a la acción. Esto se logra creando equipos de Ethical Nightmare Challenge. Estos equipos pueden crearse en cualquier nivel de la organización y en cualquier momento, y son pequeños (por ejemplo, de cinco a ocho personas) y multifuncionales (con al menos un perfil tecnológico). Lo más importante es que deben ser ágiles.

La misión central de cada equipo ENC es trabajar en torno a estas tres preguntas. Estos equipos participan en la resolución colaborativa de problemas relacionados con los posibles problemas en materia de IA que han identificado. Cuando las tres preguntas se repiten de manera consistente en todos los niveles de una organización (juntas directivas, alta dirección, departamentos, equipos de proyecto y colaboradores individuales), se crea un lenguaje compartido que hace posible la comunicación y la colaboración entre todos esos niveles.

La naturaleza multifuncional de estos equipos es esencial para su éxito. Un científico de datos puede identificar fuentes técnicas de posibles problemas que un especialista en marketing jamás vería. Un profesional de marketing entiende el comportamiento del consumidor de maneras que permiten identificar ciertos riesgos técnicos que los ingenieros podrían pasar por alto. Un diseñador de producto puede detectar formas en que las cosas podrían salir mal y que resultarían invisibles para el área legal.

Integración del marco de trabajo

Las políticas existentes, los comités de riesgo y los marcos de gobernanza no desaparecen bajo el enfoque ENC: se convierten en recursos de los que los equipos ENC pueden apoyarse.

Un comité de riesgos de IA ya existente, en lugar de ser la primera línea de defensa para cada caso de uso de IA de alto riesgo, se convierte en una instancia excepcional, convocada cuando un equipo ENC a nivel de proyecto ha identificado un problema que no puede mitigar adecuadamente, o cuando el nivel de riesgo es lo suficientemente alto como para justificar una revisión de alto nivel. Esto es operativamente crucial: a medida que aumenta la adopción de IA, también aumentan los casos de alto riesgo, convirtiendo al comité de riesgo en un cuello de botella para la innovación mientras los equipos esperan ser evaluados y recibir dirección. La solución es crear una primera línea de defensa más capaz mediante la capacitación ENC.

E

ste artículo destaca una serie de herramientas de IA que tienen el potencial de generar un impacto considerable en las desigualdades en la atención médica. Los hallazgos presentados en este artículo se basan en nuestro trabajo asesorando a organizaciones de salud y ciencias de la vida. No hemos tenido participación en ninguna de esas compañías ni tenemos intereses financieros en ellas.

Identificación de pacientes en riesgo

La atención preventiva es el punto de intervención más eficiente (tanto financiera como clínicamente) para mejorar la salud de los pacientes. Sin embargo, los grupos de pacientes en situación de desventaja suelen tener poca conciencia sobre las medidas que deben tomar y pueden sentirse desorientados a la hora de lidiar con las complejidades del sistema de salud. Los proveedores de atención médica tienen una oportunidad crucial para identificar y contactar de forma proactiva a los pacientes con riesgo de presentar resultados graves de salud.

El historial médico de un paciente puede contener señales sutiles de que está en riesgo. Estos indicadores son increíblemente difíciles de identificar y atender para los profesionales de la salud. Aledade, la red más grande de atención primaria independiente en Estados Unidos, utiliza IA para interpretar estos datos altamente complejos de los pacientes y potenciar estrategias de contacto personalizado relacionadas con vacunación, detección de enfermedades y planificación anticipada de cuidados.

Superar las barreras de comunicación

Es fundamental que los pacientes puedan comunicarse de manera efectiva con su equipo médico, y viceversa. El riesgo de brechas en la comunicación que conducen a peores resultados de salud es mayor en pacientes que experimentan barreras lingüísticas, tienen bajos niveles de alfabetización en salud o padecen enfermedades neurocognitivas. La IA abre la puerta a una mejor comunicación. Puede actuar como traductor bajo demanda y enlace entre los sistemas de salud y los pacientes, proporcionando información clara y fácil de comprender sobre riesgos, síntomas y planes de tratamiento.

Estas soluciones también son esenciales para mejorar la productividad de los proveedores de salud, cuyos recursos están cada vez más presionados. Al agilizar y automatizar las tareas administrativas relacionadas con el acceso y la evaluación de pacientes, los profesionales pueden reenfocar su tiempo en el trabajo clínico, donde generan el mayor valor para mejorar los resultados de salud de los pacientes.

Abordar las desigualdades en el acceso a los recursos

La ley de cuidados inversos establece que los pacientes con mayores necesidades suelen ser los que tienen menos acceso a los recursos de atención médica. Muchas personas en zonas rurales viven lejos de servicios médicos especializados o pueden carecer de redes de apoyo social que resultan fundamentales para la salud y la recuperación. La IA muestra los primeros indicios de convertirse en una solución esencial para ayudar a los responsables de políticas públicas a superar estas barreras.

Ada Health ofrece a los pacientes una aplicación móvil impulsada por IA que evalúa síntomas, diagnostica diversos problemas médicos y sugiere atención personalizada. La IA permite que los pacientes en regiones con recursos limitados puedan realizar una clasificación confiable de sus propios síntomas y, posteriormente, buscar atención médica a través de la vía más adecuada. La IA también puede mejorar los resultados después del tratamiento.

Reducir el impacto de los sesgos humanos

Existe evidencia preocupante que sugiere que los proveedores de atención médica pueden perpetuar desigualdades debido a sus propios sesgos inconscientes, atribuyendo erróneamente síntomas a estereotipos culturales y sin reconocer la gravedad de ciertas enfermedades. Un ejemplo alarmante ocurre en el contexto del acceso adecuado al alivio del dolor: los pacientes de color tienen la mitad de probabilidades de recibir medicamentos opioides cuando presentan síntomas similares a los de los pacientes blancos con dolor abdominal. La IA podría convertirse en una herramienta vital para eliminar el impacto de estos sesgos humanos.

Una investigación reciente ha demostrado que la IA puede ser altamente efectiva para detectar el dolor en los pacientes. Las evaluaciones de un modelo de IA, entrenado con más de 140,000 imágenes faciales de pacientes con y sin dolor, coincidieron con las de médicos expertos el 88% de las veces, demostrando que puede ser una solución escalable para evaluar rápidamente el dolor.

Los sesgos también influyen en las decisiones de tratamiento mediante diagnósticos erróneos de enfermedades importantes. Kaiser Permanente ha puesto a prueba una herramienta de IA con el objetivo de mejorar el rendimiento diagnóstico en ecocardiografías, lo que tiene un enorme potencial para reducir estas desigualdades.

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.

A

medida que la IA aumenta en velocidad y volumen, las organizaciones no pueden simplemente incorporarla a flujos de trabajo diseñados para el ritmo humano. Con base en nuestra experiencia como economistas que estudian el impacto de la IA en las organizaciones y en los mercados laborales, creemos que los CEOs necesitan rediseñar el trabajo tanto de la IA como de las personas en tres aspectos clave:

1. Redefinir explícitamente los flujos de trabajo y luego establecer nuevas expectativas de roles (humanos).

A medida que los agentes de IA asumen tareas de ejecución, los roles humanos se enfocarán cada vez más en supervisión, criterio, construcción de relaciones y manejo de la ambigüedad. En nuestro trabajo con clientes, hemos observado que este cambio en la responsabilidad no se está comunicando de forma clara en muchos lugares de trabajo actualmente, mientras que las empresas nativas de IA lo incorporan explícitamente en su modelo de talento. A medida que cambian los flujos de trabajo, también cambian los roles humanos, lo que requiere nuevas habilidades acompañadas de nuevas expectativas. Los líderes deben:

— Crear el entorno adecuado de responsabilidad y alcance de control. La capacidad de supervisión no se expande automáticamente solo porque aumente la producción. Los líderes deben rediseñar los alcances de control y el tamaño de los equipos teniendo esto en cuenta.

— Rediseñar los roles a gran escala y aclarar las expectativas. Establecer expectativas realistas sobre la velocidad y el volumen de trabajo, declarar explícitamente la responsabilidad de supervisión sobre los sistemas de IA en las descripciones de puesto y definir las habilidades humanas permanentes que siguen siendo fundamentales.

— Reiniciar la gestión del desempeño. Recompensar la calidad de la supervisión y la coordinación efectiva de los sistemas de IA, no solo la velocidad y el volumen de producción.

2. Hacer que la responsabilidad sea explícita y personal tanto para empleados como para agentes.

La evidencia presentada en nuestro estudio sugiere que los agentes de IA deben tratarse como lo que son: automatización de software que requiere una responsabilidad humana clara sobre su funcionamiento y sus resultados. Cuando la IA contribuye a un resultado, esto debe hacerse evidente para las personas responsables que deben rendir cuentas por ello. Esto es especialmente crítico en entornos altamente regulados.

Esto requiere reglas claras de colaboración entre humanos y agentes, basadas en objetivos compartidos y responsabilidad sostenida en el tiempo, en tres frentes:

— Derechos de decisión: Debido a que los agentes pueden manejar situaciones mucho más flexibles que la automatización tradicional, es fundamental definir qué puede hacer el agente de manera autónoma y qué requiere aprobación humana explícita.

— Escalamiento: ¿Qué desencadena una revisión? ¿Quién interviene? ¿Quién asume el costo de un retraso o de un error?

— Consecuencias: Cuando el agente falla, ¿qué sucede después? Defina cómo se mantendrá la responsabilidad a lo largo del tiempo. Los empleados humanos responsables deben supervisar el desempeño de los agentes y proporcionar mejoras continuas.

3. Diseñar e implementar un plan de desarrollo de capacidades para empleados que gestionan agentes.

La capacidad de supervisar sistemas humano-agénticos no siempre surge de manera orgánica, como lo demuestra el hecho de que las empresas solo obtienen valor de la IA cuando protegen el aprendizaje de los empleados. Las organizaciones necesitan un nuevo conjunto de herramientas de gestión y programas de capacitación que ayuden a los empleados a navegar un equilibrio diferente entre delegación y control al trabajar con IA. Los empleados deben comprender la amplia variedad de tareas que la IA puede realizar, utilizarla como una fuente de inteligencia y no solo como una herramienta de ejecución de tareas, e integrarla en los flujos de trabajo de maneras que mejoren la toma de decisiones. Igualmente importante es que sepan cuándo confiar en la IA, cuándo cuestionar sus resultados y en qué aspectos sus limitaciones difieren de las de los trabajadores humanos.

P

ara analizar cómo la deuda psicológica puede influir en la adopción de la IA, encuesté a más de 1,200 empleados a tiempo completo en Estados Unidos y Reino Unido. Esto es lo que los líderes necesitan saber.

La deuda psicológica y sus detonantes

Existen seis formas que parecen especialmente relevantes y que, en conjunto, crean lo que a veces se denomina deuda psicológica:

1. Deuda cognitiva. Quizá la consecuencia psicológica negativa más discutida del uso no estructurado de la IA sea la posible pérdida de habilidades de procesamiento cognitivo y toma de decisiones.

2. Deuda de autonomía. Esto describe la sensación de que la IA está eliminando nuestra capacidad de controlar la forma en que trabajamos. La autonomía es reconocida como una fuente clave de motivación.

3. Deuda de competencia. En el contexto de la IA, la deuda de competencia es la sensación de que, cuanto más usamos la IA para trabajar, menos competentes nos volvemos.

4. Deuda de pertenencia. La pertenencia se refiere a nuestro instinto social de formar parte integral de grupos sociales.

5. Deuda de credibilidad. Cada vez son más las investigaciones que han documentado que el uso de la IA genera la sensación de que los empleados pierden credibilidad frente a sus compañeros de trabajo, incluso cuando estos también utilizan IA en sus funciones.

6. Deuda de identidad. La teoría de la identidad social plantea que nos identificamos con el grupo social que nos da la orientación más clara sobre cómo comportarnos en un momento determinado. Cuando ciertos usos de la IA son esperados u obligatorios dentro de determinados flujos de trabajo, puede acumularse una deuda de identidad social profesional cuando esos usos son percibidos como violaciones directas a la pertenencia del grupo.

Cómo reducir el costo psicológico de adoptar la IA

Reducir la deuda psicológica requerirá que las empresas diseñen relaciones humano-IA que reconozcan las fuentes y barreras de la motivación y el comportamiento humano. Afortunadamente, existe una gran cantidad de investigaciones sobre el comportamiento humano que apuntan a enfoques útiles que pueden adaptarse para mitigar los efectos negativos documentados:

1. Deuda cognitiva. La deuda cognitiva puede evitarse o reducirse asegurando que los empleados no recurran inmediatamente a la IA como una reacción automática (rendición cognitiva). Una forma de preservar el pensamiento crítico consiste en incorporar fricción cognitiva al proceso de IA, haciendo que su uso no sea tan sencillo ni inmediato.

2. Deuda de autonomía. En lugar de presentar los beneficios de la IA como un hecho consumado, una recomendación es trabajar con los empleados para darles la información necesaria que les permita descubrir por sí mismos cuándo y cómo puede ayudarles la IA.

3. Deuda de competencia. Una forma de eliminar o reducir la sensación de pérdida de competencia frente a la IA es asegurarse de que los empleados la vean como una forma de apoyo para su función y no como una prueba de si son capaces de seguir desempeñando su puesto. Para que esto ocurra, un enfoque único para todos no funcionará, y la formación en IA debe reconocer los contextos específicos en los que los empleados pueden (y van a) recurrir a la IA como apoyo.

4. Deuda de pertenencia. Proteger la colaboración entre personas dentro de flujos de trabajo habilitados por IA es un aspecto clave de la infraestructura humana necesaria para integrar la IA. Esto podría implicar diseñar procesos en los que los equipos interpreten juntos los resultados de la IA, mediante discusiones interfuncionales, revisiones y espacios de toma de decisiones.

5. Deuda de credibilidad. El uso oculto de IA puede verse como un intento de evitar acumular deuda de credibilidad: si nadie sabe que usted está usando IA, entonces no puede existir ningún riesgo para su credibilidad. Una solución es sacar el uso de IA de las sombras, haciendo que su uso sea visible, compartido e institucional.

6. Deuda de identidad. Este tipo de deuda puede mitigarse estableciendo normas explícitas y coherentes con la identidad profesional sobre el uso de la IA. En ocasiones, basta con modificar el momento en que se recurre a la IA dentro de un proceso.

A

medida que la IA se integra en las organizaciones, los altos directivos se enfrentan a cambios a gran escala y a una enorme presión. La IA ya no se limita a proyectos piloto, sino que está influyendo en las decisiones cotidianas, los flujos de trabajo y la prestación de servicios a los clientes.

A pesar del aumento en la inversión, muchas empresas están teniendo dificultades para transformar la experimentación en valor escalable. En una encuesta de 2026 realizada a líderes globales de IA y datos, el 93% identificó el factor humano como la principal barrera para la adopción. Aun así, los líderes siguen confiando en el potencial de la IA.

Para comprender estas dinámicas en la práctica, The Positive Group llevó a cabo un estudio cualitativo en profundidad con altos directivos de grandes organizaciones internacionales de sectores como servicios profesionales, servicios financieros, marcas de consumo, aviación y ciencias de la vida. A través de entrevistas y grupos focales con 35 CEOs, directores de recursos humanos, directores de innovación y líderes funcionales, exploraron cómo están viviendo los líderes la adopción de la IA en tiempo real: las conversaciones que definen el rumbo, cómo se pone a prueba la capacidad de adaptación y los comportamientos que sustentan el progreso.

Dónde están surgiendo las tensiones

A pesar del consenso en que la IA es una prioridad estratégica, los líderes señalaron que la presión va en aumento a medida que la disrupción constante redefine las expectativas en todos los niveles de la organización.

“El objetivo cambia todo el tiempo”.

“Una habilidad clave de liderazgo para el futuro es la capacidad de adaptación al cambio. A diferencia de las transformaciones episódicas del pasado, la IA trae una disrupción continua, lo que significa que debe desarrollarse esa capacidad de adaptación en toda la empresa”.

— Director de Recursos Humanos de una empresa tecnológica.

Varios líderes compararon la adopción de la IA con transformaciones a gran escala anteriores. A diferencia de las iniciativas episódicas (como la implementación de nuevos sistemas, reestructuras o cambios en el modelo operativo), la IA está provocando una disrupción continua sin un punto final claro.

“El objetivo cambia todo el tiempo. Sé lo que dijimos hace seis meses, pero en realidad el objetivo ya cambió. Eso es difícil, porque la credibilidad empieza a tambalearse cuando la dirección sigue cambiando, incluso si el cambio está justificado”.

— Alto directivo de una empresa de servicios profesionales.

Todos quieren tener éxito con la IA, pero nadie se pone de acuerdo sobre qué significa realmente “valor”.

Los líderes describieron la presión de las juntas directivas para demostrar un progreso visible, incluso cuando el problema subyacente no estaba claro.

“El mayor desafío no es la resistencia, sino el FOMO del liderazgo. Todos quieren una actualización sobre IA antes de entender realmente cuál es el problema”.

— Ejecutivo sénior de una firma global de retail.

Esta dinámica moldeó la forma en que se hablaba del valor dentro de las organizaciones.

“Muchas aplicaciones de IA no ofrecen un beneficio claro e inmediato. Una herramienta que ayude a redactar correos electrónicos más claros o que reduzca el tiempo dedicado a la conciliación de cuentas puede suponer un ahorro de entre 10 y 30 minutos al día. Eso no elimina un puesto, pero sí genera un efecto acumulativo. Y cuando el liderazgo se obsesiona demasiado con el retorno de inversión a corto plazo, la gente deja de proponer ideas por completo”.

— Vicepresidente sénior de una firma de servicios financieros.

Emoción, miedo y amenaza a la identidad profesional.

Varios líderes observaron que la ansiedad era especialmente fuerte entre profesionales experimentados cuya autoridad se había construido sobre una profunda experiencia y conocimiento especializado.

“Lo que suele interponerse no es la tecnología en sí. Gran parte del problema tiene que ver con personas preocupadas por lo que esto significa para su rol, diciendo cosas como: ‘Ese es mi trabajo. Puede automatizar esa parte, pero esto no’. Es más fácil seguir haciendo las cosas como siempre se han hecho y preguntarse: ‘¿Qué tiene de malo cómo lo hago ahora?’ El verdadero progreso ocurre cuando alguien que entiende la tecnología trabaja muy de cerca con alguien que entiende el servicio o al cliente, pero, constantemente, la urgencia del día a día hace que las personas vuelvan a lo que parece más inmediato”.

— Ejecutivo sénior de una firma global de consultoría.

Varios líderes describieron errores iniciales en los que el miedo o el escepticismo fueron tratados como algo que debía corregirse o superarse. En la práctica, esto muchas veces redujo el involucramiento en lugar de acelerarlo.

“Cuando la IA se introduce desde el miedo, alimenta la resistencia al cambio, disminuye el compromiso y limita la adopción. Pero cuando las personas están preparadas, son incluidas en el proceso y saben que sus voces forman parte del diseño, es mucho más probable que participen”.

— Líder sénior digital de la industria de aviación.

Lo que los líderes están haciendo al respecto

Los líderes describieron cómo han estado ajustando su enfoque en la práctica: cómo hablan sobre IA, cómo hacen visible su propio aprendizaje y cómo crean condiciones para avanzar mientras la incertidumbre sigue siendo alta.

Ampliar el involucramiento dentro de la organización.

En respuesta a expectativas fragmentadas y reacciones emocionales, muchos líderes señalaron que estaban prestando más atención a la forma en que hablaban sobre la IA. Varios enfatizaron la necesidad de eliminar el exceso de jerga técnica para que las personas puedan involucrarse sin miedo.

“La narrativa y la simplicidad son impulsores muy poderosos de adopción. Necesitamos explicar la IA en un lenguaje sencillo, tan simple que incluso mi hijo de seis años pudiera entenderlo, porque la accesibilidad genera curiosidad y confianza”.

— Líder sénior del sector consumo.

Definir nuevas normas en contextos de incertidumbre.

Varios líderes señalaron que la vacilación inicial frente a la IA tenía menos que ver con la capacidad tecnológica y más con la ambigüedad. La falta de claridad sobre normas relacionadas con riesgo y responsabilidad hacía que las personas esperaran señales de tranquilidad antes de involucrarse. Como respuesta, algunos líderes comenzaron a utilizar deliberadamente su propio comportamiento para establecer esas normas y hacer visible su proceso de aprendizaje.

“Me aseguré de usar las herramientas yo mismo de forma visible. Tomaba un documento de más de 100 páginas y mostraba cómo utilizaba ChatGPT para resumirlo. No porque fuera perfecto, sino para demostrar que no necesita ser técnico para obtener valor. Se trata de hacer las preguntas correctas. Eso cambió la conversación. La gente dejó de preguntar: ‘¿Esto está permitido?’ y comenzó a preguntar: ‘¿Esto podría ayudarme con las decisiones que estoy tomando?’”

— Vicepresidente sénior tecnológico del sector asegurador.

Construir confianza a través de la transparencia.

Un tema clave de discusión fue la respuesta emocional frente a la IA. El miedo por la seguridad laboral, la incomodidad frente a la incertidumbre y la preocupación por la identidad profesional eran comunes, junto con el entusiasmo. Lo importante, argumentaban los líderes, no era eliminar esas reacciones, sino la manera en que se gestionaban.

“En las colaboraciones, no puede simplemente decirle a la gente qué hacer. El cambio tiene que darse a través de influencia y ejemplo. Eso es complicado cuando las personas avanzan rápido, sienten presión por entregar resultados y, lógicamente, se muestran preocupadas por cómo podrían evolucionar sus roles”.

— Director de aprendizaje y desarrollo de una empresa de servicios profesionales.

A lo largo de las entrevistas, los líderes describieron los desafíos psicológicos y relacionales de integrar la IA: explicar qué está cambiando, aclarar qué es realmente importante y responder a reacciones mixtas dentro de sus organizaciones. En este entorno, el comportamiento del liderazgo se volvió más visible. La forma en que los líderes enmarcaban las prioridades y modelaban la adaptabilidad influía directamente en cómo los demás se involucraban. Aunque la inversión suele enfocarse en capacidades técnicas, los líderes impulsan la adopción a través de habilidades fundamentales: criterio, empatía y adaptabilidad. La IA puede estar transformando la forma en que se realiza el trabajo, pero los líderes todavía pueden moldear cómo se vive esa transformación. La IA no reduce la importancia del liderazgo; eleva el estándar de lo que significa liderar.

E

n el ámbito laboral, el argumento a favor de la empatía desde el punto de vista humano es claro: las relaciones sociales son una de nuestras principales fuentes de bienestar, y cuando los trabajadores las experimentan, se sienten más felices y gozan de mejor salud. La investigación también ha demostrado con igual claridad los beneficios para las empresas: los empleados de organizaciones empáticas obtienen mejores resultados, trabajan con mayor dedicación, colaboran de forma más eficaz y aportan ideas más sólidas.

Sin embargo, la IA está poniendo en riesgo la conexión humana. Muchos trabajadores, profundamente preocupados por cómo esta tecnología cambiará sus empleos, están experimentando un aumento de desconfianza y “FOBO” (miedo a volverse obsoletos). Un estudio de 2025 reveló que, cuando las empresas adoptaban IA, los niveles de depresión de los empleados tendían a aumentar con el tiempo.

Todo esto pone de manifiesto la importancia de las relaciones humanas para mantener la salud de los empleados en el lugar de trabajo a medida que se introducen nuevas tecnologías. Sin embargo, la IA también está redefiniendo, en tiempo real, el argumento empresarial a favor de la empatía. Cada vez hay más pruebas que revelan que el éxito de la adopción de la IA depende de la empatía, y que las empresas que priorizan la conexión humana también lideran el camino en innovación tecnológica.

Existen varias razones que lo explican:

1. Sin empatía, los trabajadores innovan menos.

Cuando se cuida a las personas, se sienten seguras, y eso les da la confianza necesaria para asumir riesgos. Esto tiene un enorme impacto en los líderes. Una encuesta de Catalyst de 2021 descubrió que el 61% de los empleados con gerentes empáticos reportaron innovar en el trabajo, en comparación con solo el 13% de los empleados con gerentes poco empáticos. La investigación revela que los líderes empáticos reducen el miedo de sus equipos ante la incertidumbre, permitiéndoles adoptar, explorar e implementar nuevas ideas.

Lo mismo ocurre con la IA. Los datos recopilados entre más de 2,000 empleados mostraron que las personas que se sentían seguras eran más propensas a adoptar herramientas de IA y, en una encuesta del MIT realizada a 500 líderes, el 84% observó una relación entre la seguridad psicológica y los resultados tangibles de la IA. A pesar de esta evidencia, muchos líderes han hecho poco para fomentar la seguridad en torno a las nuevas tecnologías, y la mayoría de las personas sigue viéndolas con cautela. La mayoría de los estadounidenses cree que la IA hará más daño que bien en sus vidas, y solo el 21% cree que puede confiar en ella la mayor parte del tiempo o siempre. Es imposible esperar que las empresas alcancen la madurez en materia de IA si esto no cambia.

2. La implementación de la IA sin empatía hace que la tecnología sea menos eficaz.

En entornos que carecen de cuidado y seguridad, las personas intentan parecer ocupadas frenéticamente, lo que a menudo da lugar a un trabajo de menor calidad. La IA ha vuelto a poner de relieve este problema de nuevas formas. Al decirles que la utilicen y esperar a que simplemente “sean más productivos”, los empleados han generado montones de workslop, es decir, resultados generados por IA que parecen razonables, pero carecen de profundidad o valor. El workslop se crea en segundos, pero les cuesta horas a los colegas que intentan descifrarlo, y en el proceso, deteriora la colaboración.

Esto no es más que un síntoma de un riesgo más profundo. Cuando la IA se implementa en ausencia de empatía o confianza, muchos empleados se oponen activamente a ella. Una encuesta sobre adopción de IA empresarial realizada por Writer encontró que casi un tercio de los empleados (y el 44% de los trabajadores de la Generación Z) admite sabotear las estrategias de IA de sus compañías; por ejemplo, introduciendo información confidencial en modelos no autorizados o manipulando los resultados para que la IA parezca menos efectiva. Esto es poco ético, pero comprensible: cuando las personas se encuentran en un entorno de suma cero con una nueva tecnología, naturalmente, tienden a protegerse a sí mismas.

La ventaja de la empatía

Como todo esto deja claro, las empresas no están aprovechando la IA porque muchos ejecutivos han olvidado que la tecnología solo funciona a través de las personas, y que las personas trabajan mejor cuando se sienten valoradas y cuidadas. Esto también significa que los líderes inteligentes pueden obtener una ventaja en IA apostando por las relaciones humanas. En particular, las siguientes acciones pueden ayudar:

1. Cocrear estrategias de IA.

En muchas empresas, los fracasos en la adopción de la IA son un claro ejemplo de falta de empatía. Los líderes anuncian objetivos ambiciosos y poco realistas, dando a los empleados poca orientación sobre cómo alcanzarlos y aún menos certeza sobre cuál será su papel en un entorno post-IA. Esta es una forma segura de frenar la adopción, fomentar el workslop y aumentar la resistencia.

La empatía implica reemplazar los anuncios por conversaciones y las respuestas por preguntas. Y eso significa hablar con los empleados sobre cómo la IA puede ayudarlos a enfocarse en aquellos aspectos de su trabajo que les resultan significativos. Esta estrategia, a menudo llamada “potenciación” (en contraposición a la automatización), probablemente genere más valor a largo plazo. Pero también puede impulsar la adopción de la IA en el presente, al fomentar una mentalidad colaborativa entre líderes y empleados, y aprovechar eficazmente el conocimiento de todos.

La creación conjunta de estrategias de IA también ofrece a los líderes la oportunidad de fomentar la “justicia procesal” en torno a las nuevas tecnologías. Las personas son más propensas a aceptar las políticas cuando quienes toman las decisiones se comunican con claridad y escuchan a todos los involucrados. En otras palabras, la empatía no solo permite obtener más y mejores aportaciones en las implementaciones de IA, sino que también aumenta las posibilidades de que los trabajadores se sumen al proceso.

2. Centrarse en el nivel intermedio.

Para implementar con éxito la IA, los altos directivos deben comprender la importancia de la empatía, pero no pueden transmitirla por si solos. En 2020, Businessolver descubrió que solo el 10% de los empleados creía que los gerentes eran quienes más influían en la empatía en el lugar de trabajo. Para 2025, ese porcentaje había crecido al 38%.

Los gerentes de primera línea se han convertido en los guardianes de culturas empáticas (y no empáticas) y, sin embargo, este “nivel intermedio” a menudo no recibe la misma formación en habilidades sociales que los altos ejecutivos. Esto crea una brecha entre los valores que los líderes desean promover y la realidad que los empleados viven día a día.

Afortunadamente, la investigación deja claro que la empatía puede enseñarse, y los nuevos programas permiten hacerlo a gran escala. Por ejemplo, Zurich Insurance capacitó recientemente a miles de gestores de siniestros en comunicación empática, mejorando la experiencia y lealtad de los clientes. En la actualidad, se están implementando programas similares (conocidos como “gimnasios de empatía”) para gerentes de primera línea, permitiéndoles practicar escucha, comunicación y retroalimentación. Estas habilidades son atemporales y especialmente importantes para navegar la disrupción causada por la IA.

3. Recordar que la tecnología es humana.

La implementación de la IA requiere estrategias precisas, pero también refleja una filosofía más profunda sobre para qué existe la tecnología. El primer instinto de muchos líderes ha sido reemplazar a las personas con máquinas, mediante automatización laboral y numerosos productos que usan IA para sustituir terapeutas, coaches y amigos. Esta visión extractiva puede apagar la creatividad humana y atrofiar las habilidades sociales, dañando las partes de la vida que muchos de nosotros más valoramos.

Pero siempre existe una alternativa. En lugar de reemplazar a las personas, se pueden desarrollar tecnologías que las conecten más profundamente. Yo llamo a esto “IA para la interdependencia”, y se puede poner en práctica mediante chatbots que animen a las personas a relacionarse entre sí o les enseñen a escuchar. Los lugares de trabajo también pueden usar la IA para fomentar la interdependencia: sugiriendo colaboración entre trabajadores con habilidades complementarias o identificando puntos en común ante los conflictos.

Estos casos de uso ya cuentan con respaldo científico y ofrecen un enorme potencial para los entornos laborales. Y es aún más probable que funcionen si usted fomenta la interdependencia dentro de sus estrategias de IA. La forma más rápida y eficaz de aprovechar bien la tecnología consiste en trabajar con las personas a las que se les pide que la utilicen, y no sin tenerlas en cuenta.

E

n los últimos años, la IA ha pasado de ser un ámbito exclusivo de los equipos técnicos a convertirse en una herramienta de uso generalizado. Antes, la IA operaba detrás de escena (por ejemplo, impulsando productos de consumo o moldeando los contenidos que aparecen en las redes sociales); ahora, el público en general interactúa directamente con asistentes virtuales y chatbots basados en IA generativa. Este aumento en el uso también ha despertado una mayor conciencia sobre los riesgos que pueden acompañar a los sistemas de IA. 

Todo esto ha impulsado la aparición de una nueva profesión: el auditor algorítmico.

Aunque las auditorías se están convirtiendo en un componente central del trabajo con IA, no siguen un proceso predeterminado ni lineal; más bien, están formadas por una red de decisiones distintas, tanto desde el punto de vista empresarial como técnico. A continuación, explicamos lo que los líderes empresariales deben saber sobre el funcionamiento de estas auditorías y cómo pueden ayudar a orientar el proceso.

Cuatro desafíos de las auditorías algorítmicas

¿Qué es una auditoría algorítmica? En pocas palabras, es una forma de responder a una pregunta sobre un sistema algorítmico mediante el análisis de datos sobre cómo interactúan los usuarios y los sistemas. Parte de la dificultad del proceso radica en convertir esas preguntas en algo concreto y operativo, identificando los datos y sistemas adecuados para responderlas.

Este proceso presenta cuatro desafíos comunes:

1. Las auditorías no siguen una línea recta

Con frecuencia, los auditores se encuentran tomando muchos desvíos en el camino, que van desde la pregunta de investigación hasta la respuesta. A medida que conocen mejor el sistema que están auditando y los datos que lo sustentan, a menudo tienen que ajustar el rumbo.

2. La gobernanza de datos es un caos

No es raro que los equipos técnicos dediquen la mayor parte de su tiempo a encontrar los datos adecuados y asegurarse de que puedan interpretarlos correctamente.

3. La confianza interna es esencial

El equipo responsable del sistema auditado puede sentirse amenazado ante la idea de que su trabajo será evaluado, especialmente cuando los auditores son ajenos a su equipo. Esto puede generar un entorno de poca confianza, en el que resulta difícil fomentar la colaboración y donde los incentivos no están alineados.

4. El enfoque está puesto en el pasado

A menos que el sistema esté siendo monitoreado en tiempo real, las auditorías se centran en el pasado. Esto genera ciertos desafíos técnicos: el proceso solo será exitoso en la medida en que los auditores logren reconstruir lo ocurrido.

Lo que los líderes pueden hacer

Antes de que una organización inicie un proceso de auditoría externa, debe seguir ciertos pasos para prepararse.

— Cultura e incentivos: La cultura siempre se define desde arriba. Los líderes deben dejar claro que las auditorías forman parte del trabajo cotidiano, y que no son medidas punitivas o una carga adicional.

— Diseñar la auditoría: Aunque se necesita tiempo y recursos para desarrollar la capacidad de auditoría interna y determinar los procesos adecuados, contar con un equipo interno eficaz puede suponer una ventaja a largo plazo. Por otro lado, los auditores externos no generan fricciones entre las distintas partes de la empresa, lo que podría ser una de las razones por las que a menudo se recurre a proveedores externos (aunque resulten más costosos).

Durante una auditoría

A pesar de que se haya llevado a cabo una preparación adecuada, la auditoría en sí misma puede resultar más complicada de lo que la mayoría esperaría. Los líderes empresariales deben ser conscientes de ello, aceptar el desorden inherente al proceso y ayudar aportando claridad.

— Dar forma al proceso: Los líderes deben tenerlo presente y asegurarse de recibir actualizaciones periódicas sobre las decisiones estratégicas más recientes, para poder ofrecer orientación cuando sea necesario.

También es fundamental que exijan una documentación exhaustiva de todas las decisiones técnicas, incluidas las compensaciones y cualquier métrica indirecta que se haya considerado. Esto ayudará a interpretar los resultados dentro de su contexto específico y con sus limitaciones.