¿Qué hacen de manera diferente las empresas con proyectos piloto de IA exitosos?
A
unque la era de la IA apenas empieza, hemos descubierto que hay cinco capacidades que ya destacan en las organizaciones que han logrado retornos medibles gracias a la IA. A continuación, describimos cómo se aplican en la práctica.
- Agilidad estratégica
Los líderes que sobresalen en esta dimensión priorizan las opciones sobre los planes rígidos y escanean proactivamente las disrupciones antes de que descarrilen el progreso. Se enfocan en el valor empresarial en lugar de la novedad, evitan las trampas de los costos hundidos y equilibran el tiempo con la velocidad.
Por el contrario, quienes no alcanzan este nivel elaboran planes lineales sin reconocer la incertidumbre, defienden el trabajo principalmente por las inversiones previas y seleccionan herramientas sin relacionarlas con objetivos más amplios.
Los líderes que piensan en aplicar este comportamiento a su estrategia de IA deben preguntarse: ¿Tenemos criterios claros sobre cuándo cambiar nuestra estrategia, o estamos atrapados en planes que quizá ya no nos sirven?
- Centralidad en el ser humano
Los líderes fuertes en esta dimensión reconocen que la confianza establece el límite de velocidad para la adopción de la IA. No enmarcan los esfuerzos como una oposición entre los seres humanos y la IA. En su lugar, se preguntan: “¿Cómo puede la IA hacer mejores a los humanos?” Diseñan el cambio con las personas, no para ellas; modelan el uso de la IA personalmente; y construyen seguridad psicológica a través de la empatía y los bucles de retroalimentación.
Por el contrario, los líderes que se quedan cortos implementan cambios de arriba hacia abajo con poca participación, enmarcan la IA principalmente como una herramienta para impulsar la eficiencia en lugar de elevar la contribución, y culpan a los demás en lugar de revisar sus propios enfoques.
Los líderes que deseen aprovecharla para desarrollar su estrategia de IA deben preguntarse: ¿Estamos abordando activamente los temores de los empleados en torno a la tecnología y generando confianza a medida que implementamos proyectos piloto, o estamos dando por sentado que la adopción se producirá por sí sola?
- Curiosidad aplicada
Los líderes que demuestran este comportamiento combinan el escaneo sistemático con la experimentación disciplinada en un esfuerzo por descubrir la mejor manera de aprender y evaluar de manera efectiva. Ejecutan pruebas rápidas y rentables con objetivos de aprendizaje claros, filtran la exageración preguntando: “¿Esto está resolviendo nuestro problema o el de alguien más?” y se preparan a través de experimentos con propósito en lugar de perseguir objetivos poco realistas.
Aquellos que tienen dificultades en esta dimensión delegan la exploración a sus colegas en lugar de modelarla ellos mismos, experimentan sin sacar conclusiones y persiguen titulares sin comprobar los fundamentos.
Los líderes que quieran aplicarlo en el contexto de la IA deben preguntarse: ¿Estamos demostrando un compromiso personal en la experimentación, o dependemos de otros para que exploren y aprendan por nosotros?
- Impulso del desempeño
Los líderes con un fuerte impulso del desempeño rechazan el “teatro de proyectos piloto” en favor de la disciplina del retorno de la inversión y la escalabilidad multifuncional. Mantienen el impulso a través de un impacto continuo y medible, y establecen ritmos de ejecución con una responsabilidad clara.
Aquellos que no se desempeñan bien celebran los proyectos piloto sin resultados escalables, miden el éxito con métricas de actividad en lugar de resultados empresariales, y mantienen vivas las iniciativas de bajo impacto en lugar de eliminarlas.
Los líderes que deseen aplicar esto para impulsar su estrategia de IA deben preguntarse: ¿Estamos canalizando nuestra ambición hacia métricas y resultados empresariales claros, o estamos confundiendo el esfuerzo con el impacto?
- Administración ética
Los líderes fuertes en esta dimensión incorporan la responsabilidad a la IA desde el primer día en lugar de agregarla más tarde. Diseñan una gobernanza que gestiona los riesgos mientras acelera el progreso, haciendo que la transparencia y la supervisión humana sean procedimientos operativos estándar. Estos líderes tratan el sesgo algorítmico como un riesgo empresarial digno de la misma gestión proactiva que los riesgos financieros u operativos.
Por otro lado, los líderes que no están a la altura tratan la gobernanza como algo secundario, minimizan los riesgos de sesgo hasta que se convierten en problemas públicos y priorizan la velocidad de lanzamiento sobre la implementación responsable.
Los líderes que esperan aplicar este comportamiento a su programa de IA deben preguntarse: ¿Estamos incorporando equidad, trazabilidad y responsabilidad desde el inicio, o estamos esperando a que aparezcan los problemas?
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
Although the AI era is still young, we’ve found that five capabilities already stand out in organizations that have achieved measurable returns from AI. Here’s what they all look like in practice.
STRATEGIC AGILITY
Leaders who excel on this dimension prioritize options over rigid plans and proactively scan for disruption before it derails progress. They focus on business value rather than novelty, avoid sunk-cost traps and balance timing with speed.
By contrast, those who fall short on this dimension make linear plans without acknowledging uncertainty, defend work primarily because of prior investments and select tools without connecting them to broader goals.
Leaders thinking about applying this behavior to their AI strategy should ask themselves: Do we have clear criteria for when to pivot our strategy, or are we locked into plans that may no longer serve us?
HUMAN CENTRICITY
Leaders strong on this dimension recognize that trust sets the speed limit for AI adoption. They don’t frame efforts as human versus AI. Instead, they ask, “How can AI make humans better?” They design change with people, not for them; they model AI use personally; and they build psychological safety through empathy and feedback loops.
By contrast, leaders who fall short roll out changes top-down with little input, frame AI primarily as driving efficiency rather than elevating contribution and blame resistance on others instead of revisiting their approaches.
Leaders hoping to make use of it in developing their AI strategy should ask themselves: Are we actively addressing employee fears around the technology and building trust as we implement pilots, or are we assuming adoption will take care of itself?
APPLIED CURIOSITY
Leaders who demonstrate this behavior combine systematic scanning with disciplined experimentation in an effort to figure out how best to learn and test effectively. They run fast, cost-effective tests with clear learning objectives, filter hype by asking, “Is this solving our problem or someone else’s?,” and build readiness through purposeful experiments rather than shiny object chasing.
Those who struggle on this dimension delegate exploration to colleagues instead of role modeling themselves, experiment without drawing conclusions and chase headlines without testing fundamentals.
Leaders wanting to apply it in the AI context should ask themselves: Are we demonstrating personal engagement in experimentation, or are we relying on others to explore and learn for us?
PERFORMANCE DRIVE
Leaders with strong performance drive reject “pilot theater” in favor of ROI discipline and cross-functional scaling. They maintain momentum through continuous, measurable impact and establish execution rhythms with clear accountability.
Those who don’t perform well celebrate pilots without scaled results, measure success with activity metrics instead of business outcomes and keep low-impact initiatives alive rather than sunsetting them.
Leaders hoping to exercise it in advancing their AI strategy should ask themselves: Are we channeling our ambition into clear metrics and business outcomes, or are we conflating effort with impact?
ETHICAL STEWARDSHIP
Leaders strong on this dimension build responsibility into AI from day one rather than bolting it on later. They design governance that manages risks while accelerating progress, making transparency and human oversight standard operating procedures. These leaders treat algorithmic bias as a business risk worthy of the same proactive management as financial or operational risks.
Leaders who fall short, on the other hand, treat governance as an afterthought, downplay bias risks until they become public problems and prioritize launch speed over responsible implementation.
Leaders hoping to apply this behavior to their AI program should ask themselves: Are we embedding fairness, traceability and accountability from the start, or are we waiting for problems to appear?
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.
