Investigación: Por qué no debería tratar a los agentes de IA como empleados
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.
© 2026 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
As AI increases in speed and volume, organizations cannot simply layer it onto workflows built for human pace. Based on our experience as economists studying AI’s impact on organizations and labor markets, we believe that CEOs need to redesign the work of both AI and humans in three key ways:
1. Explicitly redefine workflows and then name new (human) role expectations.
As AI agents take on execution, human roles will increasingly focus on supervision, judgment, relationship building and managing ambiguity. In our work with clients, we find this shift in accountability is going unsaid in many workplaces today while AI native companies build this into their talent model explicitly. As workflows change, so do human roles, requiring new skills that come with new expectations. Leaders must:
— Create the right sphere of accountability and span of control. Oversight capacity does not expand automatically just because output does. Leaders need to redesign spans of control and team size with that in mind.
— Redesign roles at scale and clarify expectations. Set realistic expectations for velocity and volume of work, explicitly state oversight responsibility over AI systems in job descriptions and name the persistent human skills that remain critical.
— Reset performance management. Reward the quality of oversight and effective orchestration of AI system, not just speed and output.
2. Make accountability explicit and personal for employees and agents.
The evidence presented in our study suggests that AI agents should be treated as what they are — software automation that requires clear human accountability for the output and operation. When AI contributes to an outcome, it should be made salient to the responsible humans that are accountable for it. This is especially critical in highly regulated environments.
This requires clear rules of collaboration across humans and agents, grounded in shared objectives and accountability over time, across three fronts:
— Decision rights: Because agents can handle far more flexible situations than traditional automation, it is critical to define what the agent is allowed to do autonomously vs. what requires explicit human approval.
— Escalation: What triggers review? Who intervenes? Who bears the cost of delay or error?
— Consequences: When the agent fails, what happens next? Define how accountability is carried forward over time. Accountable human employees are responsible for monitoring agent performance and providing ongoing improvement.
3. Design and implement a capability building plan for employees managing agents.
The ability to oversee human-agentic systems does not always organically appear, as evidenced by firms only achieving value from AI when they protect employee learning. Organizations need a new managerial tool kit and training curriculum to help employees navigate a different balance between delegation and control when working with AI. Employees must understand the full range of tasks AI can perform, use it as a source of intelligence rather than just task execution and integrate it into workflows in ways that improve decisions. Just as important, they must know when to rely on AI, when to challenge its outputs and where its limitations differ from those of human workers.
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.
