S

i tiene que hacerlo, sea transparente al respecto.

Dada la eficacia con la que la IA puede imitar la escritura humana, no debería sorprender que los CEOs estén experimentando con su uso para redactar mensajes personales. Según un estudio de la Harvard Business School realizado en 2018, el 24% de la jornada laboral de un ejecutivo promedio se destina a la comunicación electrónica. Pero ¿qué pasaría si los CEOs comenzaran a redactar las comunicaciones dirigidas a los empleados utilizando IA generativa?

El año pasado, un grupo de investigadores estudió esta cuestión en Zapier, una empresa estadounidense de software con más de 700 empleados. El profesor Prithwiraj Choudhury, de la Harvard Business School, junto con sus colegas Bart Vanneste (University College London), Xi Kang (Vanderbilt) y Amirhossein Zohrehvand (Leiden University), querían determinar si los empleados podían distinguir entre mensajes escritos por IA y aquellos redactados por el CEO de Zapier, Wade Foster. Utilizando un LLM desarrollado por empleados de la compañía, Choudhury y sus colegas entrenaron un chatbot con mensajes de Slack y correos electrónicos de Foster, declaraciones públicas y otras comunicaciones. El “Wade Bot”, como comenzaron a llamarlo los investigadores, fue diseñado específicamente para escribir como Foster.

“La IA y la automatización están teniendo un gran impacto en cómo y dónde trabajamos”, afirma Choudhury. “Pero cuando pensamos en la próxima frontera de la IA generativa, una de las posibilidades es que los bots personales se comuniquen, asistan a reuniones, escuchen conversaciones y hablen en nuestro nombre. Queríamos determinar hasta qué punto esto podría ser posible hoy en día”.

Los investigadores recopilaron preguntas de 105 empleados para que Foster las respondiera. Tanto el CEO como el Wade Bot dieron sus respuestas, y luego los empleados intentaron identificar cuáles pertenecían a cada uno. Lograron identificar correctamente las respuestas escritas por IA el 59% de las veces.

Hubo otro hallazgo sorprendente. Cuando se pidió a los empleados que evaluaran si las respuestas eran útiles, aquellas que creían que habían sido generadas por IA recibieron calificaciones más bajas, incluso cuando en realidad las había escrito Foster.

Posteriormente, los investigadores realizaron un segundo estudio para determinar si los resultados serían diferentes cuando los evaluadores no tuvieran familiaridad con quien escribía. Reclutaron a 218 personas en Estados Unidos y les pidieron leer respuestas que los participantes creían que habían dado los CEOs durante las conferencias sobre resultados financieros de sus empresas. Mientras que algunas respuestas provenían de conferencias reales, otras fueron generadas por una herramienta de IA que imitaba el estilo de esos CEOs. El estudio encontró que, cuando las personas pensaban que una respuesta había sido creada por IA, la calificaban como menos útil, incluso si provenía de un ser humano. Por el contrario, cuando creían que la respuesta había sido dada por un CEO, la consideraban más útil, incluso si había sido generada por una IA.

En pocas palabras, las personas confían más y valoran más las declaraciones que creen que provienen de un ser humano que en aquellas que atribuyen a la tecnología. Esto sugiere que, aunque la IA puede producir información útil, la percepción de las personas desempeña un papel muy importante en cómo se recibe dicha información.

Aun así, la mayoría de los líderes utilizarán IA generativa de una forma u otra. Según una encuesta de Deloitte realizada en 2024, el 50% de los CEOs en Estados Unidos afirma que sus empresas ya han automatizado la creación de contenido mediante esta tecnología. El 75% dice haber utilizado o estar utilizando personalmente la IA generativa. Si decide hacer lo mismo, Choudhury recomienda seguir tres lineamientos:

1. Sea transparente.

Si sus empleados descubren que ha delegado sus comunicaciones a una herramienta sin informarles, podrían comenzar a creer que cada mensaje que envía ha sido redactado por un bot. La transparencia es fundamental para generar confianza y reducir la aversión que muchas personas sienten hacia la IA generativa. Comunique con claridad cuál es la función de la herramienta y cuáles son sus ventajas. Explique a los empleados qué considera un uso aceptable de esta tecnología, cuáles son sus directrices para utilizar el texto y los datos que generan sus respuestas, y qué tipos de datos utiliza o evita al crear instrucciones y entrenar a los bots.

Su empresa debería contar con reglas que definan hasta qué punto se permite (e incluso se espera) que los empleados utilicen la IA. Evidentemente, usted mismo debe seguir esas reglas, pero también debe informar a los demás sobre cómo está utilizando la tecnología dentro de esos parámetros. Esto ayudará a fomentar un uso constructivo y a responder las dudas que otros puedan tener al respecto.

2. Utilice la IA para mensajes impersonales.

Según la investigación de Choudhury, esta tecnología es más eficaz para comunicaciones formales, como cartas a accionistas o memorandos estratégicos. Evite utilizarla para comunicaciones personales, especialmente con personas que lo conocen bien.

En el experimento de Zapier, los empleados con más antigüedad tuvieron una mayor probabilidad de detectar las respuestas generadas por IA. Por ejemplo, quienes llevaban tres años o más en la empresa tuvieron una tasa de acierto más alta en sus identificaciones (62%) que los empleados más nuevos (58%). Choudhury cree que la familiaridad de estos trabajadores con el estilo de comunicación de Foster limitó la capacidad del bot para imitarlo con éxito. Sin embargo, el estilo personal de un CEO es mucho menos perceptible en una comunicación formal que en un correo electrónico dirigido a un colaborador o en una publicación de LinkedIn.

“Actualmente, el uso previsto debería centrarse realmente en comunicarse con desconocidos o automatizar las partes más rutinarias y tediosas de la escritura”, señala Choudhury. “Podría utilizar IA para responder preguntas sobre su estrategia de precios o sobre lo que espera que ocurra con las tasas de interés durante el próximo año. Pero yo no la utilizaría para redactar un correo electrónico dirigido a un miembro de la junta directiva sobre sus últimas vacaciones”.

3. Revise su trabajo tres veces.

No confíe en la IA generativa para producir respuestas de manera autónoma. La tecnología se equivoca con frecuencia y tiende a depender en exceso de jerga y palabras de moda. Estos desafíos representan riesgos importantes para los CEOs, cuyos mensajes pueden tener un impacto significativo en empleados, accionistas y clientes. En lugar de limitarse a copiar y pegar las respuestas generadas por la IA en un documento, revise y verifique cada palabra, especialmente cuando se trate de mensajes importantes o delicados. También debería pedir a un editor que revise las comunicaciones generadas con ayuda de la tecnología (o, en realidad, cualquier comunicación) para asegurarse de que su significado, tono y personalidad coincidan con lo que usted pretende transmitir.

“Nunca presione ‘enviar’ sin leer y verificar la información del mensaje”, afirma Choudhury. “La IA generativa es una herramienta extraordinaria que ahorrará mucho tiempo a los CEOs, pero no creo que pueda dejar que funcione por completo de forma autónoma. Incluso si responde incorrectamente una sola pregunta, podría enfrentarse a enormes consecuencias no deseadas”.

L

a automatización ofrece una forma de abordar dos desafíos interconectados para los fabricantes occidentales: el escaso crecimiento de la productividad y la escasez de mano de obra. Pero el progreso ha sido irregular. En los Estados Unidos, solo el 12% de las fábricas cuenta con robots, y apenas el 6% ha automatizado a gran escala. La densidad de robots en los Estados Unidos (295 unidades por cada 10,000 trabajadores) está muy por detrás de Japón (419), Alemania (429), China (470) y Corea del Sur (1,012).

He aquí cinco pasos que han demostrado ser fundamentales para hacer que la automatización funcione.

1. Reconozca que la automatización es un cambio en el modelo de negocio.

Con demasiada frecuencia, la automatización se delega a los equipos de operaciones o ingeniería con poco apoyo interfuncional. Eso es un error. La automatización no es solo un asunto de implementación tecnológica. A menudo requiere rediseñar procesos, reorganizar el trabajo y reestructurar la forma en que las organizaciones toman decisiones.

Los líderes que tienen éxito elevan la automatización a la C-suite. Este tipo de movimientos señalan que la automatización no es un experimento: es parte central de la estrategia. La implicación de los altos ejecutivos también cambia el tono a nivel interno y puede generar credibilidad entre los inversionistas, reguladores y socios. En los lugares con altas tasas de adopción de la automatización, estas prioridades se filtran desde los ejecutivos hasta la planta de producción.

2. Defina un caso de negocio ambicioso y realista.

Una de las razones por las que la automatización tiene dificultades para escalar es la “parálisis piloto”, es decir, las empresas experimentan repetidamente con robots en casos de uso aislados y luego los abandonan cuando los resultados no cumplen con los objetivos de retorno de la inversión a corto plazo.

Muchos modelos de ROI se enfocan solo en los ahorros de costos laborales. Pero eso pasa por alto dos puntos críticos: 1) la automatización puede aliviar la escasez de mano de obra (no solo reemplazar personal), y 2) puede mejorar la calidad, aumentar la disponibilidad de datos y habilitar la flexibilidad operativa.

Estamos observando que los períodos de amortización se están acortando: a menudo de uno a tres años, en comparación con los cinco a siete años del pasado reciente. Con gemelos digitales y plataformas modulares, las empresas ahora pueden simular líneas de producción y validar mejoras antes de comprometerse.

¿La lección? Trate la automatización como cualquier otra transformación empresarial. Defina el “qué”, el “por qué” y el “cómo”, y luego escale con disciplina.

3. Construya una pila tecnológica lista para el futuro.

La mayoría de las fallas en la automatización no son causadas por los robots en sí, sino por errores de integración. Solo entre el 25% y el 30% de los costos totales del sistema están ligados al hardware, el resto corresponde a la configuración del sistema para que funcione con los equipos, la infraestructura de tecnología de la información y los flujos de trabajo existentes.

La fragmentación es el problema más común. Muchas herramientas de automatización son de propósito general por diseño, pero las empresas necesitan que funcionen en entornos muy específicos, a menudo propietarios. Esto conduce a integraciones únicas, interoperabilidad limitada y sistemas insostenibles.

Los datos son el combustible para los robots avanzados, especialmente a medida que los modelos fundacionales y los sistemas impulsados por inteligencia artificial se vuelven más poderosos. Las empresas deben mejorar la documentación, la integración y la transparencia para respaldar la escalabilidad.

4. Adopte un enfoque empresarial para equilibrar el riesgo.

Para escalar la automatización con éxito se requiere una estrategia que abarque toda la empresa, con una cartera de proyectos que equilibre las iniciativas de recuperación rápida con inversiones a más largo plazo. Las estructuras de gobernanza centralizadas para asignar capital y evaluar el progreso, como los directores de automatización o los comités directivos interfuncionales, han demostrado ser efectivas.

5. Invierta en las personas desde el principio y con frecuencia.

La tecnología no genera valor, las personas sí. La automatización solo tendrá éxito si la fuerza laboral está lista para ello.

El temor a que los robots nos quiten el trabajo es real. Una de las claves para el éxito es rediseñar las funciones de ingeniería y producción para que se encarguen de identificar e integrar las nuevas tecnologías.

Esto no es un problema tecnológico. Es un problema de gestión, y es uno que los gerentes pueden resolver.

L

a IA no necesita una actualización de ciencia ficción para transformar la economía: los modelos actuales (y las versiones más baratas y potentes que vienen) están a punto de alterar casi todos los rincones del mercado laboral.

Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo afectará la automatización a sus negocios. Para ello, es necesario comprender qué tareas y responsabilidades tienen más probabilidades de estar bajo presión, y trazar un rumbo para mover a la empresa a lo largo de la cadena de valor de la inteligencia antes de que se acabe el tiempo.

¿Qué es lo que no está en riesgo de ser automatizado?

Investigadores, académicos y profesionales han debatido ampliamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos pronto podrían estar en posición de reemplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, la escritura creativa, el diseño e incluso la programación cotidiana están pasando a manos de la IA.

Los pioneros en investigación de IA Ajay Agrawal, Joshua Gans y Avi Goldfarb argumentaron en 2018 que, a medida que avanza la IA, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones bajo incertidumbre. Sin embargo, esa perspectiva nos deja una tarea imposible: definir con precisión qué califica como juicio en un momento dado.

Hoy en día, las tareas que exigen juicio humano (elegir un tratamiento médico, revisar un contrato legal, escribir un guion que capture el espíritu de la época) pronto podrían ser realizadas por IA a medida que los modelos acceden a datos más ricos y mayor capacidad de cómputo. Tampoco podemos asumir que las personas siempre preferirán a un terapeuta, consejero o mediador humano, según investigaciones recientes.

Entonces, ¿cómo podemos separar las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder eso, debemos volver a los principios fundamentales y revisar dónde comenzó todo.

De un concurso de laboratorio a una revolución industrial

A mediados de la década del 2000, la científica computacional Fei-Fei Li observó que el campo de la visión computacional (enfocado en permitir que las computadoras “vean” e interpreten imágenes) enfrentaba un cuello de botella: los algoritmos carecían de datos visuales suficientes para alcanzar el rendimiento humano. Su solución fue contundente: construyó ImageNet, un vasto conjunto de imágenes meticulosamente etiquetadas armado con ayuda de Amazon Mechanical Turk. Pero su verdadero golpe de genialidad llegó en 2010, cuando agregó una clasificación global al conjunto de datos, transformando el reconocimiento de imágenes en una competencia estilo gladiador para investigadores.

Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580, el trío de Toronto logró entrenar una red neuronal convolucional en solo unos días, un enfoque revolucionario que demostró que era posible alterar la historia de la visión computacional con el presupuesto de un estudiante de posgrado.

Ese momento puso fin al largo invierno de la IA, colocó a las redes neuronales en el centro del progreso y reveló el libro de jugadas con el que sigue funcionando este campo: Primero, reunir datos relevantes. Luego, depender de métricas para cuantificar e impulsar el progreso. Por último, inundar el modelo con datos y GPU hasta que aprenda por sí solo.

Datos, recompensa y cómputo

El marco que impulsó el avance en reconocimiento de imágenes es mucho más general de lo que muchos creen. Puede aplicarse siempre que podamos: a) definir el entorno de la tarea y reunir sus datos; b) especificar una recompensa objetivo; y c) proporcionar el poder computacional para permitir que el sistema itere.

Si se apilan esos tres ingredientes, se obtiene un motor de automatización de uso general. Ahora, dos tendencias de datos aceleran este ciclo. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados (por ejemplo, creando “kilómetros de conducción” virtuales que cubran todos los escenarios extraños, en lugar de depender de datos de conductores reales). Y, en segundo lugar, la IA se despliega cada vez más en una variedad de dispositivos y sensores (en teléfonos, autos y otros lugares), capturando y cuantificando señales del mundo real que antes resultaban demasiado costosas o poco prácticas de medir.

Si puede convertir un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. Eso significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.

Prosperar a pesar de las incógnitas desconocidas

Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas incompletos. No solo sobrevivimos a las incógnitas desconocidas: prosperamos con ellas, y esa resiliencia es nuestra mayor ventaja. A lo largo de incontables generaciones afinamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de allí, superamos nuestros límites biológicos, creando herramientas que expandieron nuestros sentidos, memoria y habilidades.

Pero la piedra angular de nuestra ventaja es nuestra corteza prefrontal altamente plástica y densamente conectada. Este centro de comando neuronal nos permite imaginar infinitos “qué pasaría si”, ensayar futuros contrafactuales y ajustar la estrategia en el instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestro talento para la planificación contrafactual abierta y multidisciplinar.

A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas siguen redibujándose. Mientras tanto, convierte lo predecible en rutina, tal como la mecanización agrícola nos sacó de la subsistencia, liberando más de nuestra capacidad cerebral contrafactual para problemas de mayor nivel.

La IA también tendrá dificultades en dominios donde la medición roza lo imposible: como lo demuestra el esfuerzo de una década que el Event Horizon Telescope necesitó para capturar una sola imagen de un agujero negro, y los desafíos aún no resueltos de explorar la física a gran escala, el manto profundo de la Tierra, los océanos abisales o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición esté limitada por la privacidad, la ética o la regulación; donde la sociedad exija un razonamiento transparente; y donde las personas simplemente prefieran un toque humano.

Pero una excepción crucial en lo que puede medirse podría resultar decisiva: tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles.

El crecimiento de una empresa emergente, la asignación de capital o talento a proyectos altamente inciertos, la contención de un nuevo virus, el establecimiento de la política de un banco central durante un cambio de régimen financiero, la redacción de principios éticos de la IA, la invención de un nuevo medio artístico, el inicio de una tendencia de moda o la creación de un nuevo éxito de taquilla que rompa géneros: todas estas tareas se sitúan en zonas donde las probabilidades desaparecen. Algunos actos y descubrimientos creativos no son más que ingeniosas recombinaciones de lo conocido, pero los verdaderamente ambiciosos dependen de nuestra capacidad singular para imaginar nuevos y complejos mundos contrafactuales.

Para los líderes que guían a sus organizaciones en esta transición turbulenta, ¿qué hay más allá de la hoja de cálculo? Todo aquello que no cabe en una celda: las habilidades que se resisten a ser contabilizadas, los problemas abiertos sin precedentes fiables, lo intangible.

En términos generales, la receta es sencilla. Respalde las apuestas arriesgadas con retornos difusos, recompense a los equipos que replantean los problemas y se inclinan por lo desconocido, y rote el talento por las funciones que se enfrentan a la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Reserve tiempo libre y fomente colisiones entre equipos para estimular la serendipia y la recombinación de ideas. No trate esos espacios de ambigüedad planificada como pasivos, sino como activos estratégicos.

Solo los líderes que presten atención a lo que es medible (y, más crucialmente, a lo que obstinadamente no lo es) estarán listos cuando llegue el próximo cambio.

C

omprender cómo las empresas están aprovechando la IA para contratar es fundamental para conseguir su próximo empleo. He aquí cinco formas de prepararse para un proceso de contratación basado en IA, desde su currículum hasta las entrevistas.

Solicitudes, currículums y cartas de presentación

1. Cambie su narrativa. Al actualizar su currículum, desarrolle una narrativa sólida que muestre a los reclutadores y gerentes de contratación sus capacidades únicas y resistentes a la IA. Comience por trazar un mapa de su trabajo actual. Determine qué tareas podrían realizarse mediante IA y automatización, o si todo su trabajo podría volverse obsoleto.

2. Comprenda los filtros de currículum asistidos por IA. Aunque no se espera que la IA reemplace por completo a los reclutadores, muchas organizaciones están utilizando sistemas de seguimiento de candidatos impulsados por IA para filtrar a los posibles candidatos en función de sus habilidades aplicables. Sistemas como Workday, Oracle HCM y Greenhouse seleccionan candidatos calificados de fuentes de talento, tanto internas como externas, y luego evalúan y clasifican a esos candidatos según su nivel de adecuación.

Con un 83% de las empresas informando que están utilizando funciones de IA para filtrar currículums, si su currículum no incorpora casi todas las palabras clave de la descripción del puesto, es posible que nunca sea visto.

3. Utilice IA… con moderación. El hecho de que las empresas estén utilizando IA para seleccionar candidatos no significa que usted deba depender de la IA para redactar desde cero su currículum y carta de presentación. Las empresas son cada vez más conscientes del contenido generado por IA, lo cual podría no jugar a su favor.

Aunque las herramientas como Gemini, ChatGPT o Copilot pueden ser útiles para crear puntos clave concisos, no conocen sus logros y pueden generar un lenguaje similar para cualquier persona que postule al mismo puesto. Por lo tanto, solo debería apoyarse en herramientas de IA para alinear su currículum ya redactado con las palabras clave de carreras específicas.

Entrevistas

4. Prepárese para las entrevistas asistidas por IA. Muchas empresas están utilizando tecnología de IA como HireVue, VidRecruiter, CodeSignal y Brazen para preseleccionar candidatos a través de preguntas escritas y en video. Estos programas evalúan las respuestas para identificar a los mejores candidatos para los reclutadores. Pero el simple hecho de recibir una solicitud para una entrevista en video no significa necesariamente que usted esté en el proceso de contratación: algunas empresas envían estas preguntas a todas las personas que postularon al empleo o a una selección de personas cuyos currículums fueron filtrados por software de selección con IA.

Las preguntas de selección generadas por IA tienden a ser básicas, por lo que debe preparar sus respuestas a las preguntas más comunes con anticipación. Piense en:

— ¿Qué lo hace único?

— ¿Puede hablarnos un poco sobre usted?

— ¿Por qué es usted la persona adecuada para el puesto?

— ¿Por qué quiere trabajar aquí?

A continuación, practique responder estas preguntas por adelantado y grábese. Las herramientas de IA como Interview Prep AI, Interview AI, Huru e Interview Warmup le hacen preguntas comunes de entrevista y luego evalúan sus respuestas en cuanto a completitud y uso de palabras clave. Algunas herramientas incluso pueden ofrecer retroalimentación sobre su lenguaje corporal y forma de hablar.

5. Pregunte sobre el progreso en materia de IA. Debido a que el panorama tecnológico sigue cambiando rápidamente, una vez que tenga la oportunidad de entrevistarse con un humano, querrá comprender si la empresa está utilizando IA y cómo lo está haciendo.

Comprender el progreso de una organización en la implementación de la IA puede brindarle información sobre cómo podría lucir su éxito a largo plazo allí. Si determina que está postulando a una empresa que ya implementa IA, es posible que tenga menos temor de que su trabajo desaparezca en uno o dos años, ya que la empresa ya está buscando nuevas competencias para complementar sus programas de IA. Las empresas que aún no están innovando en el campo de la IA podrían estar contratando conjuntos de habilidades para seguir operando mientras debaten las implementaciones de IA, lo cual podría poner en riesgo su puesto de trabajo en el futuro.

L

os vehículos automatizados prometen salvar miles de vidas, pero los conductores que sobreestiman sus propias habilidades de conducción pueden retrasar su adopción.

Los vehículos automatizados podrían transformar la seguridad vial al prevenir muchas de las más de 42,000 muertes por accidentes de tránsito que se producen cada año en los Estados Unidos como consecuencia de errores humanos. Sin embargo, la mayoría de los conductores siguen siendo reacios a entregar las llaves de un vehículo autónomo. La gente tiene muchas preocupaciones razonables sobre el rendimiento, los riesgos y las pruebas, pero los sesgos psicológicos también tienen la culpa.

Nuestra nueva investigación, publicada en el Journal of the Association of Consumer Research, revela un sesgo que impide la adopción de los vehículos automatizados: el egoísmo humano. Los participantes en la investigación creían que los vehículos automatizados serían razonablemente fiables y seguros. Pero los participantes creían que serían conductores más seguros y fiables que los vehículos automatizados y otros automovilistas, lo que tiene implicaciones sobre cómo las empresas y los formuladores de políticas deberían comunicar los beneficios de los vehículos automatizados.

A través de múltiples experimentos con 1,600 estadounidenses de entre 18 y 86 años, descubrimos que la mayoría de las personas preferían automóviles menos automatizados para ellos que para los otros.

Nuestra investigación sugiere cinco formas basadas en evidencia para que los fabricantes de automóviles y los responsables de políticas aceleren la adopción generalizada de los vehículos automatizados:

1. Enmarcar los beneficios de los vehículos automatizados para la seguridad de los demás y no sólo para el objetivo de la promoción

Para aumentar su adopción, las comunicaciones de marketing y la divulgación pública podrían centrarse en los beneficios de los vehículos automatizados para los demás y no solo para uno mismo. Las personas pueden ser más receptivas a los vehículos automatizados, y a las políticas que fomentan su adopción, si se promocionan los beneficios de seguridad para otros (por ejemplo, sus hijos y padres).

2. Posicionar los vehículos automatizados como complementos, no como sustitutos de los conductores humanos

Las personas son reacias a automatizar tareas que consideran fundamentales para su identidad porque realizarlas bien manualmente refuerza su autoestima. Los amantes de la conducción prefieren los automóviles con transmisión manual a los automáticos, por ejemplo, para poder atribuirse a sí mismos la buena conducción y no a una máquina. Los consumidores que se identifican con la conducción deberían ser más propensos a comprar un vehículo automatizado si se comercializa como un complemento de sus habilidades al volante en lugar de sustituirlas.

3. Proporcionar datos concretos sobre los accidentes causados por conductores humanos frente a los vehículos automatizados

La investigación ha descubierto que los consumidores aceptan mejor las herramientas automatizadas para realizar tareas cuando la información sobre dichas herramientas se enmarca en términos objetivos, y no subjetivos. Comparar a humanos y vehículos automatizados en función de resultados concretos, como estadísticas de accidentes o factores ambientales (por ejemplo, consumo de combustible o emisiones), podría aumentar la aceptación de la conducción automatizada.

4. Educar a los consumidores sobre sus sesgos

Informar a los consumidores sobre las evaluaciones autosuficientes de la habilidad para conducir podría llevarlos a evaluar su capacidad de conducción con mayor precisión y aumentar la adopción. Se ha demostrado que las intervenciones, como mostrar videos instructivos a los participantes de la investigación, pueden reducir los sesgos egoístas similares. Los fabricantes de automóviles también podrían proporcionar información personalizada sobre las habilidades de conducción.

5. Introducir incentivos

Los incentivos (como descuentos en seguros, exenciones fiscales y carriles reservados para los consumidores que adoptan vehículos automatizados) podrían llevar a los consumidores a centrarse menos en lo que pierden al viajar en un vehículo automatizado (especialmente su sensación de control) y centrarse más en todos los beneficios que obtienen gracias a esos incentivos.

Estas intervenciones específicas ofrecen vías que los responsables de políticas y los fabricantes pueden seguir para aumentar la aceptación pública de niveles más altos de automatización de vehículos y una mayor seguridad vial. Dado que cada 23 segundos se produce una muerte en carretera, una mejor divulgación podría ser cuestión de vida o muerte.

E

ste año se cumple el 50 aniversario del clásico artículo de Henry Mintzberg, «The Manager’s Job: Folklore and Fact«.

Mucho ha cambiado en las últimas cinco décadas, por lo que decidimos reconectar con Mintzberg, quien a sus 85 años sigue activo en el campo desde su puesto en la facultad de la Universidad McGill en Montreal, para conocer su opinión sobre el estado actual de la gestión.

Usted ha escrito muchos artículos y libros canónicos en el ámbito de la gestión. ¿Cómo resumiría su contribución al campo?

Creo que lo que mejor hago es replantear las cosas. Reformulé la estrategia para ayudar a las personas a verla más como un proceso de aprendizaje que de planificación. He replanteado la noción de cómo capacitar mejor a los gerentes, no mediante estudios de caso, sino a través del aprendizaje social en aulas donde los gerentes pueden compartir sus experiencias. Y con el artículo que escribí para HBR hace 50 años, traté de reformular nuestra concepción del trabajo gerencial.

Sobre la estructura organizacional, veo que recientemente actualizó el libro que escribió sobre el tema (“Understanding organizations”). ¿Qué le llevó a querer revisarlo?

La necesidad nunca ha sido mayor. Vivimos en un mundo dominado por las organizaciones. Y, sin embargo, muchas personas, a veces incluso quienes dirigen esas organizaciones, no las entienden completamente. Un académico se ha referido a los hospitales como «fábricas enfocadas». ¿Quién quiere que su bebé nazca en una fábrica enfocada? Esta confusión tiene consecuencias reales.

Explique más sobre esa confusión. ¿Cuáles son las consecuencias?

Muchas personas agrupan a todas las organizaciones como si fueran iguales, asumiendo que una sola fórmula sirve para todas. No reconocen las diferencias fundamentales entre, por ejemplo, un McDonald’s y el Hospital General de Massachusetts. No se pueden aplicar los mismos principios de gestión a ambos.

Mi trabajo identifica cuatro formas organizacionales fundamentales: la organización personal, como una startup emprendedora; la organización programada, como McDonald’s con sus procesos estandarizados; la organización profesional, como un hospital, que depende de la experiencia de sus profesionales; y la organización de proyectos, como una empresa cinematográfica o un laboratorio de investigación que se construye en torno a proyectos específicos.

El punto es que no se puede gestionar efectivamente si ni siquiera se entiende qué tipo de organización se está dirigiendo.

¡Exactamente! Comprender la verdadera naturaleza de su organización es esencial para tomar las decisiones correctas. Es la base para todo lo demás.

Su trabajo anterior subrayó la importancia de la «estrategia emergente», la idea de que las estrategias se aprenden, no se planifican. ¿Ese concepto se extiende también a la estructura?

Absolutamente. Aprendemos la estructura, no deberíamos simplemente imponerla desde arriba. Piense en los diseñadores de parques que trazan caminos en forma de S, pero la gente camina directamente de A a B, creando sus propios senderos. El diseñador inteligente allana los caminos que la gente crea.

La reestructuración debería seguir el mismo principio: dé a las personas la oportunidad de trabajar juntas, observe cómo se conectan de forma natural y luego construya la estructura en torno a esas conexiones. ¡Allane el camino!

¿Cómo pueden los líderes aplicar estos conceptos para mejorar sus propias organizaciones? ¿Cuáles son las conclusiones prácticas?

Todo comienza reconociendo qué tipo de organización realmente es. Si contrata a un ejecutivo de transporte para dirigir una escuela de negocios, como sucedió una vez, es probable que pierda a sus mejores profesores.

Diferentes tipos de organizaciones, incluso dentro de la misma industria, pueden funcionar de maneras muy distintas. Piense en el sector de los restaurantes: tiene el diner de la esquina controlado por el dueño, la comida rápida como McDonald’s, los restaurantes gourmet que son profesionales y el catering, que se basa en proyectos.

Al final del día, ¿cómo se define una buena gestión?

Como he intentado mostrar en mi trabajo, gestionar no es planificar, organizar o coordinar, (estas no son más que palabras para controlar). Es «caos calculado y desorden controlado», para citar una reseña del New York Times de mi primer libro.

Entonces, ¿qué es lo que los gerentes no entienden sobre cómo ser efectivos?

Creo que el énfasis en el «liderazgo» es una gran parte del problema. Los académicos en liderazgo como Warren Bennis y Abe Zaleznik han argumentado que el liderazgo es más importante que la gestión. Creo que eso es muy destructivo. Tenemos demasiado liderazgo «elevado», cuando lo que necesitamos es una gestión fundamentada.

¿Puede dar un ejemplo de una buena gestión fundamentada?

Hay una historia ilustrativa sobre Jack Welch, que me contó uno de sus asistentes. En un momento en que dirigía GE, la compañía tenía problemas para automatizar la producción en su fábrica de bombillas. El gerente de la división seguía prometiendo que pronto se solucionaría, pero el problema persistía.

Por ello, Welch voló a la fábrica, no a la sede de la división, sino a la fábrica misma. Se metió bajo la máquina con los ingenieros y se dio cuenta de que no podían resolver un aspecto del software. Así que los conectó con gente de la división de motores a reacción de GE, que tenía mayores habilidades en software, y resolvieron el problema.

La moraleja no es que el CEO deba solucionar cada problema. Es que, si está gestionando algo, baje al terreno para ver qué está pasando realmente.

Bien, supongamos que una organización se da cuenta de que está mal gestionada. ¿Qué puede hacer al respecto?

La selección es clave, en todos los niveles. Contratar a la persona equivocada, a alguien con la mentalidad incorrecta, puede ser desastroso. Casi siempre las contrataciones se deciden desde la alta dirección, y eso a menudo nos deja con «jefes que adulan hacia arriba y patean hacia abajo».

Una forma de evitar esto es dar voz a las personas que mejor conocen a los candidatos, es decir, a los que han sido gestionados por ellos. No para que los elijan (aunque en las consultoras a menudo los socios eligen al jefe), sino para obtener información directa sobre cómo gestionan.

¿El mundo empresarial ha cambiado fundamentalmente desde que empezó a estudiarlo?

Por un lado, creo que la gestión de las grandes empresas se ha vuelto mucho más tecnocrática (lo que podríamos llamar gestión por control remoto), mientras que, por otro lado, parece haber un resurgimiento del emprendimiento a gran escala.

Hay otro hallazgo interesante en respuesta a esta pregunta: las organizaciones tienden a reflejar la época en que fueron fundadas. Los ferrocarriles suelen estar organizados de la manera en que lo están debido a la época en que surgieron, y lo mismo podría decirse de las compañías automotrices, y así sucesivamente. La mayoría de las industrias que crecieron después de la Segunda Guerra Mundial parecen depender de estructuras basadas en proyectos.

¿Qué hay sobre el impacto de la automatización? ¿Cómo cambia eso la estructura organizacional?

La automatización lo cambia todo. Si automatiza la producción en masa, básicamente convierte una burocracia en una “adhocracia.” Si antes había miles y miles de personas haciendo trabajos mecánicos, al automatizar todo eso se sustituyen por ingenieros que diseñan y dan mantenimiento a las nuevas máquinas. Se transforma una organización de producción en serie en una organización de proyectos personalizados. La automatización obliga a replantear la forma de hacer las cosas.

E

l impacto de la IA, y en particular de la IA generativa, está sintiéndose en todas las industrias. Pero mientras los ejecutivos están entusiasmados con el potencial de esta tecnología, los trabajadores a menudo desconfían de lo que podría significar para ellos, sus trabajos y su futuro. Estas percepciones divergentes están creando nuevas tensiones y presentando nuevos desafíos para ambos grupos.

Estas tensiones tienen su origen (directa o indirectamente) en el acceso a datos contextuales de alta calidad. Los datos son la información que necesitan los algoritmos de aprendizaje automático para funcionar, y la IA está compuesta por estos algoritmos. Por lo tanto, quienes tienen acceso a datos de alta calidad pueden entrenar IA de alta calidad. A menos que los trabajadores y las organizaciones puedan abordar este problema de los datos de una manera significativa y duradera, el conflicto continuará dirimiéndose mediante enfrentamientos y negociaciones parciales.

Las cooperativas de datos ofrecen un camino significativo hacia adelante. Son un modelo organizacional que permite a las personas agrupar sus datos con el propósito de obtener poder de negociación frente a las empresas que analizan sus datos. Estas cooperativas enfatizan el control individual, el uso ético y el trato justo, y permiten a los usuarios conservar la propiedad y el control de su huella digital. Además, en muchos casos, ofrecen la monetización con fines de lucro de los datos de los miembros de la cooperativa, permitiendo que terceros obtengan información de esos datos (de una manera responsable y que preserve la privacidad).

Los datos como un nuevo factor de producción

El impacto de la tecnología en los empleados y sus empleadores suele analizarse como un juego de suma cero entre ambas partes, donde la automatización aumenta las ganancias de los empleadores mientras reduce los puestos de trabajo para los empleados. Sin embargo, la dependencia de la IA de los datos frescos desafía esta visión.

Las organizaciones que dependen de las capacidades actuales de la IA pueden (tarde o temprano) descubrir que los algoritmos que utilizan comienzan a funcionar peor que antes debido a la «decadencia del modelo», es decir, el deterioro del rendimiento de la IA con el tiempo. La razón es que los datos con los que fueron entrenados ya no son representativos de la realidad en la que la IA debe operar.

Nuestras preferencias, contexto, sentido del humor, gustos y modas cambian constantemente. Y nosotros, los humanos, somos necesarios para revelar nuestras preferencias. Los datos más valiosos serán sobre nosotros mismos, y es nuestra interacción con los sistemas digitales la que genera esos datos. Eliminar al ser humano implica eliminar los datos sobre la persona para la cual la IA está diseñada para generar contenido.

Este hecho, que surge únicamente de la naturaleza de la IA y no de otras tecnologías que en el pasado han afectado al mercado laboral, sorprendentemente puede ayudar a alinear las necesidades de los empleadores y los empleados, ya que los empleados humanos son fundamentales para generar nuevos datos que eventualmente impulsen la IA.

Las cooperativas de datos son a los datos lo que los sindicatos son al trabajo

En el contexto laboral, son los conocimientos de primera mano de los empleados, sus habilidades para resolver problemas y sus competencias en evolución las que cambian con cada nuevo desafío e innovación. Por lo tanto, los datos más valiosos para la IA que puede asumir las tareas de los trabajadores provendrán directamente de las tareas que estos realizan.

Es aquí donde las cooperativas de datos ofrecen un nuevo enfoque para la gestión de datos al permitir que los trabajadores sean copropietarios y gestionen sus datos colectivos a través de un proceso de toma de decisiones más o menos descentralizado. Esto sucede porque los miembros de una cooperativa de datos pueden extraer datos que actualmente están aislados en diferentes fuentes y combinarlos en un solo conjunto. La agregación de datos que los miembros generan a partir de diversas fuentes y situaciones puede conducir al desarrollo de nuevos productos, servicios y modelos de negocio que serían inalcanzables mediante contribuciones individuales o utilizando datos de una sola fuente.

Además, una vez que los trabajadores comienzan a ver la monetización de sus datos por parte de las cooperativas, es mucho más probable que reorganicen sus propios procesos para facilitar una mejor recopilación de datos, lo que a su vez puede generar mejores resultados de IA para la organización y mayores ingresos por datos para los trabajadores.

Ahora que los datos se utilizan cada vez más como un factor de producción (es decir, como insumo) en la economía, parece natural que las cooperativas de datos surjan como una solución. Esta es la misma lógica que llevó al desarrollo de los sindicatos en el pasado: la fragmentación de la estructura de propiedad del factor de producción (ya sea datos o trabajo) impide que cualquier individuo tenga poder de negociación frente al empleador.

Lo que esto significa para el futuro de las relaciones laborales

Para que se libere este valor económico (y para que tanto empleadores como empleados prosperen en la economía de los datos) todos los involucrados deben aumentar su nivel de alfabetización en datos. Tanto los trabajadores como los empleadores deben comprender cómo los datos crean valor mediante la agregación y el análisis para revelar información y patrones que puedan mejorar la toma de decisiones y entrenar modelos de IA. Además, los empleados deben comprender cómo contribuyen a la creación y gestión de dichos datos mientras trabajan, y utilizar la influencia colectiva que les otorgan las cooperativas, con el fin de tener una discusión adecuada sobre el futuro del trabajo.

Para aprovechar al máximo los datos que las personas producen y, al mismo tiempo, garantizar que los trabajadores tengan control sobre qué datos ofrecen y reciban una compensación justa por ellos, los empleadores y los empleados deben seguir estos pasos para poder dar forma al futuro de la economía digital y, por ende, al futuro del trabajo:

1. Evaluar los recursos y el potencial de los datos internos de la organización.

Los empresarios y los empleados deben comenzar por realizar una auditoría exhaustiva de los datos que la organización ya recopila y genera, centrándose en identificar los datos que podrían ser valiosos para la formación o el análisis de IA.

2. Involucrar a los empleados en programas de alfabetización en datos.

Las organizaciones pueden implementar programas de capacitación para mejorar la alfabetización en datos de sus empleados. Al formarlos sobre cómo sus actividades diarias generan datos valiosos, la importancia de estos datos en el desarrollo de la IA y cómo pueden participar en cooperativas de datos, se crean conocimientos valiosos.

3. Incorporar cláusulas de cooperativas de datos en los contratos de trabajo.

Al actualizar los contratos de trabajo para incluir cláusulas que reconozcan los derechos de los empleados sobre sus datos y describan cómo pueden utilizarse sus datos en cooperación con las cooperativas de datos, las organizaciones pueden posicionarse como pioneras en este ámbito. Esto garantizaría la transparencia y proporcionaría un marco jurídico para el uso de los datos, y puede ayudar a atraer nuevos talentos.

Dada la naturaleza dinámica de la sociedad, la IA necesitará (al menos en el futuro previsible) los datos y la orientación de los humanos para generar valor real. Por lo tanto, los trabajadores, deben enfocarse en comprender la interacción entre capital, trabajo y datos, y comenzar a guiar la discusión sobre el futuro del trabajo con una comprensión adecuada de la naturaleza de la IA.

Los líderes empresariales también deben comprender las dependencias entre capital, trabajo y datos para proponer proactivamente marcos colaborativos que permitan a las organizaciones (y por ende a la sociedad) prosperar en la era de la IA.

L

a manera en que los humanos interactúan y colaboran con la IA está dando un salto dramático hacia adelante con la IA agéntica. Mientras que los asistentes de IA anteriores se basaban en reglas y tenían una capacidad limitada para actuar de forma independiente, la IA agéntica estará capacitada para hacer más en nuestro nombre. Pero, ¿qué es exactamente la IA agéntica?

«Se puede definir la IA agéntica con una palabra: proactividad», dijo Enver Cetin, experto en IA de la firma global de ingeniería de experiencias Ciklum, a quien entrevisté. «Se refiere a sistemas y modelos de IA que pueden actuar de forma autónoma para alcanzar objetivos sin la necesidad de una guía humana constante. El sistema de IA agéntica comprende cuál es el objetivo o la visión del usuario y el contexto del problema que están tratando de resolver».

Para lograr este nivel de toma de decisiones y acción autónoma, la IA agéntica se basa en un complejo conjunto de diferentes tecnologías de aprendizaje automático, procesamiento de lenguaje natural y automatización. Aunque los sistemas de IA agéntica aprovechan las capacidades creativas de los modelos de IA generativa como ChatGPT, difieren en varios aspectos. En primer lugar, se centran en la toma de decisiones más que en la creación de contenido. En segundo lugar, no dependen de indicaciones humanas, sino que se configuran para optimizar objetivos o metas particulares. Y, en tercer lugar, a diferencia de la IA generativa, también pueden llevar a cabo secuencias complejas de actividades, buscando de manera independiente en bases de datos o activando flujos de trabajo para completar tareas.

Las ventajas de trabajar con IA agéntica

Con sus capacidades potenciadas de razonamiento y ejecución, los sistemas de IA agéntica prometen transformar muchos aspectos de la colaboración entre humanos y máquinas, especialmente en áreas de trabajo que anteriormente estaban aisladas de la automatización basada en IA, como la gestión proactiva de sistemas de TI complejos para prevenir fallas; la reconfiguración dinámica de cadenas de suministro en respuesta a interrupciones geopolíticas o meteorológicas; o la interacción realista con pacientes o clientes para resolver problemas.

Tres de los principales beneficios serán una mayor especialización de la fuerza laboral, una mayor confiabilidad de la información y una innovación mejorada.

1. Mayor especialización

La importancia de la especialización de la fuerza laboral (la «división del trabajo») se comprende desde la célebre visita de Adam Smith a una fábrica de alfileres en los primeros párrafos de «La riqueza de las naciones«. La especialización aporta mayor eficiencia y aprendizaje a través de la práctica e innovación, sin embargo, puede ser difícil de implementar cuando las empresas se enfrentan a la escasez de mano de obra y a la falta de adecuación entre las funciones y las capacidades humanas disponibles. Dado que los modelos agénticos están diseñados explícitamente para realizar tareas muy detalladas, permiten una mayor especialización de los roles en comparación con los anteriores sistemas de automatización más generales.

2. Innovación

Con su juicio mejorado y sus capacidades de ejecución, los sistemas de IA agéntica son ideales para la experimentación y la innovación. Los modelos de IA multiagente también pueden escanear y analizar vastos espacios de investigación (como artículos científicos y bases de datos) en una fracción del tiempo que le tomaría a equipos de científicos e investigadores humanos.

3. Mayor confiabilidad

El mayor razonamiento cognitivo de los sistemas de IA agéntica significa que es menos probable que sufran las llamadas alucinaciones (o información inventada) comunes en los sistemas de IA generativa. Los sistemas de IA agéntica también tienen una capacidad significativamente mayor para filtrar y diferenciar las fuentes de información según su calidad y fiabilidad, aumentando el grado de confianza en sus decisiones. Por ejemplo, mientras que la información del cliente a menudo se encuentra dispersa en diferentes formatos en distintas partes de una empresa (correos electrónicos, bases de datos, hojas de cálculo y similares), un sistema de IA agéntica puede discernir rápidamente que la información más fiable y actualizada probablemente se encuentre en los sistemas de gestión de relaciones con los clientes (CRM) de la empresa.

Casos de uso potenciales

Aunque muchas aplicaciones de la IA agéntica siguen siendo experimentales o están en fase piloto, ya están empezando a emerger aplicaciones potenciales en diferentes industrias y funciones. Algunos ejemplos incluyen:

Servicio al cliente

A diferencia de los bots de servicio al cliente tradicionales que estaban preprogramados con un rango limitado de respuestas y acciones, los agentes de servicio al cliente agénticos pueden captar rápidamente las intenciones y emociones de los clientes y tomar medidas independientes para resolver consultas y problemas.

Manufactura

Desde el control del flujo de las líneas de producción hasta la personalización de productos y la formulación de sugerencias para mejorar el diseño de los productos, es probable que la IA agéntica tenga múltiples aplicaciones en la manufactura inteligente. Los datos de sensores conectados a máquinas, componentes y otros activos físicos en fábricas y transportes pueden ser analizados por sistemas de IA agéntica para predecir el desgaste y las interrupciones de producción, evitando el tiempo de inactividad no programado y los costos asociados para los fabricantes.

Soporte de ventas

Para los agentes de ventas, el objetivo crucial de encontrar y desarrollar oportunidades comerciales a menudo queda enterrado bajo una avalancha de correos electrónicos, papeleo y otras tareas administrativas mundanas pero necesarias. Los sistemas de IA agéntica podrían liberar significativamente a los equipos de ventas de gran parte de esta actividad que consume mucho tiempo.

Salud y cuidados sociales

Su capacidad para adaptarse a diferentes entornos, interpretar emociones humanas y mostrar empatía hace que los sistemas de IA agéntica sean ideales para trabajos no rutinarios que requieren habilidades interpersonales, como la atención médica y el cuidado de personas.

Los desafíos por delante

A pesar de su gran potencial para transformar la colaboración entre humanos y máquinas, y aumentar la eficiencia y el crecimiento empresarial, los sistemas de IA agéntica aún se encuentran en una etapa relativamente temprana de desarrollo. Además, pese a sus mayores capacidades de razonamiento y ejecución, no eliminan los desafíos tradicionales de la gestión de equipos; más bien, los transforman. Al igual que con los equipos humanos tradicionales, los gerentes deben seguir prestando atención a la composición del equipo, la asignación de funciones y la definición de metas adecuadas para garantizar el éxito de los equipos híbridos o de los sistemas de IA agéntica.

Claves para el éxito

Para aprovechar las oportunidades que ofrece la IA agéntica y, al mismo tiempo, mitigar los riesgos, los gerentes deben considerar las siguientes acciones clave:

Establecer objetivos SMART

Al igual que el rendimiento de los equipos humanos puede verse obstaculizado por objetivos mal definidos o poco claros, los sistemas de IA agéntica también pueden desviarse si no se establecen metas precisas. Cetin, de Ciklum, destaca la importancia de fijar objetivos exhaustivos: «Para que la IA agéntica tenga éxito, los modelos deben tener objetivos y subobjetivos SMART (específicos, medibles, alcanzables, relevantes y con tiempo definido) y saber cómo medirlos. Como gerentes, necesitamos establecer bucles de retroalimentación para ajustar los modelos a medida que aprendemos más sobre su desempeño».

Prestar atención a la selección del equipo

En comparación con la IA generativa, que se basa en gran medida en hacer preguntas concretas a modelos de lenguaje de gran tamaño, la IA agéntica es mucho más un esfuerzo de equipo. Al igual que en los equipos humanos, es probable que surjan problemas de coordinación, conflictos y gestión de recursos. Los gerentes que utilicen sistemas de IA agéntica deberán prestar especial atención a la selección del equipo, asegurándose de contar con la combinación adecuada de roles agénticos que lleven a cabo las tareas correctas de manera eficiente.

Estructurar el espacio de decisión

Aunque los modelos de IA agéntica están diseñados explícitamente para evaluar opciones y ejecutar secuencias complejas de acciones, no son infalibles y pueden cometer errores, al igual que los humanos. La ciencia del aprendizaje destaca la importancia del «andamiaje» en el aprendizaje, que consiste en exponer a los aprendices a la práctica del mundo real con salvaguardas que se retiran progresivamente a medida que aumenta la experiencia.

Desde los primeros días de los autómatas mecánicos hasta los bots conversacionales más recientes, los científicos e ingenieros han soñado con un futuro en el que los sistemas de IA puedan funcionar y actuar de forma inteligente e independiente. Los avances recientes en la IA agéntica acercan ese futuro autónomo un paso más a la realidad.

L

as tecnologías nuevas y disruptivas suelen generar tanto entusiasmo como ansiedad, y la IA generativa no es la excepción.

Sin embargo, creemos que gran parte del potencial no aprovechado de la IA generativa está siendo frenado por cinco mitos persistentes que limitan a los líderes de marketing y ventas:

Mito 1: La IA generativa solo es útil en las etapas iniciales de identificación de clientes.

La IA generativa ha demostrado su utilidad en la “parte superior del embudo”, especialmente en la generación de prospectos, y en la recopilación y análisis de información de los clientes. Sin embargo, su potencial se extiende a lo largo de todo el embudo, ofreciendo beneficios como la creación de contenido personalizado, el apoyo en investigaciones, el análisis de la competencia, la redacción automatizada de propuestas y la evaluación del rendimiento.

En muchos de estos casos, el juicio y la creatividad humana seguirán siendo esenciales, pero la IA generativa puede hacer gran parte del trabajo tedioso. Por ejemplo, una empresa de soluciones empresariales utilizó IA generativa para proporcionar informes a los vendedores antes de sus reuniones, incluyendo detalles de la cuenta, un resumen de interacciones previas e información sobre la propuesta de valor. ¿El resultado? Un aumento del 10% en la productividad de las ventas por segmento.

Mito 2: La IA generativa necesita un grán número de clientes o transacciones para que valga la pena.

Si bien la IA generativa ha demostrado su eficacia en la automatización de interacciones y transacciones para grandes bases de consumidores, como en la banca y el comercio minorista, también es valiosa en entornos de empresa a empresa (B2B), incluidos los acuerdos de gran escala y clientes corporativos.

En primer lugar, la IA generativa mejora la gestión del conocimiento y el procesamiento de datos a gran escala. Los vendedores pueden ahorrar una cantidad significativa de tiempo en la investigación de productos y la redacción de correos electrónicos. En segundo lugar, puede empoderar a los vendedores y gerentes de cuentas clave al extraer información de datos no estructurados y proporcionar planes de cuenta e inteligencia comercial en tiempo real mediante la captura automática de información pública, como anuncios, noticias y notas de reuniones internas.

Mito 3: La IA generativa no es lo suficientemente avanzada para resolver problemas complejos de los clientes.

Algunos profesionales de marketing y ventas siguen considerando la IA generativa simplemente como una interfaz de chat que responde preguntas. Sin embargo, las empresas líderes están entrenando agentes autónomos para realizar tareas internas y orientadas al cliente en múltiples canales, una práctica conocida como “agente de IA” (agentic AI).

Por ejemplo, un importante fabricante de equipos empleó agentes de ventas impulsados por IA generativa para automatizar las interacciones por correo electrónico relacionadas con el reemplazo de piezas. Estos agentes interactuaron con casi 50,000 clientes y generaron más de un millón de cotizaciones en el primer mes.

Mito 4: Los datos de nuestros clientes y productos están demasiado desordenados como para que la IA generativa funcione bien.

La IA generativa puede acelerar el procesamiento de datos y abordar muchos de los desafíos comunes en la gestión de información, ayudando a las empresas a organizar y mantener sus datos en buen estado. Por ejemplo, puede mejorar la categorización de piezas para optimizar precios o traducir el contenido de un sitio web en fichas de producto personalizadas basadas en consultas previas de los clientes.

Además, muchos casos de uso valiosos no requieren grandes cantidades de datos estructurados. La recuperación eficaz de información puede lograrse utilizando modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) disponibles públicamente junto con materiales internos básicos, como manuales de productos y documentos de preguntas y respuestas para la resolución de problemas.

Mito 5: La IA generativa tarda demasiado en implementarse.

Las empresas no necesitan reinventar la rueda al implementar IA generativa. Las soluciones estándar están ampliamente disponibles y la experiencia externa puede ayudar a desarrollar las capacidades distintivas incrementales que impulsan la ventaja competitiva. Gran parte de la complejidad asociada con la implementación de IA generativa radica en la creación de LLM, los cuales ahora están disponibles como servicio. Muchos proveedores de software empresarial también incorporan la IA generativa en sus herramientas, permitiendo a las organizaciones aprovechar sus funcionalidades con un esfuerzo mínimo. Cuando se requiere personalización, generalmente implica vincular la funcionalidad con procesos comerciales específicos, lo que puede lograrse en cuestión de semanas.

L

a inteligencia artificial está generando avances impresionantes para muchas empresas: automatiza el servicio al cliente, optimiza las cadenas de suministro y potencia el marketing. Sin embargo, aunque este progreso incremental es valioso, no prepara a las empresas para las grandes olas de disrupción impulsadas por la IA que se avecinan.

Los riesgos y costos de oportunidad de centrarse únicamente en el incrementalismo están bien documentados. La revolución digital que cobró impulso a finales de la década de 1990 es un ejemplo de advertencia. Las cadenas hoteleras digitalizaron sus operaciones e interfaces con los clientes, pero cedieron valor a nuevos competidores con modelos de negocio que daban prioridad a lo digital, como las agencias de viajes en línea y las plataformas de alojamiento y experiencias entre particulares. Las empresas de medios tradicionales digitalizaron su contenido, pero perdieron audiencia e ingresos publicitarios frente a las redes sociales, que transformaron la forma de crear, compartir, interactuar y monetizar los contenidos.

Con la IA avanzando más rápido que cualquier otro cambio tecnológico anterior, hoy en día los riesgos son aún mayores. Las empresas que se limiten a un enfoque incremental de la IA caso por caso corren el riesgo de quedarse rezagadas a medida que sus competidores redefinen rápidamente las industrias.

Un enfoque estratégico que combine dos caminos paralelos ofrece una solución viable. La «transformación A» aprovecha la IA para optimizar el modelo de negocio actual, refinando procesos, reduciendo costos y mejorando la experiencia del cliente. La «transformación B» crea nuevos modelos de negocio impulsados por IA, desbloqueando oportunidades y redefiniendo los mercados. Cada una de estas transformaciones sigue una estructura diferente. La transformación A se implementa dentro de la organización existente, aprovechando las capacidades establecidas y siguiendo los procesos tradicionales de presupuestación anual diseñados para ejecutar y mejorar continuamente un modelo de negocio predecible. La transformación B, en cambio, se beneficia de una estructura separada, similar a una empresa emergente, con talento emprendedor y una cultura diferenciada, además de métricas de éxito y financiamiento enfocados en el descubrimiento y desarrollo de nuevos motores de crecimiento.

Existen pasos prácticos que los líderes pueden seguir para superar los obstáculos y llevar a cabo una transformación dual de manera efectiva. A continuación, exploraremos cómo las empresas líderes están aprovechando tres enfoques clave para impulsar sus propias transformaciones con IA.

1. Llevar a cabo la planificación de escenarios para anticipar cambios disruptivos

La IA avanza a una velocidad sin precedentes, lo que significa que las organizaciones que no logren anticiparse a las disrupciones corren el riesgo de ser sorprendidas por la competencia. La planificación de escenarios permite a los líderes explorar múltiples futuros posibles, poner a prueba sus estrategias actuales e identificar oportunidades emergentes antes de que se conviertan en tendencias dominantes.

Una importante aerolínea llevó a cabo un extenso ejercicio de planificación de escenarios para explorar cómo las tecnologías emergentes (como el aprendizaje automático, la IA generativa, la visión por computadora y la robótica avanzada) podrían transformar su modelo de negocio y la industria de viajes en general. Al analizar diversos escenarios futuros, la aerolínea buscaba anticiparse a las necesidades de los clientes, identificar oportunidades operativas y detectar posibles disrupciones en los próximos años.

El proceso comenzó con un análisis de las partes interesadas y del ecosistema, identificando las necesidades de clientes, reguladores y socios, como aeropuertos y control del tráfico aéreo, al tiempo que se consideraban las restricciones que estos grupos podrían imponer a la adopción de la IA. Las evaluaciones tecnológicas analizaron la madurez y escalabilidad de las soluciones de IA para definir qué aplicaciones estaban listas para implementarse a corto plazo y cuáles requerían inversiones a largo plazo. El equipo también analizó las innovaciones en industrias adyacentes y no relacionadas para detectar señales tempranas de cambio.

Esto se complementó con un proceso de ideación centrado en la «posibilidad», en el que la aerolínea imaginó cómo la IA podría redefinir la productividad, la eficiencia operativa y la experiencia del cliente, desde la optimización de rutas hasta la personalización de servicios.

Los hallazgos revelaron dos caminos claros de transformación. Para el negocio principal (transformación A), la aerolínea priorizó los casos de uso de IA con impacto inmediato, respaldados por tecnologías como el mantenimiento predictivo, los chatbots de IA generativa y la visión por computadora para mejorar los servicios de asistencia en tierra. Al mismo tiempo, la aerolínea desarrolló una innovación en su modelo de negocio (transformación B) mediante el desarrollo de agentes de viaje inteligentes impulsados por IA, capaces de planificar y reservar itinerarios personalizados en vuelos, hoteles y experiencias, lo que le permitió generar ingresos a través de comisiones en todo el ecosistema de viajes.

2. Alinear el liderazgo con el potencial transformador de la IA

Establecer una visión compartida en el liderazgo es fundamental para la transformación de la IA. Sin ella, las empresas corren el riesgo de fragmentarse: algunos líderes avanzan, otros dudan y el impulso se ralentiza. Aunque la verdadera alineación es un proceso que consta de varias etapas, realizar un ejercicio de alineación del liderazgo puede acelerar el proceso al revelar diferentes puntos de vista, fortalecer la convicción y definir una dirección clara.

En una empresa de tecnología industrial de la lista Fortune 500, el equipo directivo tenía perspectivas muy diferentes sobre la IA. Algunos la consideraban transformadora y vislumbraban un futuro en el que las cámaras con IA sustituirían a los costosos y sofisticados sensores de sus productos de medición. Otros se mostraban escépticos, tachando a la IA como una «moda pasajera» que distraía la atención de las prioridades del negocio. Un tercer grupo se mostraba curioso pero inseguro, luchando por comprender su verdadero potencial y sus implicaciones.

Estas diferencias plantearon cuestiones críticas sobre el verdadero potencial de la IA, la rapidez con la que la empresa debería actuar y las áreas en las que debía enfocarse. Para alinear las perspectivas y fortalecer la convicción, los 50 principales ejecutivos de la empresa se reunieron en una sesión estratégica de medio día dedicada a la IA.

La reunión dejó en claro la necesidad de actuar con urgencia tanto en las operaciones centrales como en las nuevas áreas de crecimiento. Al finalizar la sesión, los ejecutivos se alinearon en una serie de proyectos piloto «faro» diseñados como prototipos para una adopción más amplia, marcando un punto de inflexión significativo en la estrategia de IA de la compañía. También crearon un centro de capacidades para proporcionar los procesos, recursos y gobernanza necesarios para ampliar la IA. Este centro apoya el desarrollo de estrategias y casos de uso, al tiempo que colabora con los grupos de productos para dotar de recursos y avanzar en los proyectos piloto de transformación (A y B).

Para la transformación A, el liderazgo se comprometió a implementar soluciones impulsadas por IA en su centro de contacto para mejorar la eficiencia de las ventas y la interacción con los clientes. Para la transformación B, priorizaron el desarrollo de sensores definidos por software impulsados por IA, lo que cambiaría el modelo de negocio de la empresa de la venta de hardware a la venta de software.

3. Convertir las capacidades internas en oportunidades de mercado

Construir nuevos modelos de negocio impulsados por IA es un reto, pero las empresas no tienen que empezar desde cero. Al aprovechar su experiencia, datos e infraestructura interna, pueden expandir la IA más allá de sus propias operaciones, convirtiendo las capacidades internas en ventajas competitivas en nuevos mercados.

Para Shell, la IA no era solo una herramienta de eficiencia, sino una prioridad estratégica. El liderazgo se comprometió a integrarla en todas sus operaciones globales, centralizando recursos, infraestructura y talento para coordinar más de 100 aplicaciones desarrolladas y destinar sus inversiones en las oportunidades de mayor impacto dentro de su transformación A.

Más allá del ahorro de costos, cada implementación amplió el alcance y la profundidad de sus datos, mejoró la capacidad predictiva de la IA y fortaleció su base para futuras aplicaciones. Por ejemplo, cada solución de mantenimiento predictivo recién implementada generó flujos continuos de datos sobre el rendimiento de los equipos, lo que permitió ampliar los conocimientos y potenciar nuevas aplicaciones basadas en IA.

Sobre esta base, Shell colaboró con C3 AI, Microsoft y Baker Hughes para lanzar la Open AI Energy Initiative, una plataforma diseñada para establecer estándares en la industria y comercializar soluciones impulsadas por IA. Este esfuerzo fue un elemento clave en la transformación B, ya que la empresa buscó aprovechar las capacidades internas de IA para obtener una ventaja competitiva en nuevos mercados.

La IA está reescribiendo las reglas de la competencia, presentando tanto oportunidades extraordinarias como desafíos existenciales. Para las empresas establecidas, el camino a seguir no siempre es claro, pero al adoptar una transformación dual, pueden fortalecer sus operaciones actuales mientras dan pasos audaces para prosperar en esta nueva era.