E

n lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que dominan bien lo básico. Como asesor de empresas en todo el mundo desde hace unos 35 años, les he ayudado a adaptar y aplicar cinco principios fundamentales y atemporales de la gestión de la calidad a los datos.

1. Satisfacer a los clientes, tanto internos como externos

La pregunta central aquí es: ¿Le está dando a los clientes lo que necesitan y quieren?

Por lo general, pensamos en los clientes como externos: clientes que pagan, organismos reguladores y otras partes interesadas. Sin embargo, para hacer bien lo básico, resulta útil ampliar esta definición e incluir también a los clientes internos, es decir, a “las personas que utilizarán su trabajo para hacer el suyo”. Satisfacer sus necesidades significa que pueden hacer su trabajo de forma más eficaz y eficiente, sin cuestionar el suyo. Cuando esto se aplica de manera consistente en toda la empresa, tanto las personas como la organización se vuelven más eficaces y eficientes.

2. Enfocarse en el proceso

Los líderes deben preguntarse: “¿Cómo proporcionamos a la IA el contenido confiable y las conexiones de datos que necesita para ofrecer buenas respuestas, a gran escala y a un costo razonable?”

No hay mucho que pueda hacer con los datos que ya se han creado, pero hacer un mejor trabajo de ahora en adelante le dará resultados. Esto implica desarrollar procesos con arquitecturas de datos inclusivas, vocabularios compartidos, gestión de identidades, modelos conceptuales, grafos de conocimiento, altos estándares para el nuevo contenido y niveles cada vez mayores de intercambio de datos. Es una tarea enorme, pero la buena noticia es que las bases sólidas perduran mucho tiempo.

3. Actuar con base en los hechos (y medir lo correcto)

A largo plazo, los líderes deben preguntarse regularmente: “¿Qué estamos tratando de lograr?” También deben llevar esa pregunta a cada proyecto y preguntarse si sus organizaciones cuentan con las habilidades necesarias para definir las métricas correctas, establecer objetivos razonables e interpretar los resultados con la perspectiva adecuada.

Los líderes deberían adoptar un enfoque de balanced scorecard que abarque la satisfacción del cliente, la calidad de las respuestas, la velocidad y el alcance de la innovación, así como los beneficios para el negocio.

4. Adoptar la mejora continua

La mejora continua es una filosofía de gestión que promueve la innovación constante en productos, servicios, mecanismos de entrega y datos. El objetivo es hacer que las cosas funcionen siempre un poco mejor.

Aunque algunas mejoras pueden ser grandes (por ejemplo, rediseñar un proceso amplio y multifuncional para incorporar la IA), la mayoría son pequeñas, como capacitar a las personas para redactar mejores prompts. Lo importante es la rapidez con la que se avanza. La mejora continua también reconoce que el mundo está en constante cambio.

5. Reconocer que la calidad se logra gracias a las personas

Al final del día, nada funciona bien a menos que haya un gran número de personas comprometidas, aportando su energía, su pensamiento y su convicción al esfuerzo. La parte más gratificante de mi trabajo ha sido ver cómo las personas se conectan con los datos, se empoderan para asumir nuevos roles y colaboran entre sí para mejorar las cosas.

Este llamado a hacer bien lo básico era casi inevitable. Hay mucho entusiasmo (y exageración) en torno a la IA, y quienes la promueven han hecho parecer que todo se reduce a abrir su stack tecnológico, integrar un agente de IA y empezar a generar dinero.

Si usted lleva más de un par de años en esto, quizá sea momento de dejar de operar en automático. Pero no se trata de cambiar una inercia por otra. Vale la pena detenerse a pensar con profundidad en sus clientes, en sus datos, en sus métricas, en la mejora continua y en su organización, y empezar a trabajar en serio sobre esos fundamentos.

S

i su empresa tiene dificultades para ver resultados reales de su programa de datos, quizá sea momento de empezar de nuevo. He aquí cómo hacerlo y qué deben hacer personalmente los altos directivos dentro de ese proceso.

Cómo volver a poner en marcha su programa de datos

Para empezar de nuevo, las empresas deben avanzar en tres frentes de manera paralela:

1. Atacar la calidad de los datos

Las empresas se enfrentan a una amplia variedad de problemas comunes de calidad de datos.

La clave está en minimizar las “fábricas ocultas de datos” cometiendo menos errores en los puntos donde se crean los datos. Para lograrlo, es fundamental que el área de ventas tenga claridad sobre lo que necesita, que dialogue esas necesidades con marketing y que marketing elimine, una a una, las causas raíz de los errores. Los beneficios son fáciles de identificar y se obtienen rápidamente.

2. Iniciar su recorrido en ciencia de datos con técnicas más sencillas

La ciencia de datos es ideal para abordar todo tipo de problemas que enfrentan las empresas. En orden de complejidad creciente, algunos métodos (y los problemas que ayudan a resolver) incluyen:

— El control estadístico y la mejora de procesos no tienen comparación cuando se trata de reducir costos, tiempos de ciclo e incertidumbre en los procesos del negocio.

— El diseño experimental (incluidas las pruebas A/B) ayuda a mejorar la calidad del producto.

— El modelado estadístico ayuda a las empresas a comprender el comportamiento de los clientes, predecir las ventas del próximo mes, decidir dónde ubicar una nueva tienda y estimar el precio justo a pagar por una adquisición (entre otros ejemplos).

— El aprendizaje automático / inteligencia artificial se utiliza para analizar grandes conjuntos de datos, descubrir relaciones previamente desconocidas, ayudar a mejorar la toma de decisiones y automatizar muchos tipos de trabajo.

3. Poner los datos a trabajar para crear una ventaja competitiva

Aunque la IA ha acaparado la mayor parte de la atención durante el último año, existen muchas otras formas de generar beneficios empresariales a partir de los datos. Cuatro grandes ejemplos incluyen:

— Aumentar el valor de los productos y servicios mediante su “informatización”, es decir, haciéndolos más valiosos al incorporar más datos o datos de mejor calidad. Esto se puede hacer con casi cualquier producto. Mi ejemplo favorito es la lata de cerveza Coors: las montañas se vuelven azules cuando la cerveza está lo suficientemente fría como para beberla.

— Empaquetar y vender productos de datos.

— Crear una ventaja sostenida mediante la explotación de datos propios, es decir, datos que nadie más tiene. Un buen ejemplo es el CUSIP de S&P, que identifica de forma única los productos financieros.

— Incorporar más y mejores datos en la toma de decisiones, cumpliendo la promesa de la “toma de decisiones basada en datos”.

A largo plazo, las empresas deberán definir una o dos de estas opciones que mejor se adapten a ellas, en función de sus habilidades, los datos que poseen o pueden obtener, y los mercados en los que compiten. La informatización casi siempre es un buen punto de partida, en parte porque el trabajo es sencillo: pida a algunos de sus mejores especialistas en marketing que documenten su comprensión de lo que los clientes realmente quieren y necesitan. Luego, realice un “análisis de brechas” simple para determinar qué les gustaría recibir (y que no está ofreciendo). Busque llenar esas brechas con datos.

E

n la década de 1930, los ejecutivos del sistema Bell se dieron cuenta de que el creciente uso de los teléfonos pronto crearía desafíos de red tan complejos que sobrepasarían la capacidad de los interruptores mecánicos para mantenerse al día. Así que lanzaron una iniciativa para crear los transistores como una alternativa más rápida y mucho más barata.

A partir de la década de 1960, con la idea de la “oficina sin papel”, ha habido esfuerzos similares para abordar los retos relacionados con el flujo masivo de documentos en las organizaciones. La digitalización mejoró significativamente nuestra capacidad para gestionar ese flujo cada vez mayor, pero todavía hay una gran cantidad de papel circulando dentro y entre las organizaciones, y los documentos electrónicos siguen siendo, en gran medida, producidos, editados y procesados por personas. La promesa de la IA, especialmente de los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), es que pueden hacerse cargo de esas tareas.

Para comprender cómo podría suceder esto en la práctica, dos de nosotros (Peter Cappelli y Valery Yakubovich) estudiamos una iniciativa de una gran compañía de seguros médicos estadounidense que introdujo IA para procesar la organización de documentos y la extracción de información de los mismos como primer paso en el proceso de reembolso, en el otoño de 2024. Para obtener el permiso, tuvimos que comprometernos a no identificar a la aseguradora. El trabajo real de procesamiento de documentos se realizaba en las instalaciones por un proveedor, Ricoh, una empresa de servicios digitales que desempeñó el papel principal en el esfuerzo de implementación de IA. Dos de nosotros (Braj Thakur y Ashok Shenoy) participamos activamente en ese proyecto. Esta empresa no utilizaba la IA para tomar decisiones sobre la aprobación o denegación de las reclamaciones.

Estas son las lecciones generalizables que obtuvimos de este esfuerzo.

1. El objetivo no debe ser la automatización, sino realizar el trabajo de una manera rentable.

Actualmente existe una amplia gama de herramientas basadas en LLM disponibles, con diferentes capacidades, algunas de ellas muy sofisticadas. El equipo de desarrollo descubrió que una de las herramientas más avanzadas podía realizar una buena labor de extracción y clasificación. Sin embargo, resultó ser tan costosa que hacía inviable la solución.

Para reducir costos, el equipo decidió usar el modelo Claude LLM de Anthropic, pero los cargos de Amazon Web Services (AWS), el proveedor de servicios en la nube que ofrecía las herramientas necesarias, resultaron ser demasiado altos debido a los costos de almacenamiento y potencia de cómputo. En resumen, incluso un LLM eficiente no sirve si no es más barato que aquello que pretende reemplazar.

Otro intento consistió en enviar al modelo de IA generativa aquellos documentos que no habían sido clasificados o cuyos datos no habían sido extraídos correctamente, en lugar de devolverlos a los empleados. Un hallazgo importante fue una herramienta que capturaba campos a lo largo de múltiples páginas de un documento, pero los procesaba como una sola imagen, lo que reducía considerablemente los costos (que se calculan por imagen). Los documentos que no se procesaban con precisión se enviaban para una última revisión a una herramienta de IA más costosa.

Finalmente, algunos documentos aún tenían que enviarse a los indexadores para ser retrabajados (2.7% en comparación con casi el 90% antes de cualquier intervención), un enfoque conocido como “intervención humana”. Sin embargo, para identificar este pequeño número de errores, los indexadores debían revisar el 27% de los documentos en los que el modelo de IA generativa tenía menos del 97% de confianza en su clasificación.

En conjunto, la productividad aumentó tres veces, y el volumen máximo diario pasó de 10,000 a 30,000 documentos. El tiempo promedio por documento para un indexador ahora representaba solo el 10% del nivel previo, y el total de documentos procesados por día se triplicó.

2. Una aplicación exitosa de IA puede no significar menos empleos.

Como resultado del proceso asistido por IA, el número de indexadores solo se redujo aproximadamente un 20%. Ahora que la función procesa un volumen mucho mayor de apelaciones y quejas, su plantilla es casi la misma que antes del cambio. Esto contradice la suposición de muchos entusiastas de la automatización de que los ahorros al adoptar IA provienen de recortes o eliminaciones totales de personal.

El objetivo debe ser el resultado final (calidad, costo, eficiencia), no la reducción de la fuerza laboral en sí misma. Resultó que los empleados seguían siendo necesarios en la función de reclamaciones, aunque no para la tarea repetitiva de ingreso inicial de datos. Eran necesarios para resolver problemas que incluso las herramientas de IA más avanzadas no podían manejar, como datos faltantes o ilegibles, formularios nuevos con formatos diferentes que la lógica difusa y los modelos generativos no podían procesar, y otras particularidades.

Este nuevo proceso impulsado por IA también creó una nueva tarea humana: el control de calidad, que consiste en muestrear y revisar los resultados del sistema. Esto es especialmente necesario porque el formato en el que llegan los datos cambia constantemente entre la amplia gama de proveedores y clientes que los envían, lo que plantea desafíos de ejecución y calidad.

3. La IA puede hacer que los empleados se enfoquen en trabajos de mayor valor.

Las mejoras en la calidad de los datos, a medida que los documentos pasaban del manejo inicial y la entrada de datos a las etapas más sustantivas del procesamiento de reclamaciones de seguros, ahorraron una enorme cantidad de tiempo y esfuerzo más adelante. El trabajo de los indexadores cambió de las tareas repetitivas de ingreso de datos (que resultaban tan aburridas) a la tarea más interesante de detectar errores y encontrar soluciones. Este cambio redujo la rotación de personal y mejoró la satisfacción laboral. La empresa descubrió que cuanto más experimentados eran los indexadores, mejor eran para encontrar y corregir errores.

4. Los ahorros provienen de los aumentos de escala que se hacen posibles gracias a una mayor productividad y calidad.

Los ahorros provinieron de dos factores. El primero, el aumento de escala: el sistema ahora procesa aproximadamente tres veces más documentos por indexador. El segundo, la calidad: menos errores en el procesamiento de reclamaciones, lo que reduce los costos operativos en otras áreas. El número de apelaciones, quejas y solicitudes de seguimiento sigue creciendo, pero no el número de empleados, por lo que los ahorros provienen de distribuir los costos operativos entre más documentos procesados.

5. Involucrar a los empleados que han desempeñado la función en el proyecto de IA es esencial.

La integración exitosa de la IA en los procesos laborales requiere sin duda la ayuda de expertos que ya hayan hecho esto antes, pero trabajar con los empleados directamente involucrados también es esencial. Incluso con la participación de ocho científicos de datos, analistas y expertos en automatización con experiencia, la implementación descrita en este artículo estuvo lejos de estar “lista para usarse”. Entrenar las herramientas de lógica difusa y de IA requirió coordinación con lo que los indexadores veían realmente en los documentos que llegaban. Fueron necesarias dos iteraciones en un periodo de tres meses para lograr que el sistema funcionara correctamente.

La lección duradera de las innovaciones tecnológicas, incluida la IA generativa, es que las promesas iniciales de ahorros de costos y eliminación de puestos de trabajo suelen superar la realidad. El éxito de la IA generativa no radica en transformar la gestión o en recortar personal, sino en mejorar las tareas de manera rentable.

L

a IA no necesita fallar a escala global para causar un daño enorme a las personas, las empresas y las sociedades. Los modelos suelen equivocarse, tener alucinaciones, desviarse y pueden colapsar.

El interés principal aquí son los primeros proyectos de IA de una empresa. Es importante destacar que la calidad de los datos es un problema (y una oportunidad) enorme para toda la organización, pero la mayoría de las empresas lo han descuidado. Una de las consecuencias es que ni ellas ni sus altos directivos comprenden los problemas, cómo abordarlos ni los cambios organizacionales que deben realizar. Se encuentran en una situación difícil: deben protegerse a corto plazo, desarrollar las capacidades necesarias a largo plazo y, al mismo tiempo, formarse para poder hacerlo de manera eficaz. El objetivo de este artículo es ayudarles a dar los primeros pasos.

Obtener los datos correctos

Me parece conveniente enmarcar la idea de buenos datos a través de dos requisitos: 1) si son los “datos adecuados” para abordar el problema y 2) si esos “datos son correctos” o exactos.

Al seleccionar los datos adecuados para un proyecto, considere:

— Relevancia y exhaustividad

— Integridad y correcta representación

— Ausencia de sesgos

— Actualidad

— Definición clara

— Exclusiones apropiadas

Consideraciones más importantes en materia de datos correctos:

— Precisión

— Ausencia de duplicados

— Identificadores consistentes

— Etiquetado pertinente

El trabajo de garantizar la calidad de los datos no termina con el entrenamiento. Si se entrena bien un modelo con datos de alta calidad, se obtiene un buen modelo. Pero si ese modelo se alimenta con “datos futuros” de mala calidad, se obtienen resultados o predicciones erróneos. Los criterios de “los datos son correctos” y “los datos correctos” siguen siendo válidos.

A corto plazo: Adoptar una postura de “culpable hasta que se demuestre lo contrario.”

A nivel de proyecto, la responsabilidad general sobre la calidad de los datos debe recaer en la persona de más alto nivel que dirija la iniciativa. Debe reunir equipos de personas que puedan desarrollar el conjunto completo de requisitos y profundizar en los detalles para garantizar que se cumplan. Debe considerar la posibilidad de contratar talento externo si, como suele ocurrir, su empresa carece de la amplitud y profundidad de conocimientos necesarios para hacerlo.

Estos gerentes deben cuestionar incansablemente a los equipos de desarrollo de modelos y a otros sobre todo. Empiece por preguntar: “¿El problema que se propuso resolver y nuestro problema son el mismo?” Si no es así, tenga mucho cuidado. A continuación, analicen uno por uno los criterios adecuados para los datos de entrenamiento. Profundicen: ¿qué les hace pensar que los datos darán buenos resultados en las predicciones, respaldarán la ampliación del modelo a nuevos mercados y estarán libres de sesgos? Desconfíen cuando los proveedores se nieguen a responder, citando “nuestro modelo es propietario.” El modelo puede ser propietario, pero eso no significa que los datos lo sean.

A mediano plazo: Impulsar los esfuerzos de calidad en las fases iniciales.

Las empresas deben pasar de lidiar con datos erróneos en las fases finales a crear datos correctos en las fases iniciales. Como cualquier otra disciplina, la gestión de la calidad proporciona un amplio conjunto de fundamentos, métodos y herramientas sobre quién hace qué. Para introducirlos en su organización, comience con tres conceptos:

1. Enfoque intenso en el cliente y en la mejora de procesos, con el objetivo a largo plazo de crear los datos adecuados correctamente con identificadores y etiquetas apropiadas, desde la primera vez.

2. Responsabilidades de gestión claras, es decir, dejar claro que los departamentos comerciales (y no el departamento de TI, el director de riesgos o los directores de datos) son los responsables de la calidad de los datos. A su vez, esto implica responsabilidades claras para los equipos y las personas.

3. Involucre a tantas personas como pueda, en todos los niveles, en la medida de lo posible.

U

na explicación simple de los precios es que son un obstáculo para la compra de un producto o servicio deseado. Por lo tanto, las empresas ven una necesidad legítima de reducir la “fricción” en la transacción, lo que logran recurriendo a una bolsa de trucos aparentemente sin fondo, que van de lo sutil a lo atroz.

Algunas compañías, por ejemplo, modifican los precios para distorsionar las percepciones o para señalar una oferta, a partir de investigaciones que demuestran que, por ejemplo, un precio de 9.99 USD se percibe como todo un dólar más barato que uno de 10 USD. Otras dividen un gasto en un conjunto de cargos por componentes con la esperanza de que los compradores subestimen el total o tengan dificultades para comparar los precios con las ofertas de la competencia.

El desafío para los líderes y organizaciones orientadas al propósito es claro: ¿Es posible que una empresa sea transparente y sincera, incluso en el delicado momento donde les pide a los clientes que saquen dinero de sus bolsillos? Después de todo, incluso las compañías éticas enfrentan presión competitiva.

Una vez que una empresa acepta que el precio es una parte integral de su diálogo con los clientes, el siguiente paso es averiguar la mejor manera de presentarlo. En lingüística, el diálogo significativo se caracteriza por la suposición de que los participantes intentan seguir (y esperan que otros sigan) cuatro reglas básicas:

1. La regla de calidad: Dicen solo lo que creen que es verdadero y preciso.

2. La regla de la forma: Evitan expresiones que son demasiado vagas, complejas o simplistas.

3. La regla de relevancia: Solo aportan información relacionada con el tema.

4. La regla de la cantidad: Proporcionan la cantidad correcta de información, ni más ni menos.

Usar estas reglas puede mejorar la forma en que usted comunica los cambios de precios a los clientes sin provocar conmoción. Algunas sugerencias:

— Haga del precio un reflejo de sus valores. Posicione el precio como un componente de las intenciones responsables y éticas de la empresa. Esta sugerencia aplica para la regla de relevancia. Comunique la ética de la compañía, conecte el precio con ese mensaje y espere que los clientes también establezcan un vínculo entre los dos. Ser genuino acerca de cómo su precio respalda sus valores centrales es fundamental.

— Explique el precio. Use la regla de la forma, siendo cada vez más claro. “Desmitificar” cómo se establecen o cambian los precios puede ayudar a establecer una relación de confianza con los consumidores. Específicamente, las empresas pueden explicar su justificación o revelar componentes del precio de un producto o servicio. De hecho, una tendencia reciente en el comercio minorista en línea implica agregar una explicación de las finanzas de la empresa en el sitio web de la compañía.

— Rompa una regla, pero hágalo descaradamente. Cualquiera de las cuatro reglas se puede romper, si se hace de una manera lúcida. De hecho, las personas las rompen todo el tiempo, y por una buena razón: las violaciones flagrantes alientan a pensar más allá de los significados literales directos; evocando la imaginación y agregando aspectos creativos que mejoran el valor de una conversación. Una empresa puede usar comunicación que intencional y vívidamente rompa una o más reglas, para presentar un argumento acerca de su precio.

La decisión sobre si un precio es “óptimo” no es puramente matemática, también es una función de cómo la comunicación de ese precio afectará las percepciones de los consumidores respecto a las intenciones de la empresa.

S

egún el Foro Económico Mundial, más del 90% de los empleadores utilizan sistemas automatizados para filtrar o clasificar solicitudes de empleo, y el 88% de las empresas ya emplea algún tipo de IA para la selección inicial de candidatos.

La mayoría de las empresas, al considerar las herramientas de evaluación con IA, se centran en las mejoras que estas herramientas aportan en términos de eficiencia y calidad. Pero no toman en cuenta cómo la evaluación con IA puede cambiar el comportamiento de los candidatos durante el proceso de evaluación. Nuestra nueva investigación, que examinó a más de 13,000 participantes en 12 estudios, revela que este es un punto ciego crucial.

Los resultados muestran que los candidatos a menudo enfatizaron rasgos analíticos cuando creían que eran evaluados por una IA, al tiempo que restaban importancia a cualidades muy humanas (empatía, creatividad, intuición) que con frecuencia distinguen a los empleados sobresalientes de los meramente competentes. Esto llevó a los candidatos a presentar una versión diferente y potencialmente más homogénea de sí mismos, lo que a su vez afectó a quiénes tienen más probabilidades de tener éxito en un proceso de contratación mediado por IA, con implicaciones para las organizaciones que utilizan IA en decisiones de contratación, promoción o admisión.

Por qué esto es relevante para su organización

Las implicaciones de nuestros hallazgos van más allá de las decisiones individuales de contratación. Cuando los candidatos se representan de manera sistemáticamente incorrecta, las organizaciones enfrentan varios desafíos críticos:

— Distorsión de la reserva de talento: Nuestra investigación sugiere que saber que uno está siendo evaluado por una IA también sesga a los candidatos, haciéndoles creer que deben priorizar sus capacidades analíticas. Como resultado, las empresas podrían estar descartando exactamente a los candidatos que necesitan simplemente por usar IA: ese pensador innovador o líder con inteligencia emocional que usted está buscando podría presentarse como un analista que sigue las reglas porque cree que eso es lo que la IA quiere ver.

— Compromiso de la validez: Cuando los candidatos modifican estratégicamente sus respuestas, la validez fundamental del proceso de evaluación puede verse socavada. Las organizaciones podrían dejar de medir capacidades auténticas y, en su lugar, medir lo que los candidatos creen que la IA valorará más.

— Homogeneización no intencional: Si la mayoría de los candidatos cree que la IA favorece los rasgos analíticos, la fuente de talento podría volverse cada vez más uniforme, lo cual potencialmente socava las iniciativas de diversidad y limita la gama de perspectivas en las organizaciones.

Lo que los líderes pueden hacer

Con base en nuestros hallazgos, las organizaciones pueden tomar varias medidas concretas para abordar el efecto de la evaluación con IA:

— Transparencia radical: No se limite a revelar que utiliza una evaluación con IA, sea explícito sobre lo que realmente evalúa. Comunique claramente que su IA puede valorar (y de hecho valora) rasgos diversos, incluyendo creatividad, inteligencia emocional y capacidad intuitiva para resolver problemas.

— Auditorías conductuales regulares: Implemente revisiones sistemáticas de los resultados de sus evaluaciones con IA. Además de examinar sesgos demográficos, le sugerimos que use estas auditorías para buscar patrones que indiquen adaptación de comportamiento: ¿Las respuestas de los candidatos se están volviendo más homogéneas con el tiempo? ¿Está observando una tendencia hacia presentaciones más analíticas a expensas de otros rasgos valiosos?

— Evaluación híbrida: Algunas organizaciones combinan evaluaciones humanas y de IA. Uno de nuestros estudios muestra que, si bien la evaluación híbrida reduce la tendencia de los candidatos a destacar capacidades analíticas, no la elimina por completo. Para cerrar esa brecha, es necesario capacitar a los responsables de contratación (humanos) para que compensen el efecto de la IA.

El camino a seguir

Las mejoras en eficiencia que brinda la evaluación con IA pueden tener el costo de una presentación auténtica del candidato y, en última instancia, de la diversidad humana que hace que las organizaciones sean innovadoras y resilientes. La solución no es abandonar la IA, sino diseñar sistemas de evaluación que consideren y contrarresten estos cambios de comportamiento.

A

claremos algo: la IA generativa definitivamente puede ayudarnos a producir un mayor volumen de resultados, más rápido y con menos esfuerzo humano. Cualquiera que diga lo contrario está en negación.

Sin embargo, al centrarnos en el valor de los resultados que produce la IA, tendemos a no pensar mucho en otras fuentes de valor, como lo que aprendemos y cómo construimos relaciones. Rara vez preguntamos: ¿De qué manera cada actividad que realizamos crea un valor verdadero y único? Es momento de que los líderes analicen con frialdad y dureza a sus organizaciones y se hagan esa pregunta, para no destruir más valor del que crean al adoptar la IA generativa.

De dónde viene el valor

Comencemos con lo obvio: la IA generativa tiene el potencial de crear una enorme cantidad de valor para las organizaciones y los empleados individuales. Al automatizar tareas complejas o mundanas, puede usarse para aumentar la eficiencia y liberar recursos para aplicaciones que generen mayor valor. Su poder computacional puede mejorar la calidad de las decisiones mediante el análisis de datos y acelerar procesos como la innovación, modelando, probando y refinando nuevas ideas. Cuando se usa como apoyo para la lluvia de ideas, puede alimentar nuestros procesos creativos con cantidades aparentemente infinitas de material de origen.

Los líderes deben comenzar con estos beneficios en mente y mantenerlos presentes, ya que todos ellos pueden mejorar la calidad y la eficiencia del trabajo realizado. Pero, ¿qué podríamos estar sacrificando cuando delegamos una tarea a la IA generativa? O, dicho de otra forma: ¿De dónde más proviene el valor? He aquí cinco áreas clave a considerar.

1. Adquisición de conocimientos y perspectivas

Nuestros procesos de trabajo a menudo nos proporcionan conocimientos y perspectivas más allá de la tarea específica en la que estamos trabajando. Luchar por encontrar una palabra en un idioma extranjero suele fijarla en nuestra memoria para un uso futuro; las soluciones rechazadas a un problema técnico complicado pueden resultar ser soluciones a otros problemas relacionados o innovaciones inesperadas por sí mismas; y el proceso de resumir y sintetizar información nos ayuda a reconocer conexiones conceptuales.

Pedir a la IA generativa que traduzca, resuelva problemas o resuma documentos sin duda arrojará resultados más rápidos y, en algunos casos, más precisos, con menos esfuerzo. Sin embargo, al hacerlo, perdemos el aprendizaje que de otro modo habríamos adquirido.

2. Perfeccionamiento de habilidades

Relacionado estrechamente con lo anterior, hay una razón por la cual la gente dice que “la práctica hace al maestro”: mejoramos nuestras habilidades a través de la práctica. Redactar y revisar un informe mejora nuestras habilidades editoriales, buscar errores en nuestro código nos hace mejores programadores, y maldecir el bloqueo del escritor fortalece nuestra perseverancia como escritores. De forma paralela al aprendizaje, pedir a la IA generativa que revise un documento, redacte un borrador, encuentre errores en el código o genere una colección de párrafos entre los que elegir, nos da el beneficio a corto plazo de una solución, pero presenta riesgos para la mejora de nuestras capacidades a largo plazo.

3. Mantenimiento de vínculos sociales

Tradicionalmente, la mayoría del trabajo se ha realizado de forma colectiva, con grupos de personas aportando la capacidad intelectual necesaria para encontrar soluciones a problemas particularmente complejos. El aumento masivo de la potencia computacional que proporciona la IA generativa nos permite resolver individualmente muchos de los problemas para los que antes necesitábamos a otros, lo que, a su vez, implica menos interacciones interpersonales.

Es importante reconocer que tales interacciones sirven como base del entendimiento mutuo, el sentido de conexión y comunidad, y, en última instancia, la confianza (todos ellos elementos que tienen impactos significativos en la capacidad de las organizaciones para obtener resultados).

4. Compromiso con las ideas

El compromiso, definido como estar psicológicamente presente al desempeñar un rol, tiene una amplia gama de beneficios, desde mejorar la calidad y eficiencia de los resultados hasta incrementar el bienestar y la satisfacción individual. Sin embargo, ninguno de nosotros está comprometido al 100% con el 100% de las cosas que hacemos el 100% del tiempo, y el uso de la IA generativa puede influir en eso.

Tomemos como ejemplo la tarea de resumir, una en la que la IA generativa se destaca extrayendo temas de grandes volúmenes de datos mucho más rápido que cualquier humano. Ya sea que los datos que se están resumiendo correspondan a un extenso informe o a la transcripción de una reunión, cuando delegamos esa tarea a la IA generativa, a menudo damos un paso mental hacia atrás y reducimos nuestro nivel de compromiso. La síntesis humana es un proceso activo: no solo capturamos datos, los enmarcamos, los interpretamos y desarrollamos aún más las ideas. Ese proceso nos conecta con el trabajo y aumenta nuestro compromiso.

5. Mantenimiento de la singularidad

Somos el producto de nuestras experiencias, y el trabajo que realizamos contribuye a nuestra identidad como líderes. Nuestro tono en los documentos escritos, la forma en que nos comunicamos en los mensajes, nuestro estilo en las presentaciones e incluso cómo resolvemos problemas son rasgos identificables que nos distinguen unos de otros. Aunque usar IA generativa para redactar automáticamente correos electrónicos, memorandos o presentaciones puede ahorrar tiempo y ofrecer resultados técnicamente mejores, al hacerlo se elimina el tono personal y la voz que nos hacen únicos.

Evaluación de los costos y beneficios de la IA generativa

La IA generativa llegó para quedarse y sus beneficios son innegables, pero los posibles sacrificios implican que los líderes deben ser intencionales en su uso. Al igual que con cualquier otra decisión gerencial importante, esto requiere una evaluación objetiva y holística de beneficios y costos. Los líderes deben realizar una auditoría del valor que aporta la IA. He aquí cómo hacerlo:

Paso 1: Determinar los tipos de valor más relevantes para una tarea determinada que pueda automatizarse con IA.

Comience por preguntarse qué tipos de valor genera la tarea. El resultado (como volumen, velocidad, calidad y eficiencia) es evidente, pero también considere cuánto aprendizaje genera la tarea, cuánto fomenta la interacción social y las relaciones, y si se beneficia de una voz única o personal.

Paso 2: Priorice y optimice los tipos de valor que ha identificado.

No todas las tareas tienen que aportar todo tipo de valor, ni todos los proyectos son igual de eficaces para proporcionarlo. Concéntrese en dónde los beneficios son mayores y más necesarios.

Paso 3: Iterar.

Reconozca que aún no comprendemos del todo los impactos de la IA generativa. Utilice lo que yo llamo la “prueba de la leche”: toda decisión sobre su uso debería tener una fecha de caducidad. Así como revisamos la leche antes de desecharla, vuelva a evaluar cuando tenga nueva información. No la descarte de inmediato, pero asegúrese de revisarla bien.

Un último punto: la decisión de usar IA generativa no recae únicamente (quizá ni siquiera principalmente) en los líderes. Estas herramientas son baratas, accesibles y están ampliamente disponibles, por lo que sus empleados ya están tomando sus propias decisiones sobre cuándo y cómo usarlas, con o sin orientación.

Hable con su equipo sobre la IA generativa y los tipos de valor que crea (y lo que podría poner en riesgo). Asegurarse de que sean conscientes de los beneficios y las desventajas reducirá la probabilidad de que las personas tomen decisiones que no sean en su propio interés o en el de la organización.

A

umentar los ingresos cada año es un objetivo básico de la mayoría de las empresas. Pero a medida que la globalización retrocede, las empresas se enfrentan a vientos en contra del crecimiento: las poblaciones de muchos países envejecen (y compran menos), y la preocupación por la sostenibilidad lleva a más personas a analizar la necesidad de cada compra.

Por lo tanto, surge la pregunta: ¿Cómo pueden las empresas crear un valor duradero sin crecimiento?

La estabilidad tiene sus ventajas

Para encontrar respuestas, estudiamos más de 10,000 empresas de América del Norte, Europa y Japón durante los últimos 20 años. De esa cohorte, identificamos 172 empresas estables, definidas por un crecimiento constante y cercano a cero en los ingresos durante todo el período.

Estas empresas utilizaron cuatro estrategias distintas para lograr un rendimiento superior en ausencia de crecimiento:

1. De productos a servicios: Cómo ganar con menos activos

Muchas empresas que se enfrentan a perspectivas de bajo crecimiento reaccionan tratando de captar nuevos clientes (a menudo a un costo elevado), pero las más estables tienen más probabilidades de maximizar el valor a partir de las relaciones con clientes existentes. Lo hacen pasando de productos físicos con demanda decreciente a servicios y software con bajo nivel de activos. Este enfoque no solo profundiza los lazos con los clientes, sino que también mejora los márgenes y reduce la intensidad de activos.

2. Apueste por la calidad: Más valor con mejores márgenes

Las empresas maduras a menudo se sienten tentadas a depender de una imagen de marca sólida mientras reducen costos. Sin embargo, mejorar la calidad puede ser un camino más sostenible hacia la creación de valor, lo que permite a las empresas establecer una posición difícil de erosionar y mejorar sus márgenes brutos.

3. Integre y crezca desde dentro: Fortalezca su balance

Cuando el crecimiento de los ingresos es inalcanzable, la expansión del balance general ofrece otra alternativa para crear valor. Las empresas estables con un rendimiento superior a menudo amplían su base de activos mediante la integración vertical para controlar una mayor parte del conjunto de ganancias y aumentar su valor añadido. Este enfoque también les ayuda a construir una cartera de activos única que fortalece sus propuestas de valor diferenciadas y sus fosos competitivos.

4. Valor seguro: Dividendos constantes para sus inversionistas

En lugar de perseguir el crecimiento de forma agresiva, las empresas estables y maduras a menudo priorizan la devolución de efectivo a sus accionistas. Nuestro análisis identificó una estrategia alternativa para la creación de valor a través de los dividendos: proporcionar pagos consistentes y predecibles que hagan que sus acciones se comporten como bonos.

Este enfoque “tipo bono” mostró una volatilidad en los dividendos equivalente a una desviación estándar por debajo del promedio del mercado, y ofreció a los inversionistas mayor estabilidad y menor riesgo, lo que permitió a estas empresas superar al mercado a pesar del crecimiento limitado de los ingresos, márgenes o dividendos.

¿Y qué hay del talento y la innovación?

Adoptar estrategias de bajo crecimiento conlleva desafíos. Para empezar, el crecimiento suele significar oportunidades para la progresión profesional, el desarrollo de nuevas habilidades y otras formas de avance. Si una empresa no está creciendo activamente, estas oportunidades pueden ser más limitadas, lo que podría dificultar la atracción y retención de los mejores talentos.

Para contrarrestar esto, las empresas que implementan un enfoque de bajo crecimiento deben ser intencionales al diseñar su estrategia de talento. Algunas de las empresas de nuestro estudio aprovechan su estabilidad para invertir en iniciativas y asociaciones a largo plazo que les permitan atraer y desarrollar talento.

Más allá de los canales de talento, las empresas estables también pueden fomentar el compromiso a largo plazo al reinventar su propuesta de valor para los empleados, por ejemplo, al destacar beneficios como oportunidades de movilidad horizontal en lugar de vertical y al enfocarse en la seguridad laboral, habilitada por la menor volatilidad de una estrategia de bajo crecimiento.

Las estrategias y el éxito de las empresas estables con un rendimiento superior demuestran que el crecimiento no es el único camino hacia la creación de valor.

S

i quiere liderar el crecimiento, su organización de ventas debe comprender claramente su estrategia de comercialización. Esto comienza con el CEO y los miembros del equipo ejecutivo, y la forma en que comunican la estrategia. Luego, se transmite a todos los niveles de liderazgo de ventas de la empresa. Esto es lo que debe comunicar a su organización de ventas para asegurarse de que estén preparados para ejecutar la estrategia de la empresa en cada interacción con clientes y prospectos.

1. Identifique los tipos de negocios que espera que las ventas no persigan

Sea claro con sus líderes y equipos de ventas sobre los tipos de negocios que espera que persigan (y los que no), alineando su estrategia con las acciones que sus equipos de ventas puedan ejecutar.

Comunique con precisión y en detalle el perfil de su cliente ideal, incluyendo industria, tamaño, escala y circunstancias. Sea específico sobre el nivel de autoridad que normalmente se requiere para autorizar la compra de sus productos y servicios en las empresas prospecto. El error estratégico más común que veo en las ventas entre empresas es que los profesionales de ventas centran toda su actividad en prospectos que no están autorizados para comprarles, y no se relacionan con quienes sí pueden hacerlo.

2. Aclare la ventaja competitiva de su empresa

Para cada tipo de prospecto o cliente, probablemente existan un puñado de razones por las que lo elegirán a usted sobre otras alternativas competidoras. Ayude a su equipo de ventas a comprender específicamente en qué ventajas espera que se enfoquen durante sus interacciones con prospectos y clientes. Asegúrese de que tengan claridad sobre los puntos de mayor valor y diferenciación de su empresa, incluyendo una comprensión profunda de los tipos de problemas y objetivos de los clientes que conducen a sus ofertas premium y a las soluciones en las que más ha invertido. Sin este nivel de entendimiento, los vendedores recurrirán a hablar sobre lo que les resulta más cómodo y familiar, que suele ser una lista de características y beneficios.

3. Haga énfasis en que la experiencia de ventas es la experiencia del cliente

Es fácil olvidar que la experiencia de ventas es fundamental para la experiencia del cliente en su empresa. La experiencia de ventas también representa el 25% o más de la decisión de trabajar con su organización; es decir, al menos el 25% de los criterios para decidir hacer negocios con usted se basa completamente en la experiencia que los prospectos tienen con su equipo de ventas antes de convertirse en clientes. Este impacto es mayor que el del servicio y la marca por sí solos, y solo es superado por los productos y servicios que usted ofrece.

Cuando se trata del éxito en el mercado, la experiencia de ventas es un diferenciador vital. Especialmente cuando los productos, servicios y capacidades avanzadas comienzan a parecer similares a los ojos de los clientes, la calidad de la experiencia de ventas puede inclinar la balanza a su favor.

Cada llamada de ventas refleja el éxito o el fracaso de su estrategia.

Concéntrese en asegurarse de que su equipo de ventas comprenda cómo ejecutar su estrategia en detalle. Comunique los objetivos principales de su estrategia en torno al rendimiento financiero, el producto y las expectativas del mercado. Asegúrese de que el equipo de ventas sepa cómo contribuye al valor de la experiencia del cliente; de ese modo, entenderán lo que se espera de ellos en cada llamada de ventas.

C

uando los gerentes están sobrecargados, el consejo habitual del liderazgo es delegar más. Pero ¿qué sucede si ya ha delegado todo lo que puede y aun así tiene demasiado trabajo? Si su equipo también se está ahogando, delegar más trabajo simplemente significa trasladar la sobrecarga. Esta no es una opción sostenible.

Afortunadamente, existen tres estrategias clave que puede utilizar para reevaluar y reconfigurar el trabajo que realiza a fin de liberar su tiempo y capacidad limitados.

1. Asegúrese de que su equipo realmente comprenda cómo se ve un resultado “suficientemente bueno”

Si todo lo que usted o su equipo hacen es “excelente”, está exagerando con la calidad, estresando a su equipo, desperdiciando energía y ralentizando el progreso.

Recomendamos a los líderes trabajar de una manera “adecuada para su propósito”. Eso significa evaluar intencionadamente qué nivel de esfuerzo tiene sentido para una tarea determinada. ¿Habla con los miembros de su equipo sobre qué es “suficientemente bueno” para tareas específicas? ¿O sobre qué atajos pueden tomarse?

Si usted y su equipo están demasiado ocupados, es esencial encontrar una manera diferente de trabajar.

Pregúntese y discuta con su equipo:

— ¿Dónde podría realizarse un trabajo de calidad b, tomar atajos o simplificar procesos para ahorrar tiempo y energía? Por ejemplo, ¿podrían acortarse las actualizaciones semanales?

— ¿Qué acuerdos podría establecer con su jefe para simplificar o reducir entregables y procesos? Por ejemplo, ¿podría decirle a su jefe que sería útil enviar comunicaciones más simples o menos frecuentes?

— ¿Cómo puede la inteligencia artificial ayudarle a usted y a su equipo a reducir el tiempo requerido para un trabajo “suficientemente bueno”? Pregunte a su equipo qué aplicaciones están comenzando a probar y anímelos a experimentar más. Por ejemplo, las aplicaciones de resumen de reuniones han mejorado mucho.

2. Identifique y elimine las tareas ocultas de bajo valor

Todos sabemos que es importante eliminar las tareas de bajo valor. Sin embargo, al trabajar con clientes, a menudo observamos que muchas de esas tareas se han convertido en hábitos inconscientes, ocultos a simple vista. Incluso los equipos que han trabajado en simplificar se detienen demasiado pronto y pierden oportunidades. Hay muchas más horas que se pueden ahorrar si se mira más a fondo.

En nuestra experiencia, consistentemente se necesitan dos rondas de “observación” para que las personas identifiquen todas las tareas que podrían delegar o reducir.

He aquí un sencillo proceso de descarga que puede utilizar con su equipo:

a) Antes de una sesión de descarga, pida a su equipo que piense en todas las tareas que podrían eliminarse. En la sesión, a menudo comenzarán mencionando cosas que otras personas pueden dejar de hacer. Eso está bien. Les ayuda a entrar en ritmo.

b) Luego, pídales que profundicen y piensen qué trabajo podrían dejar de hacer si tuvieran un día menos por semana para trabajar. Aquí es donde suelen producirse los avances.

Por supuesto, debe asegurarse de que la eliminación del trabajo no afecte negativamente a los clientes, colegas o las finanzas.

3. Reduzca estratégicamente su disponibilidad

Muchos líderes piensan que siempre deben estar disponibles. Sin embargo, demasiada disponibilidad genera más interacciones y hace que los miembros del equipo dependan más de usted de lo necesario o deseado. Con un poco más de espacio, los miembros del equipo tendrán más margen para actuar, lo que también le libera tiempo a usted.

Cuando está sobrecargado y delegar más a su equipo no es una opción, todavía existen formas de liberar capacidad. Ahora es el momento de reevaluar y ser intencional sobre lo que hace y cómo lo hace.