¿

Alguna vez se ha preguntado cómo comportarse adecuadamente en el trabajo? A lo largo de su carrera, y especialmente en los primeros años, es un desafío descubrir qué comportamientos y actitudes son y no son aceptables en diferentes entornos profesionales.

Los empleadores ahora esperan más de los trabajadores de nivel inicial. Como profesional de carrera temprana, esto es fundamental para su éxito a largo plazo. Entonces, ¿cómo puede desarrollar rápidamente una buena ética laboral?

La ética laboral se refiere a un conjunto de principios morales, valores y actitudes sobre cómo actuar en el trabajo. Las cualidades que ejemplifican una buena ética laboral incluyen confiabilidad, productividad, autonomía y colaboración. He aquí algunos consejos para desarrollar una ética laboral sólida:

— Siga el ejemplo de sus compañeros, mentores y jefes: Cuando comienza un nuevo trabajo, observar es la mejor manera de aprender. Preste atención a cómo se comportan sus compañeros en las reuniones, para comprender la etiqueta de la empresa y los estilos de comunicación de las diferentes personas y equipos.

Algunos lugares de trabajo, por ejemplo, requieren que los empleados preparen agendas antes de las reuniones y son estrictos con la puntualidad. Otros son más informales. Observar a los demás y seguir su ejemplo lo ayudará a darse cuenta de lo que la empresa y los gerentes consideran una buena ética laboral.

— Desarrolle autodisciplina: La autodisciplina es el proceso de comprender cómo trabajamos, incluido el conocimiento de nuestros ritmos de trabajo y dónde podemos esforzarnos.

Desarrollar autodisciplina implica comprender el autocontrol y mantener la energía. Destine la mayor parte de su tiempo a tareas que le den energía y que también sean importantes para la empresa o que contribuyan a sus objetivos.

— Vuelva a priorizar cada día: Si administra su tiempo de manera consistente y sabia, desarrollará una reputación de profesionalismo e integridad. Es una habilidad que lo ayudará a entregar un trabajo de alta calidad, incluso en entornos de trabajo acelerados.

Al comienzo de cada día, dedique unos minutos a identificar qué cosas necesita hacer. El truco consiste en encontrar un equilibrio entre las tareas urgentes y las tareas que contribuyen a proyectos que son igualmente valiosos, pero de más largo plazo.

— Piense como propietario: Una parte esencial de la construcción de una buena ética laboral es adoptar una actitud de propiedad. Puede hacer esto siendo proactivo en formas pequeñas (pero poderosas). Por ejemplo, si algo no tiene sentido para usted, haga preguntas para obtener claridad. Del mismo modo, si tiene una sugerencia sobre otra forma de hacer las cosas, hable, pero hágalo con respeto.

— Mantenga los intereses del equipo por encima de los suyos: Cuando alguien lo defraude, piense en cómo puede apoyarlo para que todo el equipo se beneficie. Abrace a su jugador de equipo interior y pruebe diferentes estrategias para trabajar exitosamente con sus compañeros, como la de tener una conversación respetuosa para comprender las diferentes perspectivas.

En última instancia, su objetivo debe ser adoptar una actitud positiva. Recuerde que la colaboración aumentará significativamente el impacto del trabajo que realiza. También desarrollará una reputación de confiabilidad.

Practicar estas cinco estrategias lo ayudará a desarrollar una buena ética laboral, haciéndolo más atractivo para futuros trabajos. En última instancia, una sólida ética laboral amplía su reputación y crea la base para una carrera exitosa.

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.

E

ntre titulares llamativos que anuncian billones de dólares en valor potencial y los miles de millones de dólares que las organizaciones han invertido para obtener ese valor, se podría suponer que las herramientas de IA generativa se han convertido en una parte esencial del entorno laboral. Sin embargo, los datos muestran una realidad diferente.

Según el reciente informe de Deloitte sobre el estado de la IA generativa, solo el 11% de las organizaciones que han proporcionado herramientas de IA a sus empleados informan que la IA generativa se ha integrado con éxito en la rutina diaria de los trabajadores (el éxito en este contexto significa que más del 60% de la organización utiliza IA generativa a diario). Entre aquellas organizaciones con menor uso (donde menos del 20% de los empleados la utilizan a diario), aproximadamente la mitad reporta un retorno inferior al esperado en su iniciativa de IA generativa más avanzada. Por el contrario, entre las organizaciones que han logrado impulsar con éxito la adopción de la IA generativa, el 86% afirma haber cumplido o superado sus expectativas de retorno de inversión.

Entonces, ¿por qué los trabajadores de algunas organizaciones no están adoptando la IA generativa? Creemos que la respuesta radica en la falta de confianza. Pues, cuando los usuarios no confían en una tecnología, no se sienten cómodos utilizándola.

La buena noticia es que es posible generar confianza en la IA generativa y, si se hace bien, puede acelerar su adopción por parte de los empleados y aumentar su comodidad con la tecnología.

Presentamos nuestro asistente de IA generativa

Al igual que muchas otras empresas, nuestra organización, Deloitte, vio el potencial de un asistente de IA generativa para mejorar el desempeño de nuestros colaboradores de múltiples maneras, desde eliminar tareas rutinarias como escribir notas de reuniones hasta colaborar activamente en el trabajo analítico y creativo, como la investigación de mercado y la generación de ideas. En el otoño de 2023, nuestro equipo de transformación lanzó un asistente de IA generativa personalizado para realizar algunas de estas tareas.

Deloitte llevó a cabo una serie de actividades de formación y capacitación para familiarizar a la organización con la IA generativa y promover el uso del nuevo asistente. En los meses siguientes, observamos una adopción alentadora en toda la organización. Sin embargo, nuestro objetivo es que el asistente de IA generativa sea plenamente aceptado e integrado en el trabajo de todos.

Nueve meses después del lanzamiento inicial, seleccionamos un grupo de prueba de 750 consultores, desde analistas junior hasta directivos, y realizamos una medición de referencia sobre la confianza en la herramienta.

La encuesta de referencia reveló que los usuarios no comprendían el amplio rango de aplicaciones que la herramienta podía ofrecerles. También descubrimos que existía incertidumbre sobre qué fuentes de datos utilizaba la herramienta y cómo protegía la información.

En respuesta, modificamos los materiales de formación y las actividades implementadas en la fase inicial. Diseñamos estos cambios específicamente para mejorar la percepción de los consultores sobre la confiabilidad y la transparencia de la herramienta, con la esperanza de aumentar su uso y motivar a quienes aún no la habían probado. Estas fueron cuatro de las intervenciones que implementamos:

1. Perfiles de usuarios expertos: Publicamos breves descripciones sobre usuarios destacados que mostraban la variedad de formas en que utilizan la herramienta en su trabajo diario y los beneficios que obtienen de ella. Proporcionamos ejemplos reales de consultores de Deloitte que la utilizan para abordar el amplio conjunto de aplicaciones para las que está diseñada.

2. Pregunte al equipo de IA generativa: Organizamos sesiones de preguntas y respuestas sobre los aspectos técnicos de la herramienta, incluyendo explicaciones claras sobre cómo se entrena y cómo se utilizan los datos. Estas sesiones se diseñaron para abordar directamente las percepciones erróneas identificadas en la encuesta de referencia.

3. Maratones de prompts: Realizamos eventos interactivos en vivo en los que los participantes aprendieron a pedir al chatbot que genere ideas que puedan utilizar para resolver problemas concretos, demostrando su aplicación práctica y la variedad de formas en que pueden utilizarlo. En estos ejercicios adoptamos un enfoque de «formación de formadores», centrándonos en cómo generar confianza en la herramienta más que simplemente en cómo utilizarla.

4. Foros de la comunidad: Además, organizamos sesiones de nuestra comunidad de IA y Analítica para fomentar el intercambio de conocimientos y la participación de la comunidad. Complementamos estos foros con actualizaciones periódicas a través de nuestro boletín interno y otros canales. Compartimos nuestras ideas sobre confianza y soluciones, fomentando el aprendizaje y la mejora continuos, y demostrando nuestro compromiso con la transparencia y la confiabilidad. Estas comunicaciones repetidas y consistentes ayudaron a que las intervenciones anteriores se consolidaran.

Generar confianza desde el principio

Las empresas están avanzando rápidamente para aprovechar la IA generativa, y los empleados son, en cierto modo, los sujetos de prueba, es decir, los usuarios de primera línea. Estas organizaciones pueden aprender de nuestra experiencia e integrar la generación de confianza en sus programas de IA generativa dirigidos a sus colaboradores. Para ello:

1. No espere hasta el lanzamiento de la IA generativa para empezar a pensar en la confianza. Ponga las necesidades humanas en el centro e incorpore consideraciones sobre la confianza de los empleados desde el diseño inicial. Comience identificando los problemas que la IA generativa debe resolver. ¿El objetivo es ayudar a los empleados a trabajar con mayor eficiencia? ¿Eliminar tareas que consumen mucho tiempo? ¿Estimular la creatividad? ¿Las herramientas que ofrece realmente ayudan a satisfacer estas necesidades?

2. Priorice los elementos de diseño que fomenten la confianza de los empleados. Los empleados deben sentir que la IA generativa es capaz, confiable, transparente y que tiene un grado de «humanidad», en el sentido de que se adapta a sus necesidades individuales y les ayuda a hacer mejor su trabajo. Ponga a prueba estos elementos de confianza durante la formación preguntando a los usuarios, por ejemplo: «¿La herramienta se comunica con usted de manera clara y sencilla? ¿Considera que sus respuestas son precisas e imparciales?» Si la herramienta recibe una mala calificación en alguna de estas cuestiones básicas de confianza, identifique la causa y trabaje para resolverla.

3. Anticipe y aborde las preocupaciones de los empleados sobre la confiabilidad de la IA generativa. Incluya en sus estrategias de cambio y adopción materiales y capacitaciones que respondan a estas inquietudes, por ejemplo, explicando cómo la IA utiliza y protege sus datos.

4. Realice encuestas de seguimiento sobre la confianza en la IA generativa, identifique áreas donde la confianza siga siendo baja y desarrolle nuevos materiales de capacitación o intervenciones para resolver estos problemas. Las encuestas periódicas son esenciales para evaluar qué funciona y qué no, asegurando una mejora continua.

5. Evalúe el nivel general de confianza de los empleados en su organización y trabaje para fortalecerlo. Las empresas con un alto nivel de confianza superan significativamente a las rezagadas en términos de valor total de mercado (hasta cuatro veces más) y experimentan una mayor adopción de nuevas tecnologías. Nuestra investigación más reciente muestra que los empleados confían mucho más en la IA generativa si confían en su organización. En estas empresas de «alta confianza», los colaboradores tienen 2.6 veces más probabilidades de sentirse cómodos utilizando herramientas de IA que en empresas con bajos niveles de confianza.

Más allá de los beneficios empresariales, generar confianza es lo correcto. Ganarse la confianza fortalece las relaciones que queremos construir, las organizaciones a las que queremos pertenecer y el mundo en el que queremos vivir.

H

oy en día, los consumidores suelen empezar a ver una nueva serie de televisión confirmando su estatus de “reciente” en Rotten Tomatoes, reservan en un restaurante en función de sus valoraciones en Yelp y consultan las reseñas de productos antes de realizar una compra en Amazon.

Pero, ¿hasta qué punto podemos confiar en estas reseñas? Más allá del problema bien documentado de las reseñas falsas, la simple agregación de valoraciones sin procesar puede ser engañosa. Los consumidores más experimentados tienden a comprar (y calificar) productos de mayor calidad y, en consecuencia, a tener expectativas más altas. ¿El resultado? Los productos de mayor calidad se someten a un estándar más alto y pueden recibir valoraciones promedio más bajas que sus alternativas de menor calidad.

Se podría argumentar que el precio explica estas diferencias. ¿No debería exigirse más a un restaurante con estrella Michelin que cuesta cientos de dólares que a una comida rápida de 10 dólares? Aunque no cabe duda de que se trata de un argumento válido, pensamos que era solo una parte de la historia. Para demostrarlo, decidimos estudiar este sesgo en un mercado con precios uniformes: el de las películas.

El caso de las valoraciones de películas

Analizamos más de 9,000 películas en IMDb que recibieron un total de más de 650 millones de valoraciones. IMDb destaca convenientemente la calificación promedio de cada película y ofrece puntuaciones separadas de sus usuarios del “Top 1,000” (aquellos que han valorado más títulos en la plataforma). Para profundizar en nuestro análisis, también incorporamos 15 millones de valoraciones individuales de MovieLens, un popular sitio de recomendaciones de películas. Para medir la calidad, utilizamos indicadores externos como premios en festivales, nominaciones y reseñas de críticos profesionales.

Como era de esperar, los usuarios del “Top 1,000” en IMDb tienden a ver películas de mayor calidad y a calificarlas de forma más estricta. Entre las películas con características similares (año de producción, género y número de críticas), aquellas con al menos un premio o una nominación recibieron más del 5% de valoraciones adicionales de los usuarios del “Top 1,000”. Además, estos usuarios dieron puntuaciones más bajas que el usuario promedio en un asombroso 98% de las películas que estudiamos.

En conjunto, estos hallazgos revelan un claro sesgo contra las películas de mayor calidad: Debido a que estas películas deben impresionar a una audiencia más conocedora y crítica, sus valoraciones se ven afectadas en comparación con sus homólogas de menor calidad.

Una solución fácil de implementar

Este sesgo, aunque generalizado, se puede corregir con una solución sencilla. La clave es ajustar la rigurosidad de los usuarios al calcular las puntuaciones. Basándonos en las valoraciones individuales de MovieLens, medimos la “rigurosidad” de cada usuario comparando sus puntuaciones con la calificación promedio para las mismas películas.

Los resultados validaron nuestra teoría: Las valoraciones ajustadas se correlacionaban mejor con indicadores externos de calidad, como las nominaciones y los premios de los principales festivales de cine como Sundance, Toronto, Cannes y Venecia.

Implicaciones para las plataformas

Nuestro estudio destaca un problema central con las valoraciones de los consumidores. Incluso si asumimos que cada consumidor califica de forma honesta (pero subjetiva) y que no hay reseñas falsas, las comparaciones de las puntuaciones promedio pueden ser profundamente engañosas sobre la calidad relativa de los productos, ya que se aplican criterios totalmente distintos a unos y otros.

En última instancia, las plataformas deben reconocer que los sesgos en las valoraciones de los consumidores no son solo una consecuencia de actores malintencionados (por ejemplo, reseñas falsas), sino que están profundamente arraigados en el diseño de los sistemas de retroalimentación. Los algoritmos que se ajustan a este sesgo ofrecen un camino prometedor a seguir, permitiendo que los mercados y las redes mejoren la imparcialidad y la confiabilidad de sus productos.