E

n una empresa minorista de la lista Fortune 500, la dirección proporcionó a un equipo responsable de redactar contratos de negociación con proveedores una herramienta de IA diseñada para agilizar su trabajo. Impulsada por un modelo de lenguaje de gran tamaño (LLM, por sus siglas en inglés) ampliamente utilizado, la dirección esperaba que la herramienta acelerara el trabajo del equipo. Sin embargo, a pesar de las altas expectativas, la producción del equipo no cambió. Aunque la herramienta podía generar texto genérico (por ejemplo, un borrador inicial de un contrato), el equipo tenía que personalizar ese texto para cada proveedor.

Esta historia refleja un patrón de cómo las herramientas de IA no cumplen con sus promesas. En una encuesta reciente que realizamos a 30 empresas de diversos sectores, los encuestados informaron que las herramientas genéricas de IA a menudo no ayudan a los usuarios a completar las tareas específicas requeridas en flujos de trabajo únicos, porque son genéricas.

Esta brecha entre las capacidades genéricas de la IA y las necesidades específicas y cambiantes de los equipos apunta a un desafío más profundo: las herramientas actuales no están diseñadas para comprender cómo se realiza realmente el trabajo. En este artículo, ofrecemos dos conceptos clave que pueden ayudar a cerrar esa brecha: los “gráficos de trabajo” (mapas digitales de cómo trabajan los equipos) y la “localización mecanicista inversa” (adaptación de los modelos de IA a los equipos). Estas ideas ayudan a explicar por qué la IA tradicional a menudo se queda corta y cómo las organizaciones pueden diseñar sistemas de IA que se adapten a flujos de trabajo, usuarios y contextos reales.

Por qué la herramienta de IA no creaba valor

Considere este problema en el contexto de un proceso particular ejecutado por el equipo de contratos. Tradicionalmente, al redactar un nuevo contrato para un proveedor, el equipo:

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

— Revisaba las cotizaciones del proveedor y los términos de negociación de proveedores similares (o relacionados).

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

Cuando el equipo de contratos adoptó por primera vez la herramienta de IA, su proceso comenzaba generando un contrato básico y genérico. A partir de ahí, dedicaban una cantidad considerable de tiempo a perfeccionarlo manualmente. Los resultados de la herramienta de IA se basaban en gran medida en contenidos públicos de Internet y carecían de los matices y el contexto específicos necesarios para sus contratos. Aunque el equipo consideró que la herramienta de IA era interesante, le resultaba difícil ver un impacto real en términos de reducción de esfuerzo.

Este es un ejemplo de la “paradoja de la productividad” de la IA en acción: una tecnología increíble que, sin una profunda adaptación contextual, no se traduce en mejoras tangibles de productividad.

Los modelos de IA potentes destacan porque están entrenados con grandes conjuntos de datos genéricos, pero su universalidad es un arma de doble filo. Si bien estos modelos pueden realizar una amplia gama de tareas, a menudo pasan por alto el contexto único de flujos de trabajo específicos y las necesidades particulares de los equipos, lo que lleva a una pérdida de ganancias en productividad.

El contexto lo es todo

Mientras la empresa experimentaba con esta IA, también trabajaba en lo que se convertiría en una solución a ese problema del contexto mediante la implementación de herramientas para mapear sus procesos y crear un gráfico de trabajo: una vista dinámica en tiempo real de cómo los equipos ejecutan sus flujos de trabajo en todos los sistemas. Estos mapas capturaban más que solo tareas: revelaban cómo se tomaban las decisiones, qué datos se consultaban y qué sistemas estaban involucrados.

Y aquí es donde surgió la verdadera oportunidad: el gráfico de trabajo (que incluía dos meses de actividad verificada y rica en contexto) podía utilizarse para entrenar la herramienta de IA. Debido a que capturó todo lo que el equipo consideraba importante, proporcionó a la herramienta de IA un contexto en tiempo real validado por humanos, lo que permitió que la herramienta comenzara a trabajar de una manera alineada con cómo realmente trabajaba el equipo. Con esta información, la herramienta de IA fue capaz de producir un primer borrador significativamente más completo, reduciendo iteraciones y acelerando el camino hacia un contrato final y utilizable.

Sin embargo, para que esto funcionara se requería algo más que los datos correctos: exigía el enfoque correcto. Mientras que la automatización tradicional a menudo busca reemplazar el trabajo humano, el objetivo aquí era personalizar la IA para que trabajara mejor para los equipos, reflejando cómo operan. Para lograrlo, aplicamos un enfoque llamado “localización mecanicista inversa” (RML, por sus siglas en inglés). Para entender cómo funciona una IA, lo habitual es aplicarle ingeniería inversa desde una perspectiva humana. La RML le da la vuelta a esa idea: aplica ingeniería inversa a la forma en que trabajan los humanos, analizando en profundidad los flujos de trabajo, las decisiones y el contexto reales de un equipo, y lo usa para adaptar la IA para servir mejor al equipo.

Los siguientes pasos estuvieron involucrados en la implementación de la RML para el equipo de contratos.

1. Mapear el gráfico de trabajo.

Comenzamos capturando cada paso e interacción humano-máquina que los miembros del equipo de contratos realizaban en su trabajo: cómo recuperaban información sobre un proveedor, cómo realizaban verificaciones cruzadas, cómo integraban manualmente diversas fuentes de datos en archivos de Excel, etc. Estos datos granulares y de alta fidelidad son la esencia del contexto local de un equipo.

Estos datos, en todas las organizaciones, proporcionan los detalles específicos de cómo trabaja realmente un equipo. Cuando este rico tapiz se introduce en la herramienta de IA, le permite transformar un modelo genérico en una herramienta altamente especializada que comprende el lenguaje local del trabajo.

2. Ajustar el gráfico de trabajo.

Una vez que mapeamos el gráfico de trabajo del equipo de contratos, utilizamos sus conocimientos detallados como contexto y lo usamos para ajustar el modelo que impulsa la herramienta de IA. Eso requería alimentar al modelo (bajo la herramienta de IA) con patrones de trabajo y datos (por ejemplo, información de proveedores). Este es el paso clave: integrar el contexto local de un equipo en la herramienta de IA. Al integrar los patrones de trabajo específicos y las señales contextuales de las operaciones diarias del equipo, la herramienta de IA genera un primer borrador del contrato que incluye varios detalles del proveedor, los matices en torno a sus calificaciones crediticias, etc.

3. Perfeccionamiento continuo.

Las organizaciones evolucionan continuamente. Los procesos cambian, se introducen nuevas tecnologías y las situaciones y prioridades se transforman. Por lo tanto, las empresas deben actualizar continuamente el gráfico de trabajo e introducir los patrones emergentes en el modelo para mantener actualizadas las herramientas de IA.

Este tipo de retroalimentación, llamada “aprendizaje por refuerzo con retroalimentación humana” (RLHF, por sus siglas en inglés), se utiliza para ajustar y perfeccionar el modelo dentro de la herramienta de IA. Como resultado, la herramienta de IA continúa adaptándose a las necesidades del equipo, asegurando una alta precisión sostenida a lo largo del tiempo.

¿Qué pueden hacer los CXOs?

Los directores de experiencia del cliente (CXO, por sus siglas en inglés) deben reconocer que la IA no es una tecnología de “implementar y olvidar”. En cambio, su valor se desbloquea cuando el sistema está alineado con los patrones de trabajo específicos y los procesos de toma de decisiones de la organización.

Al invertir en un enfoque personalizado, las empresas pueden reducir significativamente las tasas de error, recortar los costos operativos y, en última instancia, lograr un ROI mucho mayor en sus iniciativas de IA. En el panorama competitivo actual, descuidar la integración de esta capa de conocimiento contextual significa dejar el dinero, y la ventaja estratégica, sobre la mesa.

En resumen, si su estrategia de IA depende únicamente de soluciones estándar, corre el riesgo de perderse una transformación que impulse una verdadera productividad y reducción de riesgos. Por lo tanto, una estrategia de IA completa debe incluir un perfeccionamiento continuo mediante conocimientos localizados para garantizar que las inversiones en tecnología aporten valor inmediato y a largo plazo.

S

egún las predicciones de PwC para 2025, la IA es el principal factor que cambiará fundamentalmente la manera de hacer negocios y crear valor este año. La IA se está integrando rápidamente en la forma en que los empleados ejecutan las tareas esenciales en organizaciones de diversos sectores, desde la optimización del servicio al cliente hasta el apoyo en la toma de decisiones y la mejora de la eficiencia. Esta tecnología también está a punto de transformar la forma en que se gestiona a los trabajadores. Los sistemas y agentes de IA son cada vez más capaces de supervisar el flujo de trabajo, y cómo los empleados y la IA colaboran en dichas tareas.

Sin embargo, aunque el porcentaje de organizaciones que adoptan IA ha pasado del 55% en 2023 al 78% en 2024, según McKinsey, los empleados muestran un entusiasmo significativamente menor respecto al uso de la IA en sus actividades diarias. Esto plantea una pregunta importante: ¿Los empleados confían en estas tecnologías?

La evidencia sugiere que la confianza es escasa. En una encuesta reciente de Pew Research, los encuestados informaron sentirse reticentes respecto a la IA: el 52% afirmó sentirse “preocupado” por el impacto de la IA en el lugar de trabajo, y el 33% dijo sentirse “abrumado”, en comparación con el 36% que se describió como “esperanzado”. A nivel global, Edelman descubrió que el 35% de los encuestados dijo rechazar la IA, frente al 30% que la adoptó. Según otra encuesta de Pew Research, el 71% de los estadounidenses se oponía a que las empresas utilizaran IA para tomar decisiones finales de contratación, y el 61% se oponía a su uso para rastrear los movimientos de los trabajadores.

Investigaciones recientes sobre gestión también han demostrado que una de las principales razones por las que los empleados no confían en la IA es que consideran que estas herramientas carecen de benevolencia al hacer recomendaciones y tomar decisiones, y dudan que la IA “se preocupe” y tome en cuenta sus intereses. La benevolencia (la disposición a adoptar una orientación positiva para servir a los intereses de otro interdependiente) es un concepto importante en este contexto, porque representa la característica fundamental del fideicomisario (la IA) para hacer el bien al fideicomitente (los empleados), como base para que surja la confianza.

Estas preocupaciones de los empleados también envían una señal a los líderes organizacionales de que la confianza en ellos también podría estar faltando. Los empleados desean saber si la adopción de la IA promoverá sus intereses o conducirá a su despido; si potenciará o reemplazará sus contribuciones.

A medida que las organizaciones consideran integrar sistemas de IA en su gestión y toma de decisiones, deben preguntarse cómo la IA influirá en la forma en que los empleados perciben la benevolencia. Al pensar en esto, deben considerar cómo estos sistemas pueden afectar la experiencia de los empleados y su visión del trabajo, así como qué rol debe desempeñar la gerencia en la mediación de las recomendaciones de la IA para abordar las preocupaciones de los empleados.

La IA y la capacidad de ser benévola

Los sistemas de IA son cada vez más hábiles para reconocer patrones en las interacciones humanas. Esta capacidad es lo que los hace tan efectivos para funcionar de manera (semi)autónoma en áreas como el servicio al cliente, las recomendaciones personalizadas y la gestión del flujo de trabajo. Al analizar grandes conjuntos de datos sobre comportamiento humano, los sistemas de IA pueden hacer inferencias matizadas sobre las preferencias, estilos de comunicación y respuestas humanas, y posteriormente tomar decisiones. Debido a esto, estos sistemas también pueden comunicarse de maneras que parecen humanas.

Dado que la IA refleja lo que ve en los datos y toma señales de quien le da instrucciones, puede reflejar tanto los valores vividos como los declarados de una empresa. Las organizaciones pueden entrenar a la IA que proporciona recomendaciones para que parezca benévola mediante el uso de indicaciones y solicitudes específicas. Por ejemplo, una IA puede recibir instrucciones para que identifique y priorice los intereses de las partes involucradas en una decisión empresarial.

Las empresas ya están haciendo esto. Por ejemplo, en 2017, Salesforce utilizó su sistema interno de IA para asesorar a los líderes cuando tomaban decisiones. En esos casos, la IA se empleó para reducir el sesgo en las reuniones y disminuir la política interna o las agendas personales. Ayudó a defender los intereses de las partes interesadas, a que los líderes tomaran decisiones benévolas y a demostrar que la IA puede ser una herramienta que ayuda a promover la benevolencia en la toma de decisiones.

Es poco probable que los empleados experimenten estas intervenciones como evidencia de la benevolencia de la IA (ni deberían hacerlo), porque generalmente consideran que esa es una cualidad humana y que está fuera del alcance de estas herramientas.

Esto se debe a que los sistemas de IA no son ni pueden ser benévolos. De hecho, estos sistemas operan a través de algoritmos que siguen patrones estadísticos y objetivos predefinidos sin ningún propósito autoimpuesto; y, como tal, no existe intención en la lógica interna del motor de IA. Sin la capacidad de tener una opinión y tomar una decisión basada en el juicio, los sistemas de IA tienen una comprensión limitada del mundo y de lo que motiva a los humanos en ese mundo. Y, por esa razón, los sistemas de IA no poseen la disposición genuina de cuidar los intereses de las personas.

Recomendaciones

Para fomentar la confianza en la IA, es importante que las organizaciones comprendan que esto no es solamente un ejercicio de ingeniería donde se necesitan intervenciones a nivel de la tecnología en sí, como el código abierto y la promoción de una IA explicable. Garantizar que la IA sea aceptada por los empleados requiere que estos puedan comprenderla y saber cómo funciona. Lograr este tipo de confianza requiere intervenciones tanto a nivel de la IA como del liderazgo. He aquí cómo hacerlo:

1. Para construir un entorno donde los empleados puedan adoptar la IA con confianza, las organizaciones deben promover los factores de confianza cognitiva de la IA: fiabilidad, precisión y transparencia. Las investigaciones demuestran que los sistemas percibidos como confiables y comprensibles fomentan una mayor aceptación entre los usuarios. Este tipo de confianza puede lograrse interviniendo en la tecnología misma. Por ejemplo, la realización de auditorías periódicas sobre la precisión de la IA, los esfuerzos de mitigación de sesgos y el seguimiento del desempeño pueden tranquilizar a los empleados sobre la fiabilidad de la IA, animándolos a comprometerse plenamente con la tecnología.

2. Los líderes deben demostrar una preocupación genuina por el bienestar y la equidad de los empleados, porque la IA no puede hacerlo. En última instancia, el liderazgo será quien decida cómo se usa y se empodera la IA, y dónde no. Al involucrar a los empleados en discusiones sobre el papel de la IA en su trabajo y abordar sus preocupaciones con transparencia, los líderes pueden ayudar a crear una cultura laboral donde los empleados se sientan valorados y perciban la IA como una solución que se adopta con el objetivo de empoderarlos y hacerlos crecer, en lugar de reemplazarlos.

3. La solución óptima para la falta de confianza en la IA requiere una “combinación IA-líder” que garantice que los empleados se sientan no solo técnicamente seguros con la IA, sino también que tengan la seguridad de que servirá a sus intereses de manera respetuosa y justa. Para promover la aceptación de esta combinación (IA-líder) y mejorar la confianza en la IA en toda la organización, es necesario desarrollar e implementar programas de capacitación. Estos programas existen para ayudar a que los empleados se sientan menos amenazados por la adopción de la IA, al tiempo que se sienten empoderados por sus supervisores. Esto puede lograrse promoviendo la alfabetización digital y la comprensión del funcionamiento de la IA. Una mejor comprensión de la IA, combinada con discusiones lideradas por el liderazgo que presenten a la IA como una herramienta de apoyo para contribuir al propósito de la empresa y a los intereses de todos los involucrados, empoderará aún más a los empleados para ver cómo la IA puede contribuir a sus funciones y al crecimiento de su carrera.

Dividir el rol de liderazgo entre dos ejecutivos es una práctica cada vez más popular en las empresas. El éxito ha sido mixto, y los fracasos a menudo se atribuyen a un mal ajuste o a la falta de preparación. La adecuación y la preparación son importantes, pero las juntas directivas y los líderes a menudo actúan como si el desafío consistiera principalmente en establecer el acuerdo.

He trabajado con líderes durante 20 años y, gracias a este trabajo, he descubierto que la preparación inicial no es suficiente. Los colíderes deben seguir trabajando en esta estructura inusual a lo largo del tiempo. Cuando el proceso funciona bien, los colíderes pueden crear un valor extraordinario para la organización. Pero sin un enfoque sostenido, suelen caer en los peores aspectos de la distribución del poder, con conflictos y dudas que socavan el negocio.

He aquí ocho errores que a menudo veo cuando las empresas optan por un enfoque de liderazgo compartido:

1. Las empresas eligen a los colíderes para resolver un problema de talento, no para impulsar resultados sostenidos.

Con demasiada frecuencia, las empresas deciden designar a los colíderes por las razones equivocadas. En los niveles inferiores a la alta dirección, las empresas designan líderes duales para la planificación de sucesión como una forma de probar a varias personas en un puesto y recopilar datos sobre cómo se perfila cada uno de los de alto potencial. O quieren retener a un productor estrella que en realidad no está tan interesado en la gestión, por lo que lo emparejan con un colíder que asumirá las principales tareas de gestión. En el caso de una contratación lateral, los líderes pueden emparejar al novato con un veterano para integrar mejor a un ejecutivo talentoso.

Todas estas son razones comprensibles, pero tienen más que ver con las necesidades de talento de la organización que con el negocio en sí.

2. Los colíderes no siguen construyendo credibilidad a lo largo del tiempo.

La sabiduría convencional dice que la organización necesita establecer la autoridad y la justificación de los colíderes desde el principio de su nombramiento, en función de su experiencia y de cómo sus habilidades se complementan entre sí. No hay nada de malo en esto, pero no es suficiente.

En los seis a doce meses posteriores al nombramiento conjunto, cada colíder necesita establecer activamente su credibilidad en el nuevo rol (interna y externamente) y coordinarse entre sí. Los colíderes no solo necesitan comprender sus posiciones, sino también explicarlas y respaldarse mutuamente. Más allá del mensaje, los colegas y subordinados analizarán cómo se muestran los socios de liderazgo en conjunto, incluso en pequeños detalles, como quién habla primero o quién tiene más tiempo en eventos importantes de la empresa.

En los primeros meses también resultará útil obtener resultados conjuntos (rápidos). Estos pueden ser externos (como generar impacto con un cliente clave) o internos (como designar personas clave o incluso cambiar todo el equipo de liderazgo de manera fluida). Simplificar la toma de decisiones en torno a un tema clave también puede contribuir a la credibilidad, ya que muestra la eficacia de los colíderes a la hora de mejorar la forma en que la organización trabaja para crear valor.

3. No identifican las sinergias.

El siguiente error se produce cuando ambos colíderes planifican su trabajo. A menudo buscan “dividir y conquistar”, es decir, cada colíder elige algunos temas o desafíos como su área de responsabilidad. Pero “dividir y conquistar” es solo el resultado, no el plan; y con demasiada frecuencia los colíderes dividen el trabajo según sus preferencias, no según las necesidades del negocio.

En lugar de centrarse en lo que quieren o en donde tienen experiencia, los colíderes deben abordar las oportunidades y amenazas de cada área, y establecer las responsabilidades en función del valor potencial que se puede crear. Algunas áreas pueden dividirse sin problemas, pero otras se beneficiarán de trabajar de manera colaborativa para lograr un resultado de “1+1=3”.

4. No crean suficiente tensión creativa.

El cuarto error tiene que ver con el conflicto. Con demasiada frecuencia, los colíderes están tan preocupados por evitar los desacuerdos que cada uno se aleja de los temas sensibles. Se refugian no sólo en sus propias áreas, sino también en sus propias opiniones sobre la empresa. Sin duda alguna, los colíderes no deben exponer públicamente los conflictos; siempre deben presentar un frente unificado. Sin embargo, en las conversaciones individuales y en determinadas reuniones, la tensión creativa realmente ayudará al negocio.

Al desafiarse mutuamente, los colíderes fomentan la diversidad de pensamiento, lo que no sólo reduce el riesgo, sino que también promueve la innovación en la empresa.

5. No contribuyen de forma comparable.

Con el tiempo, los colíderes pueden descuidar las prioridades conjuntas en favor de sus intereses individuales. Mientras cada socio trabaje por igual, no parece haber problema. Sin embargo, con demasiada frecuencia, uno de los colíderes realiza la mayor parte del trabajo en las prioridades compartidas y resiente al otro por concentrarse en sus iniciativas favoritas. Sin una coordinación y alineación continuas, los colíderes pierden la noción de quién está haciendo qué en esas prioridades. O uno de ellos tiene más carisma y acapara la atención externa, dejando de lado al otro colíder.

6. No cierran las brechas de comunicación.

Los colíderes a veces sobreestiman la importancia de las cualidades de liderazgo, como la presencia, la seriedad, las habilidades de presentación y la capacidad de hablar en público. Ciertamente, son importantes, pero rara vez determinan el éxito de un acuerdo de coliderazgo.

En su lugar, deben centrarse en la eficiencia de su comunicación. En parte para seguir presentando un frente unido, deben mantenerse al día entre sí al menos cada dos días. Estos intercambios deben ser informativos y rápidos, al menos la mayoría de los días. Un jefe de personal compartido puede ayudar con estos intercambios. Escuchar se convierte en un factor multiplicador de la eficiencia, ayudando a los colíderes a llegar al mensaje real (eliminando el ruido), ya que es esencial tener una comprensión compartida.

7. No revisan periódicamente los planes de mejora.

Los colíderes suelen resistirse a las conversaciones explícitas sobre cómo están haciendo el trabajo. Temerosos de provocar problemas y de menospreciar lo que consideran una “terapia de pareja”, tienden a mantener conversaciones breves y centradas en lo que está sucediendo, no en cómo están trabajando juntos. El problema es que esto hace que la mayoría de los errores descritos aquí sean más probables.

Un mejor enfoque es el que he visto en el trabajo con un cliente. Allí, los colíderes dedican medio día por trimestre para dar un paso atrás y analizar cómo están trabajando. Durante esta sesión, trabajan para revisar unas “reglas de compromiso” explícitas (una lista viva de principios de trabajo con respecto a los cuales se autoevalúan y revisan su impacto).

8. Se olvidan de hacer del acuerdo de colaboración una experiencia de crecimiento.

Demasiadas juntas directivas y CEOs prestan poca atención a cómo cada colíder se beneficiará de la experiencia. Asumen que el puesto en sí mismo es su propia recompensa, y que cada uno debe estar agradecido por la oportunidad. Sin embargo, los acuerdos de coliderazgo, cuando se hacen bien, aún pueden ser difíciles para los individuos. Para evitar el agotamiento, los colíderes deben tener su propia motivación e interés en el acuerdo.

Los acuerdos de coliderazgo no son para todos, y las juntas directivas y CEOs deben asegurarse de que los líderes propuestos estén dispuestos, capacitados y listos para complementarse entre sí. Al evitar los ocho errores descritos anteriormente, las empresas pueden crear nuevos tipos de valor que serían imposibles de lograr con líderes unitarios.