E

n los últimos años, la IA ha pasado de ser un ámbito exclusivo de los equipos técnicos a convertirse en una herramienta de uso generalizado. Antes, la IA operaba detrás de escena (por ejemplo, impulsando productos de consumo o moldeando los contenidos que aparecen en las redes sociales); ahora, el público en general interactúa directamente con asistentes virtuales y chatbots basados en IA generativa. Este aumento en el uso también ha despertado una mayor conciencia sobre los riesgos que pueden acompañar a los sistemas de IA. 

Todo esto ha impulsado la aparición de una nueva profesión: el auditor algorítmico.

Aunque las auditorías se están convirtiendo en un componente central del trabajo con IA, no siguen un proceso predeterminado ni lineal; más bien, están formadas por una red de decisiones distintas, tanto desde el punto de vista empresarial como técnico. A continuación, explicamos lo que los líderes empresariales deben saber sobre el funcionamiento de estas auditorías y cómo pueden ayudar a orientar el proceso.

Cuatro desafíos de las auditorías algorítmicas

¿Qué es una auditoría algorítmica? En pocas palabras, es una forma de responder a una pregunta sobre un sistema algorítmico mediante el análisis de datos sobre cómo interactúan los usuarios y los sistemas. Parte de la dificultad del proceso radica en convertir esas preguntas en algo concreto y operativo, identificando los datos y sistemas adecuados para responderlas.

Este proceso presenta cuatro desafíos comunes:

1. Las auditorías no siguen una línea recta

Con frecuencia, los auditores se encuentran tomando muchos desvíos en el camino, que van desde la pregunta de investigación hasta la respuesta. A medida que conocen mejor el sistema que están auditando y los datos que lo sustentan, a menudo tienen que ajustar el rumbo.

2. La gobernanza de datos es un caos

No es raro que los equipos técnicos dediquen la mayor parte de su tiempo a encontrar los datos adecuados y asegurarse de que puedan interpretarlos correctamente.

3. La confianza interna es esencial

El equipo responsable del sistema auditado puede sentirse amenazado ante la idea de que su trabajo será evaluado, especialmente cuando los auditores son ajenos a su equipo. Esto puede generar un entorno de poca confianza, en el que resulta difícil fomentar la colaboración y donde los incentivos no están alineados.

4. El enfoque está puesto en el pasado

A menos que el sistema esté siendo monitoreado en tiempo real, las auditorías se centran en el pasado. Esto genera ciertos desafíos técnicos: el proceso solo será exitoso en la medida en que los auditores logren reconstruir lo ocurrido.

Lo que los líderes pueden hacer

Antes de que una organización inicie un proceso de auditoría externa, debe seguir ciertos pasos para prepararse.

— Cultura e incentivos: La cultura siempre se define desde arriba. Los líderes deben dejar claro que las auditorías forman parte del trabajo cotidiano, y que no son medidas punitivas o una carga adicional.

— Diseñar la auditoría: Aunque se necesita tiempo y recursos para desarrollar la capacidad de auditoría interna y determinar los procesos adecuados, contar con un equipo interno eficaz puede suponer una ventaja a largo plazo. Por otro lado, los auditores externos no generan fricciones entre las distintas partes de la empresa, lo que podría ser una de las razones por las que a menudo se recurre a proveedores externos (aunque resulten más costosos).

Durante una auditoría

A pesar de que se haya llevado a cabo una preparación adecuada, la auditoría en sí misma puede resultar más complicada de lo que la mayoría esperaría. Los líderes empresariales deben ser conscientes de ello, aceptar el desorden inherente al proceso y ayudar aportando claridad.

— Dar forma al proceso: Los líderes deben tenerlo presente y asegurarse de recibir actualizaciones periódicas sobre las decisiones estratégicas más recientes, para poder ofrecer orientación cuando sea necesario.

También es fundamental que exijan una documentación exhaustiva de todas las decisiones técnicas, incluidas las compensaciones y cualquier métrica indirecta que se haya considerado. Esto ayudará a interpretar los resultados dentro de su contexto específico y con sus limitaciones.

E

n los últimos años, la IA ha pasado de ser un ámbito exclusivo de los equipos técnicos a convertirse en una herramienta de uso generalizado. Antes, la IA operaba detrás de escena (por ejemplo, impulsando productos de consumo o moldeando los contenidos que aparecen en las redes sociales); ahora, el público en general interactúa directamente con asistentes virtuales y chatbots basados en IA generativa. Este aumento en el uso también ha despertado una mayor conciencia sobre los riesgos que pueden acompañar a los sistemas de IA: desde el trato desigual hacia distintos grupos hasta la generación de información falsa, sensible o dañina, especialmente en temas de gran impacto (como cuestiones médicas o legales).

En respuesta, los responsables de formular políticas públicas han intentado establecer límites y salvaguardas sobre el impacto que estas herramientas pueden tener en la sociedad.

Todo esto ha impulsado la aparición de una nueva profesión: el auditor algorítmico.

Aunque las auditorías se están convirtiendo en un componente central del trabajo con IA, no siguen un proceso predeterminado ni lineal; más bien, están formadas por una red de decisiones distintas, tanto desde el punto de vista empresarial como técnico. A continuación, explicamos lo que los líderes empresariales deben saber sobre el funcionamiento de estas auditorías y cómo pueden ayudar a orientar el proceso.

Cuatro desafíos de las auditorías algorítmicas

¿Qué es una auditoría algorítmica? En pocas palabras, es una forma de responder a una pregunta sobre un sistema algorítmico mediante el análisis de datos sobre cómo interactúan los usuarios y los sistemas. Estas preguntas (que suelen tener como objetivo comprender si un sistema funciona según lo previsto o si perjudica a los usuarios) pueden ser tanto concretas como abstractas. Parte de la dificultad del proceso radica en convertir esas preguntas en algo concreto y operativo, identificando los datos y sistemas adecuados para responderlas.

Este proceso presenta cuatro desafíos comunes:

1. Las auditorías no siguen una línea recta

Con frecuencia, los auditores se encuentran tomando muchos desvíos en el camino, que van desde la pregunta de investigación hasta la respuesta. A medida que conocen mejor el sistema que están auditando y los datos que lo sustentan, a menudo tienen que ajustar el rumbo, lo que puede traducirse en plazos de entrega más largos o en pequeños cambios en el enfoque.

2. La gobernanza de datos es un caos

La gobernanza interna de datos suele parecerse menos a un rascacielos moderno (con una distribución racional y un plano claro) y más a un edificio antiguo en el que cada nueva capa se construye sobre la anterior, muchas veces sin tener en cuenta los usos previos. No es raro que los equipos técnicos dediquen la mayor parte de su tiempo a encontrar los datos adecuados y asegurarse de que puedan interpretarlos correctamente.

También hay otros problemas comunes. Quizá la persona responsable del conjunto de datos ya dejó la organización, o tal vez ese conjunto de datos simplemente fue descontinuado y sustituido por uno más reciente, pero sin documentación. En la mayoría de los casos, la única manera de avanzar es encontrar a alguien que pueda ayudar, un proceso poco eficiente y que consume mucho tiempo.

3. La confianza interna es esencial

La dinámica de los equipos desempeña un papel importante. El equipo responsable del sistema auditado puede sentirse amenazado ante la idea de que su trabajo será evaluado, especialmente cuando los auditores son ajenos a su equipo. Esto puede generar un entorno de poca confianza, en el que resulta difícil fomentar la colaboración y donde los incentivos no están alineados.

Para ser efectivos, los auditores necesitan orientación y apoyo del equipo auditado, ya que no carecen del conocimiento especializado del sistema que están evaluando. La cultura adecuada es aquella en la que tanto auditores como auditados trabajan juntos para fortalecer el sistema y, en última instancia, obtener un resultado más sólido y de mayor calidad.

4. El enfoque está puesto en el pasado

A menos que el sistema esté siendo monitoreado en tiempo real, las auditorías se centran en el pasado. Esto genera ciertos desafíos técnicos: el proceso solo será exitoso en la medida en que los auditores logren reconstruir lo ocurrido. Para empezar, es posible que los datos necesarios ya no se encuentren disponibles en el sistema.

Un problema relacionado es que los sistemas algorítmicos cambian con el tiempo. Los modelos pueden volver a entrenarse con datos más recientes, o un sistema antiguo puede ser sustituido por un algoritmo o una arquitectura más nuevos. Puede ser muy difícil (e incluso imposible) reproducir las condiciones exactas en las que se encontraba cada componente durante el periodo de auditoría deseado. En este sentido, es de esperar que exista cierta disparidad, pero debe exigirse a los auditores que documenten los problemas encontrados al buscar los datos adecuados y que estimen hasta qué punto los resultados de la auditoría son aplicables a los sistemas que actualmente están en funcionamiento.

Lo que los líderes pueden hacer

Estas son algunas acciones útiles que pueden tomarse antes y durante una auditoría.

Antes de una auditoría

Antes de que una organización inicie un proceso de auditoría externa, debe seguir ciertos pasos para prepararse.

— Cultura e incentivos: Las auditorías pueden no ser bien recibidas por los equipos responsables del sistema que será examinado. Pueden sentirse bajo presión, frustrados y, en última instancia, molestos porque su trabajo está bajo lupa.

La cultura siempre se define desde arriba. Los líderes deben dejar claro que las auditorías forman parte del trabajo cotidiano, y que no son medidas punitivas o una carga adicional.

Como parte de la preparación, los líderes empresariales podrían estructurar la organización de modo que cada equipo cuente con una persona designada que esté disponible para responder directamente cualquier pregunta sobre datos y algoritmos, o que tenga la capacidad de orientar hacia la dirección correcta. Esto ayudaría a aislar y minimizar las interrupciones.

— Diseñar la auditoría: Las auditorías exigidas por ley deben ser realizadas por auditores externos e independientes. Aunque se necesita tiempo y recursos para desarrollar la capacidad de auditoría interna y determinar los procesos adecuados, contar con un equipo interno eficaz puede suponer una ventaja a largo plazo. Por otro lado, los auditores externos no generan fricciones entre las distintas partes de la empresa, lo que podría ser una de las razones por las que a menudo se recurre a proveedores externos (aunque resulten más costosos).

Un equipo de auditoría centralizado acumulará una experiencia más profunda y, al trabajar con distintas áreas del negocio, tendrá una comprensión más amplia e integral del proceso. Sin embargo, al ser externos al equipo auditado, estos equipos necesitarán más tiempo para ganarse su confianza y recopilar la información necesaria para realizar su trabajo. Un equipo que audita sus propios sistemas, por supuesto, partirá de una comprensión más completa de todos sus componentes. Sin embargo, al realizar auditorías con menor frecuencia, podría pasar por alto algunas buenas prácticas importantes.

Durante una auditoría

Aunque se haya llevado a cabo una preparación adecuada, la auditoría en sí misma puede resultar más complicada de lo que la mayoría esperaría. Los líderes empresariales deben ser conscientes de ello, aceptar el desorden inherente al proceso y ayudar aportando claridad.

— Dar forma al proceso: Dado que la auditoría es un proceso no lineal, pueden producirse muchos cambios mientras se lleva a cabo. Los líderes deben tenerlo presente y asegurarse de recibir actualizaciones periódicas sobre las decisiones estratégicas más recientes, para poder ofrecer orientación cuando sea necesario.

También es fundamental que exijan una documentación exhaustiva de todas las decisiones técnicas, incluidas las compensaciones y cualquier métrica indirecta que se haya considerado. Esto ayudará a interpretar los resultados dentro de su contexto específico y con sus limitaciones.

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.

L

a IA generativa está empezando a cambiar nuestra forma de comprar. En lugar de navegar por sitios web o pasear por las tiendas, la gente está empezando a pedir a los agentes de IA que busquen, comparen e incluso compren productos. Pero aún estamos en una etapa temprana. Y así como las empresas tuvieron que adaptarse a las nuevas reglas del comercio electrónico, ahora se enfrentan a un nuevo conjunto de desafíos en torno a cómo gestionan su reputación, conectan con los clientes y compiten en este nuevo escenario.

Para impulsar la adopción del comercio agéntico a gran escala, las marcas necesitan descubrir cómo ganar (y mantener) la confianza de los clientes. Y para lograrlo, deben comprender qué puede salir mal y qué medidas tomar ahora para evitar que se rompa la confianza.

La brecha de confianza es medible

Según la encuesta “El futuro de las compras de los consumidores”, realizada por PwC en 2025, el 64% de los encuestados afirmó que necesita al menos una garantía (como la devolución de su dinero) para sentirse cómodo dejando que un agente de IA realice compras en su nombre.

El desafío para las marcas en los sectores minorista, de bienes de consumo y de viajes es claro y urgente: ¿Cómo pueden prepararse para el comercio agéntico cuando las reglas todavía se están escribiendo? Usted no puede controlar por completo si los consumidores adoptarán estas herramientas. Pero sí tiene control sobre cómo aparece su marca en las experiencias impulsadas por agentes, y sobre si los clientes se sienten protegidos cuando delegan decisiones a la IA.

Construir la capa de confianza

El comercio agéntico necesita su propia infraestructura de confianza (lo que denominamos “capa de confianza”). Aunque la confianza puede parecer un concepto abstracto, se rompe de formas específicas y predecibles: cuando los agentes malinterpretan los productos, actúan más allá de lo que los clientes esperan, gestionan incorrectamente datos confidenciales, tergiversan las marcas o dejan a los consumidores desamparados cuando algo sale mal.

Recomendamos que las empresas adopten desde ahora cinco acciones para construir esa capa de confianza.

1. Estructurar su contenido para máquinas, no solo para humanos.

Para confiar en un agente de IA, los clientes necesitan que este proporcione información precisa y relevante en todo momento. Esto no es posible si el agente no comprende el producto y sus características.

Los agentes de IA no navegan visualmente ni interpretan matices como lo hacen las personas. Procesan texto y números. Esto significa que el descubrimiento de productos en compras impulsadas por agentes depende menos del branding o de la optimización tradicional para motores de búsqueda y más de los datos de productos legibles por máquinas, un enfoque que a menudo se denomina “optimización generativa para motores de búsqueda”. Los precios, las tallas, la disponibilidad, los materiales, los casos de uso y las limitaciones deben expresarse en formatos que los agentes puedan analizar y comparar de forma confiable.

Es posible que las marcas también necesiten garantizar que esta información sea accesible. Mientras que las personas navegan de una página a otra y leen las descripciones redactadas en texto tradicional, la información destinada a los agentes debe almacenarse en formatos legibles por máquina dentro de sus sistemas actuales de gestión de información de productos y de sus plataformas de comercio electrónico.

2. Definir límites claros e incorporar el consentimiento.

Los consumidores no delegarán las decisiones de compra a los agentes de IA a menos que entiendan, de forma clara y directa, lo que esos agentes pueden hacer. Esto requiere límites explícitos de delegación y consentimiento incorporado en la experiencia, no escondido en términos y condiciones. Una delegación segura requiere tres elementos: límites claros, trazabilidad y reversibilidad. Cada acción del agente debe atribuirse a una autorización específica, bajo condiciones definidas, y contar con una forma clara de deshacer o impugnar el resultado.

En sus propios canales (el sitio web de la empresa, la aplicación o el agente de marca) las marcas pueden establecer límites de gasto, exigir la aprobación de compras que superen ciertos montos e incorporar pasos de confirmación antes de finalizar la compra.

Cuando los consumidores utilizan plataformas de IA de uso general como ChatGPT, Claude, Gemini de Google u otras para comprar en múltiples minoristas, el control directo de las marcas es limitado. Sin embargo, aún pueden influir en la experiencia asegurándose de que la información de sus productos sea precisa y esté correctamente estructurada. Aunque puede ser técnicamente posible incorporar salvaguardas (como mensajes de confirmación o avisos sobre políticas de devolución) dentro de estas plataformas, ello exige colaboración entre las marcas y los proveedores tecnológicos. Mientras tanto, las marcas pueden influir en los resultados garantizando que los datos de sus productos sean consistentes, estén bien organizados y sean completos.

3. Proteger los datos de los clientes y hacer visible esa protección.

Cuando los consumidores delegan tareas a agentes de IA, comparten más que detalles de pago. Comparten contexto conversacional: preferencias, limitaciones, intención y, a menudo, emociones. Ese contexto es lo que hace que las compras agénticas sean poderosas y particularmente sensibles. Si los clientes no entienden cómo se usan, guardan o protegen esos datos, no delegarán nada.

A medida que las marcas lanzan sus propios agentes de IA para ayudar a los clientes a comprar productos, deberían integrar un diseño que preserve la privacidad directamente en las interacciones agénticas. Por ejemplo, pueden utilizar técnicas de minimización de datos, de modo que sus agentes solo conserven lo necesario para completar una tarea. Las señales conversacionales sensibles pueden procesarse de forma transitoria en lugar de almacenarse indefinidamente. El consentimiento debe ser explícito, con opciones claras sobre lo que se recuerda, lo que se comparte entre sesiones o plataformas y lo que no.

La visibilidad es tan importante como la protección. Los consumidores deberían poder ver (y modificar) su configuración de privacidad en tiempo real. Algunas interacciones pueden justificar la persistencia (como recordar una talla o marca preferida), otras no. Un modo de compra “incógnito” o de una sola vez, en el que las interacciones no se conserven ni se utilicen para recomendaciones futuras, brinda a los clientes una sensación de control que refleja la forma en que las personas ya gestionan su privacidad en navegadores y pagos.

4. Observar cómo aparece su marca en los ecosistemas de agentes.

Las marcas necesitan observabilidad agéntica, es decir, la capacidad de supervisar en tiempo real cómo los agentes de IA describen sus productos, en qué fuentes se basan, cómo se formulan las recomendaciones y qué acciones se están ejecutando posteriormente. Esto requiere visibilidad continua sobre las instrucciones, respuestas, citas y la lógica de decisión en los ecosistemas de agentes donde los clientes realizan sus compras.

Sin observabilidad, las marcas pierden la capacidad de detectar tergiversaciones, corregir errores o comprender por qué se recomendó o no un producto. A medida que los agentes actúan cada vez más como intermediarios, supervisar cómo se muestra su marca ya no es opcional.

5. Preservar las relaciones y planificar la recuperación.

Incluso cuando los agentes gestionan las transacciones, las marcas siguen siendo responsables de la relación. Y a medida que las compras se vuelven más automatizadas, deberían integrar agentes con marca propia en plataformas de terceros, extender los programas de lealtad a través de agentes y diseñar rutas de escalamiento fluidas para contactar a una persona cuando sea necesario.

Cuando algo falla (y fallará), la respuesta importa más que el error. Los mecanismos de recuperación deben integrarse desde el inicio, con alertas en tiempo real y rutas claras de escalamiento.

La confianza como estrategia, no como cumplimiento

Las compras impulsadas por IA escalarán cuando los consumidores se sientan seguros. Esto requiere sistemas bien gobernados, transparentes y alineados con las expectativas humanas. Las marcas que lideren no tratarán la confianza como un simple ejercicio de cumplimiento normativo, sino como una parte central de su estrategia comercial, construyendo los estándares técnicos, las prácticas empresariales y las protecciones al consumidor que hacen que la delegación sea segura. Quienes actúen ahora ayudarán a definir las reglas de este ecosistema emergente.

L

as pruebas A/B son el estándar de oro de la experimentación. Su objetivo es ayudar a las empresas a tomar decisiones más rápidas, mejores y basadas en datos. Pero, con demasiada frecuencia, ocurre lo contrario. La reunión comienza con optimismo: una nueva idea de precios, diseño publicitario o pantalla de registro entra en una prueba A/B. Tras semanas de espera, los analistas regresan con valores p, umbrales de confianza del 95% y una conclusión ya conocida: “Deberíamos esperar a tener más datos. Aún no tenemos suficiente evidencia y no es estadísticamente significativa”.

Esperar a tener “suficientes datos” se siente seguro, pero consume tiempo, participación y crecimiento. Hay una razón para ello: los métodos estadísticos comunes recompensan la inacción.

En lugar de juzgar si un resultado es lo suficientemente significativo, los equipos deberían evaluar qué decisión minimiza la pérdida en el peor escenario. Esta guía surge de un marco de decisión denominado “arrepiento minimax asintótico” (AMMR).

El AMMR muestra cómo actuar utilizando pruebas A/B, manteniendo al mismo tiempo el rigor estadístico que se espera de los equipos modernos de analítica y conservando mecanismos de protección para los casos en los que la decisión ejecutiva pudiera resultar incorrecta, al limitar las pérdidas en el peor escenario.

Así es como se aplica el AMMR en cuatro pasos:

1. Formule la pregunta correcta.

En esencia, el AMMR reduce cada decisión de prueba a un único umbral: lance la nueva idea si su incremento estimado supera su costo de implementación por cliente. En otras palabras, “elija al ganador”. Esta lógica, que durante mucho tiempo fue intuida por profesionales como Jeff Bezos, ahora cuenta con un respaldo riguroso.

Los ejecutivos ya piensan en términos de economía unitaria. El AMMR simplemente lo hace explícito y añade salvaguardas, de modo que los equipos de datos puedan trabajar con los ejecutivos, no en su contra. Por lo tanto, no pida a su equipo que recopile evidencia solo para lograr que el valor p sea < 0.05. El AMMR replantea las pruebas como una decisión de negocio: ¿Qué opción es más probable que genere más valor, teniendo en cuenta lo que ya sabemos?

2. Haga explícito el análisis de costo/beneficio de la alta dirección (en términos por cliente).

La mayoría de las decisiones de despliegue implican costos por cliente (o por unidad), por ejemplo, 1.7 dólares por cada talonario de cupones promocionales enviado o 0.03 dólares por cada chat de soporte adicional. Estos costos también incluyen tarifas de proveedores, infraestructura incremental, carga operativa y cualquier mínimo contractual prorrateado por usuario o cliente.

El AMMR convierte esos costos en un umbral de decisión, imponiendo disciplina: los equipos no pueden recomendar lanzamientos cuya economía unitaria esperada no supere sus propios costos de implementación. Este es el criterio de decisión:

— Lance si el incremento estimado por cliente es ≥ al costo unitario de implementación.

— Deténgase si es inferior.

3. Exija resultados expresados en términos de negocio.

Indique a su equipo de analítica que reporte tres elementos en cada prueba A/B:

— Decisión (basada en AMMR): ¿Lanzar o detenerse?

— Pérdida esperada en el peor escenario si seguimos esa decisión (en dólares/KPIs).

— Tamaño de muestra necesario para limitar la pérdida a un objetivo que usted defina (por ejemplo, “mantener la pérdida diaria de ingresos en el peor escenario por debajo de 10,000 dólares”).

Por qué funciona: la pérdida en el peor escenario escala linealmente con el error estándar del ATE (efecto promedio del tratamiento). Esto le brinda una palanca clara: si el límite de pérdida actual es demasiado alto, usted sabe exactamente cuánta recolección adicional de datos se necesita para reducirlo al nivel deseado y asegurarse de que un posible error no resulte demasiado costoso.

4. Cierre el ciclo para el aprendizaje estratégico.

Como el AMMR expresa todo en el KPI que usted gestiona, facilita el aprendizaje posterior al lanzamiento.

Dado que todo se mide en el KPI que usted administra, puede comparar pronósticos con resultados y refinar los umbrales futuros. Puede preguntarse: ¿La acción generó el valor que esperábamos? Si no fue así, ¿la variabilidad fue mayor de lo previsto o el efecto fue menor? Utilice esas respuestas para ajustar el próximo límite de pérdida objetivo y el plan de muestreo de su siguiente prueba.

D

urante décadas, las organizaciones han codificado su conocimiento en formatos diseñados para el consumo humano: sitios web con diseños visuales, PDFs con tablas formateadas, presentaciones con gráficos, documentos con encabezados y viñetas. Los datos no solo se presentan para los seres humanos, sino que también se almacenan de esa manera.

Pero los formatos de datos son solo parte del problema. Incluso cuando la información está estructurada correctamente, los agentes siguen enfrentando barreras: sistemas que no se comunican entre sí, interfaces de acción diseñadas para hacer clic en lugar de ejecutar comandos, y mecanismos de autenticación que asumen que un humano realiza las solicitudes.

La solución es exponer las capacidades de los sistemas mediante interfaces programáticas. En lugar de que un agente “haga clic” a través de un portal, el sistema debería proporcionar un canal directo donde el agente pueda autenticarse, solicitar datos y actuar. Protocolos como el MCP son los primeros pasos hacia la estandarización, pero el verdadero catalizador serán las organizaciones que primero reconfiguren sus sistemas y superen a aquellas que todavía ejecutan agentes a través de interfaces humanas.

La capa humana

Las mismas suposiciones que moldearon nuestro software también moldearon nuestras organizaciones: sistemas diseñados en torno a limitaciones humanas que los agentes no comparten. La capa organizacional es aún más profunda.

Las jerarquías corporativas existen por dos razones relacionadas. Primero, los humanos tienen una capacidad limitada para procesar información. Segundo, la coordinación es costosa.

Los agentes de IA socavan ambas justificaciones. Acceden a los datos de los departamentos al instante, reconcilian inconsistencias, identifican patrones y generan reportes en segundos. Además, coordinan la información a un costo marginal cercano a cero, colapsando los costos de transacción que justificaban múltiples capas de mandos intermedios.

Esto plantea una pregunta: Si los agentes pueden encargarse tanto de la coordinación como de la ejecución, ¿qué deberían hacer los humanos?

En la práctica, observo que los roles humanos se desplazan hacia propietarios y verificadores.

Los propietarios definen cómo luce el éxito. Establecen la dirección, toman decisiones que implican valores y compensaciones, y determinan las restricciones dentro de las cuales operan los agentes.

Los verificadores auditan los resultados, gestionan excepciones y mantienen la responsabilidad cuando algo sale mal. Revisan lo que producen los agentes, detectan errores antes de que escalen y toman decisiones que quedan fuera de los parámetros normales.

Esto no se trata de eliminar puestos. Se trata de cambiar lo que requieren esos puestos.

Los mecanismos de control

Un agente con acceso a todo también puede romper todo. Aquí es donde la burocracia demuestra su valor. Los formularios, las autorizaciones y las revisiones obligatorias surgieron para prevenir errores, garantizar la equidad y resolver problemas de coordinación conforme las organizaciones crecieron. Estos procesos existen para detectar fallas antes de que se vuelvan irreversibles.

El camino a seguir

La transición hacia operaciones centradas en agentes no requiere una transformación masiva. Requiere cambios concretos en cuatro áreas.

1. Datos: Conviértalos en texto sin formato.

Convierta las políticas, los procedimientos, las notas de reuniones y el conocimiento institucional a formatos de texto sin formato, como Markdown. Almacénelos en estructuras de directorios con capacidad de búsqueda. Los PDF y documentos formateados se convierten en resultados para los seres humanos, no en fuentes de verdad para los agentes.

2. Herramientas: Construya herramientas para agentes.

Cree interfaces programáticas que permitan a los agentes consultar datos de la empresa y ejecutar acciones. Comience con acceso de solo lectura a bases de conocimiento y después agregue capacidades de escritura con mecanismos de aprobación humana.

3. Roles: Reestructure en torno a la propiedad y la verificación.

Para cada rol, identifique qué corresponde a propiedad (definir el éxito, establecer restricciones), qué corresponde a verificación (auditar resultados, gestionar excepciones) y qué corresponde a ejecución (territorio de los agentes). Contrate pensando en autonomía, no solo en habilidades técnicas.

4. Mecanismos de control: Diseñe un sistema de verificación independiente.

Implemente reglas automáticas que detecten situaciones fuera de lo normal y establezca autorizaciones obligatorias para acciones de alto impacto. Y asegúrese de que estos controles sean simples e independientes de los sistemas de IA que supervisan.

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.

Amedida que la IA generativa juega un papel cada vez más relevante en nuestras vidas, a todos nos convendría desarrollar nuestros propios puntos de vista matizados sobre esta tecnología.

¿Cómo podemos entender qué están haciendo las personas con la IA? Hasta ahora, se han utilizado tres métodos principales:

1. Telemetría

Lo que hacen realmente los usuarios: los registros de uso a los que solo pueden acceder los propios LLM.

— Fortalezas: capta el comportamiento real, gran volumen de datos.

— Debilidades: se limita a plataformas individuales, excluye a usuarios que no han iniciado sesión y a quienes optan por no participar, carece de detalle contextual (debido a la privacidad) y es inaccesible para la mayoría de nosotros.

2. Encuestas

Lo que dicen los usuarios cuando se les pregunta.

— Fortalezas: permite preguntar cualquier detalle (por ejemplo, datos demográficos), es fácil de implementar.

— Debilidades: sesgo de autoselección, puede no reflejar el comportamiento real, bajo volumen de datos.

3. Escucha social

Lo que dicen los usuarios sin que se les pregunte.

— Fortalezas: veracidad (el anonimato proporciona seguridad psicológica), nivel de detalle, lo que más preocupa a las personas, reflexiones posteriores e impacto.

— Debilidades: bajo volumen de datos, sesgo hacia las fuentes, ausencia de datos demográficos.

Ningún método por sí solo lo captura todo. Pero, juntos, estos enfoques complementarios ayudan a formar una imagen funcional y útil de cómo mil millones de seres humanos ya están integrando la IA en su vida diaria.

Cuando distintos informes coinciden, probablemente haya una señal a la que conviene prestar atención. Y coinciden en muchas cosas.

No es sorprendente que el uso de los LLM esté creciendo rápidamente.

ChatGPT acaba de alcanzar aproximadamente 800 millones de usuarios activos semanales que, en conjunto, envían alrededor de 20 mil millones de mensajes por semana. Anthropic afirma que el 40% de los empleados reporta usar IA en el trabajo, el doble del porcentaje de hace apenas dos años.

Las tareas siguen una distribución de ley de potencia.

En una distribución de ley de potencia, unos pocos eventos son desproporcionadamente grandes, mientras que la mayoría son muy pequeños. OpenAI observa que el 78% de todos los mensajes encaja en sus tres categorías principales (orientación práctica, escritura y búsqueda de información). Anthropic señala que el 20% de las categorías de tareas representa el 87% del uso. En mi investigación, los 20 principales grupos de casos de uso representan más de la mitad del total de casos de uso. Esta concentración sugiere que los líderes deberían enfocar las inversiones en IA en un pequeño conjunto de casos de uso de alto impacto, en lugar de intentar hacerlo todo al mismo tiempo.

Usamos la IA de forma sustancial para escribir.

El informe de OpenAI indica que “la escritura es el caso de uso más común en el trabajo, y representa alrededor del 40% de los mensajes relacionados con el trabajo”. Anthropic en realidad no dice mucho sobre esto en su informe más reciente, pero en su informe de febrero de 2025, uno de los hallazgos principales fue que “el uso se concentra en el desarrollo de software y en tareas de redacción técnica”. Al menos 20 de los 100 principales casos de uso que analizo están directamente relacionados con la escritura. Esto tiene sentido, dado que el texto es el formato de salida que la IA generativa produce predominantemente. Dado cuánto domina la escritura el uso, las organizaciones podrían ver un retorno de inversión más rápido con herramientas que se mantengan más cerca de las palabras en presentaciones, informes y comunicaciones, que con aplicaciones más exóticas y ambiciosas.

El aprendizaje y la educación son una categoría importante.

Para Anthropic, el uso relacionado con educación creció de 9.3% a 12.4%. Para OpenAI, alrededor del 10% de todos los mensajes de ChatGPT son solicitudes de tutoría o enseñanza. En mi investigación, el 20% de mis casos de uso pertenece al grupo de aprendizaje y educación, lo cual no resulta sorprendente, dado que se trata de una tecnología “inteligente” diseñada para una especie cognitivamente avanzada, curiosa y neoténica.

La ampliación ya está aquí y la automatización está en camino.

Para Anthropic, las conversaciones directivas (automatización) pasaron del 27% al 39% en ocho meses, y entre las transcripciones de APIs empresariales, el 77% ya está dominado por la automatización. Para OpenAI, en el trabajo la mayoría de las tareas (56%) son de ejecución (en lugar de expresión o consulta). En las plataformas sociales que observo a diario, estoy viendo más publicaciones que nunca sobre el uso de agentes de IA.

A

medida que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) continúan avanzando a un ritmo vertiginoso, muchos líderes empresariales siguen debatiéndose sobre cómo poner en práctica esta tecnología. Por un lado, buscan áreas en las que estas herramientas de IA generativa puedan demostrar rápidamente su valor. Por otro, quieren sentar las bases para una transformación de mayor escala y a largo plazo.

La IA se está convirtiendo en una parte natural de todo lo que hacemos y en un elemento intrínseco de cada faceta del negocio, integrándose de manera fluida en diversos procesos para mejorar la eficiencia y la innovación. Un área prometedora que puede ofrecer tanto un impacto inmediato como ayudar a sentar las bases es la búsqueda y recuperación de información impulsada por LLM. Se trata de un enfoque que puede cambiar radicalmente la forma en que las empresas interactúan con sus propios datos para obtener información, generar nuevas ideas y tomar mejores decisiones.

Aunque los desafíos persisten y pueden seguir evolucionando con el tiempo, no hay duda de que la transición hacia la búsqueda y recuperación habilitadas por LLM e IA generativa continuará. Para hacerlo de manera eficaz, las organizaciones deben seguir varios pasos:

1. Definir claramente los casos de uso.

Colabore entre los equipos de negocio que definen los requerimientos y los equipos técnicos o proveedores responsables de construir y desplegar las soluciones, con el fin de alinearse en una solución con resultados claramente medibles que permitan su evaluación más adelante.

2. Establecer procesos de admisión (intake) que consideren tanto el riesgo como el valor.

Considere no solo el ROI del caso de uso, sino también la sensibilidad de los datos que se están utilizando, el daño potencial de la aplicación y los usuarios previstos al priorizar en qué casos de uso invertir. Incorpore un enfoque por niveles de riesgo para evaluar los casos de uso.

3. Invertir en prácticas relacionadas con la recopilación, prueba y validación de datos para disponer de información real eficaz.

Reconozca que el uso eficaz de los LLM, especialmente aquellos utilizados en tareas de búsqueda y recuperación, sigue necesitando una base sólida de datos sobre la cual operar. Por lo tanto, los esfuerzos de transformación de datos deben continuar, manteniendo el foco tanto en la calidad de los datos que alimentan los modelos como en los flujos de trabajo generales para obtener, etiquetar, almacenar, acceder y procesar los datos, que son clave.

4. Incorporar prácticas de prueba estandarizadas.

Las evaluaciones ad hoc tienen un alcance limitado. Alinéese con un proceso estándar de desarrollo de modelos, respaldado por guías prácticas (playbooks) y prácticas de prueba predefinidas para habilitar sistemas de calidad, resilientes y bien probados.

5. Establecer capacidades de supervisión.

Tenga en cuenta que las cosas cambian: los datos cambian, la forma en que los usuarios interactúan con los sistemas cambiará, la tecnología cambia y lo que se puede necesitar de los sistemas cambia con el tiempo. Reconozca que estos sistemas deben supervisarse para asegurar un rendimiento continuo. Además, es necesario determinar métricas para que exista algo (y alguna forma) que monitorear.

6. Desplegar programas de capacitación, concientización y comunicación.

Dotar a sus colaboradores del conocimiento necesario para construir, desplegar y aprovechar de manera eficaz y responsable las herramientas de IA generativa es tan importante como la infraestructura técnica y los controles de gestión de riesgos que deben implementarse. Identifique las necesidades de aprendizaje y concientización relacionadas con la IA generativa en toda su organización y lance programas de capacitación y comunicación personalizados.

Es probable que la búsqueda siga siendo una aplicación dominante para los LLM y la IA generativa multimodal durante algún tiempo. Sin embargo, estos sistemas aún requieren datos efectivos, herramientas adecuadas y una gobernanza sólida para operar de manera eficaz y a gran escala. La IA responsable y las prácticas de gobernanza asociadas deben sustentar todo el despliegue de la IA. Dada la rapidez con la que cambia el panorama tecnológico, considere los casos de uso en función del impacto y el riesgo, e invierta en funciones subyacentes que le permitan escalar de manera responsable en una multitud de áreas.

E

l entusiasmo en torno a la IA ha dominado las conversaciones entre los altos ejecutivos. Sin embargo, la mayoría de las organizaciones siguen teniendo dificultades para obtener rendimientos significativos de sus iniciativas de IA.

Para explorar estos desafíos con mayor profundidad, realizamos una investigación exhaustiva, combinando una encuesta a más de 100 ejecutivos de la C-suite con más de dos docenas de entrevistas en diferentes sectores. La encuesta reveló que el 45% de los ejecutivos consideraban que el ROI de la adopción de IA estaba por debajo de las expectativas, mientras que solo el 10% reportó resultados que superaban las expectativas. También destacó que las barreras más significativas son organizacionales, más que técnicas. A partir de estos hallazgos, identificamos un conjunto de obstáculos interconectados que tienen su origen en tres áreas: personas, procesos y política interna.

En este artículo, exploramos estos obstáculos interconectados y analizamos cómo los están abordando las empresas.

Cultivar la preparación de las personas para la IA

Al pensar en la preparación de los empleados para la IA, nuestra investigación identificó tres problemas: incertidumbre, miedo al reemplazo y el problema de la autoimagen.

1. Incertidumbre: “¿Qué hará realmente esta IA?”

La encuesta global realizada por Slack en 2024 a más de 17,000 trabajadores de oficina reveló que el 61% de los empleados había dedicado menos de cinco horas a aprender sobre IA y el 30% no había recibido ninguna capacitación. Ante la falta de conocimientos, las opiniones pueden polarizarse. Algunos empleados descartan la IA por considerarla una simple moda pasajera, mientras que otros dan por sentado que puede hacerlo todo.

Para abordar estas preocupaciones, las empresas deben integrar la gobernanza de la IA en el trabajo diario y hacerla intuitiva para cada empleado. Una gobernanza eficaz no solo protege contra consecuencias no deseadas, sino que también ayuda a desmitificar la IA.

2. Miedo al reemplazo: “¿Conservaré mi empleo?”

Cuando los empleados sospechan que están entrenando un sistema que los reemplazará, cumplen con lo mínimo. Se muestran reticentes cuando se les pide “etiquetar datos” o “nutrir al modelo”. Esta “trampa del entrenamiento” ralentiza la adopción de IA en empresas de servicios, retail y manufactura.

Las empresas pueden contrarrestar esto compartiendo los beneficios: ofrecer regalías de capacitación por el trabajo relacionado con los datos y el etiquetado, bonos de productividad vinculados a las ganancias obtenidas, y garantías profesionales que canalicen las mejoras de eficiencia hacia la recapacitación en lugar de los despidos.

El miedo al reemplazo también disminuye cuando la IA impulsa el crecimiento y no la reducción. Si la tecnología expande el negocio, las mejoras en eficiencia se sienten como una oportunidad, no como una amenaza.

3. El problema de la autoimagen: “¿Daré la impresión de ser competente?”

El miedo a la pérdida de estatus puede ser incluso más poderoso que el miedo a perder el empleo. Hemos observado a ingenieros que utilizan discretamente herramientas de IA, pero lo ocultan para no parecer menos competentes. A muchos les preocupa que admitir que utilizan IA pueda hacerles parecer perezosos, incompetentes o incluso deshonestos.

Una empresa de servicios financieros enfrentó este estigma lanzando un programa de “Máster en IA” que acelera la carrera profesional de los empleados que demuestran habilidades excepcionales en IA, sin importar su antigüedad.

Procesos: Rediseñar los flujos de trabajo

La adopción de IA a menudo fracasa cuando las organizaciones la tratan como una simple capa adicional sobre los procesos existentes. La verdadera transformación exige un cambio sistemático en tres niveles: el flujo de trabajo individual (nodos), las conexiones interfuncionales (bordes) y la coordinación a nivel de sistema (redes).

1. El nivel nodo: Transformar cómo trabaja cada persona

El equipo legal de una firma de consultoría inicialmente usaba la IA como una herramienta de corrección automática, ejecutándola al final de las revisiones tradicionales. El enfoque producía beneficios insignificantes, ya que la IA solo tenía una precisión del 100% en el 40% de los tipos de errores. Al reestructurar el flujo de trabajo para que la IA realizara la primera revisión (verificando solo los tipos de errores que manejaba mejor) los abogados pudieron centrarse exclusivamente en los restantes. Este rediseño demostró cómo replantear los flujos de trabajo permite aprovechar el valor de la IA.

2. El nivel borde: Rediseñar las conexiones

El nivel borde se centra en cómo la mejora del juicio local y los datos pueden transformar los procesos interdepartamentales y los flujos de toma de decisiones.

En una empresa japonesa de cosméticos, las asesoras de belleza de las tiendas solían ofrecer retroalimentación anecdótica y poco fiable. La IA generativa les ayudó a analizar las conversaciones con los clientes y los patrones de tráfico, proporcionando información estructurada. La sede central, que ahora confiaba en los datos, creó un bucle bidireccional: las campañas podían lanzarse más rápido y ajustarse en tiempo real. La frontera entre las operaciones locales y la planificación central se convirtió en un circuito receptivo en lugar de un comando unidireccional.

3. El nivel red: Orquestar el impacto a nivel sistémico

Para generar un impacto empresarial real a partir de la IA, las empresas deben considerar el nivel red, es decir, cómo interactúan las mejoras a través de múltiples nodos y bordes dentro del sistema más amplio. Sin esta perspectiva, la IA puede simplemente trasladar los cuellos de botella de una parte de la red a otra, limitando las mejoras de rendimiento.

Abordar estos desafíos a nivel red requiere acciones coordinadas en todos los nodos y bordes. La adopción de IA debe sincronizarse entre nodos interconectados para que las mejoras de capacidad se igualen en toda la red.

Política interna: Navegar por el poder y la influencia

La IA influye en quién gana y quién pierde dentro de las organizaciones. La política resultante (sobre datos, jerarquía y responsabilidad) suele resultar más formidable que los problemas técnicos. La adopción exitosa de la IA a menudo requiere rediseñar las estructuras de gobernanza, ajustar los mecanismos de incentivos y, en algunos casos, depender del liderazgo sénior para negociar acuerdos y eliminar barreras. He aquí tres problemas específicos que observamos en nuestra investigación:

1. Acaparamiento de recursos

Las organizaciones descubren rápidamente que el apetito de la IA por los datos y el conocimiento choca de frente con los instintos competitivos profundamente arraigados.

Entre unidades de negocio, las divisiones más grandes y exitosas, que poseen modelos de IA sofisticados y conjuntos de datos valiosos, suelen ver pocos incentivos como para compartirlos con unidades más pequeñas que podrían beneficiarse más. Compartir puede sentirse como habilitar a posibles competidores internos mientras se diluyen sus propios indicadores de rendimiento.

DBS Bank enfrentó esta resistencia diseñando una estructura de incentivos que recompensaba a las unidades por convertir los conjuntos de datos propios en activos reutilizables en la plataforma central. Una métrica clave rastreaba el porcentaje de los conjuntos de datos específicos de cada unidad que se habían transformado en recursos compartibles. Este enfoque derriba los silos al motivar a las unidades (grandes y pequeñas) a contribuir con datos accesibles y de alta calidad.

2. Disrupción de la jerarquía

La IA altera la jerarquía tradicional construida sobre dos pilares: experiencia y número de empleados. El primero se debilita cuando los empleados junior, armados con IA, superan a aquellos con más experiencia, y sienten que hacen más por menos. Algunas empresas responden ampliando los modelos de competencias para incluir explícitamente el dominio de la IA y acortando las escalas de promoción. Cuando los ciclos de ascenso se reducen de cinco años a uno o dos, y se recompensa el dominio de nuevas herramientas, los empleados más jóvenes ven una recompensa inmediata por aprender.

El segundo pilar, el poder a través del número de empleados y el control sobre los recursos, genera una resistencia aún mayor. Los gerentes son los guardianes de la adopción de IA, pero su autoridad suele depender del tamaño de sus equipos. Cuando la eficiencia amenaza con reducir esos equipos, sus intereses personales pueden descarrilar silenciosamente iniciativas de IA que, de otro modo, serían valiosas.

3. Atribución de responsabilidad

La IA también altera el equilibrio tradicional entre culpa y discreción dentro de las organizaciones. Su precisión convierte la responsabilidad difusa en datos concretos, y eso puede generar nuevas fricciones políticas.

En Dingdong Maicai, una empresa china de comercio electrónico de comestibles, los sistemas de IA comenzaron a rastrear cada queja de los clientes hasta el departamento exacto responsable. Cuando un cliente recibía fruta en mal estado, los algoritmos podían determinar con precisión si el problema se debía a una mala compra por parte del departamento de aprovisionamiento, a un mal manejo durante el almacenamiento o a daños sufridos durante la entrega. Lo que antes era incertidumbre compartida se convirtió en una responsabilidad explícita.

Dingdong eventualmente cambió su sistema de atribución, permitiendo que el juicio final fuera humano. El objetivo no era rechazar la transparencia, sino amortiguarla con confianza. La adopción efectiva de IA requiere saber cuándo la precisión mejora el rendimiento y cuándo solo alimenta las políticas internas.

Al final, el desafío no es adoptar la IA, sino evolucionar junto con ella. La verdadera ventaja radica en construir una organización capaz de aprovechar plenamente el poder de la IA. Las empresas que la vean solo como una mejora técnica inevitablemente se quedarán atrás.