D

urante décadas, las empresas han estado atrapadas en un ciclo de cambios dolorosos y episódicos, solo para descubrir que la forma en que su organización opera, en el fondo, sigue siendo lenta. Los enormes costos de transacción (la fricción que supone coordinar al personal, gestionar la información y alinear tareas complejas) han hecho que una transformación profunda y continua resulte prohibitivamente costosa y arriesgada.

Según nuestro reciente análisis aún no publicado, más de cuatro de cada diez horas de trabajo están relacionadas con este tipo de transacciones dentro de los procesos empresariales. Ahora, un nuevo marco para la reinvención está a punto de reducir drásticamente estos costos al combinar dos factores: la visibilidad radical de los procesos y la experimentación de bajo riesgo dentro de un gemelo digital. En conjunto, transforman la reinvención de procesos de un proyecto disruptivo en una capacidad central y continua.

Visibilidad radical

El primer paso esencial en la reinvención de procesos es codificar las operaciones en un modelo dinámico y computable: un plano del estado actual, en tiempo real, de cómo ocurre realmente el trabajo. Alcanzar este nivel de visibilidad de los procesos se convierte en el catalizador crítico para toda transformación posterior, sentando las bases para construir un gemelo digital.

Considere el objetivo de la empresa minera Boliden de optimizar el control del proceso de molienda de cobre en su mina de Aitik, en Suecia. La molienda desempeña un papel fundamental en la extracción de metales valiosos a partir de depósitos minerales y sigue siendo el principal cuello de botella operativo en la planta. Incluso pequeñas mejoras en el rendimiento y la estabilidad del proceso pueden generar grandes beneficios financieros. En colaboración con el gigante multinacional ABB, (en efecto, una planta virtual), la empresa creó un modelo altamente preciso del estado actual. Lo codificaron creando una copia directa del sistema de control distribuido (DCS) real de la planta, incluyendo su lógica personalizada, para garantizar una réplica realista de la capa base de control.

Este modelo del sistema de control se conectó posteriormente a una simulación de procesos que alojaba la dinámica del proceso del molino físico. Las “huellas digitales” analizadas eran los protocolos de comunicación en tiempo real que compartían datos entre la capa base de control y la simulación del proceso, reflejando el flujo de datos real “tal cual es” de la planta física. Este modelo computable, con su visibilidad radical del proceso, proporcionó el entorno no disruptivo de un gemelo digital necesario para probar nuevas estrategias de control frente al estado actual.

Experimentación continua en el gemelo digital

La mejora continua requiere experimentación continua. La experimentación dentro de un gemelo digital permite a las organizaciones simular y validar procesos completamente nuevos desde cero en un entorno simulado sin riesgos, bajo el supuesto de que los agentes de IA gestionarán la coordinación. Esta capacidad reemplaza los cambios de proceso episódicos y de alto riesgo por un ciclo continuo de reinvención de bajo riesgo.

La “fábrica virtual” de BMW Group ilustra este cambio. La empresa construyó un gemelo digital completo de sus plantas de producción, conectando datos de edificios, datos de equipos, información logística e incluso simulaciones en 3D de procesos de trabajo manual realizados por personas. Este gemelo virtual también simula avatares de trabajadores humanos que toman piezas y ensamblan componentes, con el fin de encontrar el mejor procedimiento, minimizar problemas ergonómicos e identificar el número óptimo de trabajadores para cada tarea. Los ingenieros ahora pueden simular y validar la integración de nuevos modelos de vehículos de forma virtual, reduciendo un costoso proceso de validación física de cuatro semanas a uno de tres días.

De cara al futuro, se espera que la fábrica virtual de BMW Group reduzca los costos de planificación de producción hasta en un 30%. El proceso de validación anterior de BMW para un nuevo modelo de vehículo requería guiar manualmente una carrocería física a través de la línea de producción durante varios fines de semana. En el taller de pintura, este proceso podía implicar vaciar y limpiar por completo los tanques de recubrimiento por inmersión, lo que generaba enormes costos y tiempos de inactividad en la producción. El nuevo proceso de validación permite a los planificadores ejecutar escenarios hipotéticos (como optimizar los diseños de línea para nuevos modelos en un entorno virtual) sin interrumpir la producción en curso.

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.

B

asándonos en nuestras décadas colectivas de trabajo con líderes, así como en investigaciones en la intersección entre el design thinking y la fisiología humana, hemos identificado tres realidades biológicas que influyen en la forma en que las personas enfrentan el cambio constante y la ambigüedad.

1. Convierta los problemas en oportunidades

Realidad biológica

En situaciones ambiguas, la primera respuesta del cuerpo normalmente no es la creatividad ni la resolución de problemas, sino la supervivencia. Es por eso que, en momentos de disrupción (como una reorganización o un cambio repentino en las condiciones del mercado), los líderes pueden sentirse a la defensiva, ansiosos o paralizados, en lugar de abiertos e innovadores.

Más allá de la biología, nuestra cultura corporativa puede mantenernos en ese estado. Los accionistas no quieren escuchar que no sabemos qué sigue. Los empleados quieren respuestas. Ellos (y el mercado) exigen confianza y certeza, incluso cuando las condiciones son confusas.

Respuesta de diseño

Mientras que la biología nos empuja hacia la amenaza, los diseñadores están entrenados para ver el cambio como una posibilidad. La investigación muestra que, con práctica, los líderes pueden pasar de un “estado de amenaza”, donde el estrés resulta abrumador, a un “estado de desafío”, donde la misma activación fisiológica se vuelve energizante y motivadora.

Primero, usted debe contrarrestar esa reacción inicial de amenaza creando espacio para responder, en lugar de reaccionar. Esto puede implicar simplemente tomarse un momento para respirar, lo que puede calmar una respuesta de amenaza, o crear tiempo y espacio para replantear el desafío que tiene por delante.

2. Cree espacio para la inspiración

Realidad biológica

La creatividad se ve afectada por el estrés y la sobrecarga cognitiva. Cuando su cerebro está abrumado,  la corteza prefrontal (la parte responsable de la planificación, ideación e innovación) es secuestrada por el sistema límbico, su centro emocional y de supervivencia. Eso significa menos ideas nuevas, menor capacidad de comprensión y un comportamiento más reactivo.

Respuesta de diseño

La ambigüedad no es un defecto, es una característica de la vida. Usted tiene que aprender a sentirse cómodo permaneciendo en ese espacio de ambigüedad. Una forma de hacerlo es entusiasmarse con sus posibilidades.

Los diseñadores disfrutan la ambigüedad comenzando con la inspiración, no con la ideación. La belleza de hacer una pausa para inspirarse es que lo sacude, le permite apartar la mente de la incertidumbre y le ayuda a involucrarse con una perspectiva fresca. Activa esa parte creativa de su cerebro.

3. Experimente para avanzar

Realidad biológica

Los pasos demasiado grandes pueden paralizarnos. Cuando hay mucho en juego o el camino no está claro, el sistema nervioso puede entrar en un estado de alerta elevado. ¿El resultado? Procrastinamos. Nos distraemos. Evitamos actuar, no porque no nos importe, sino porque la acción nos parece demasiado incierta, arriesgada o abrumadora. A veces, es porque nuestro cuerpo se ha “congelado” literalmente, haciendo que sea imposible actuar.

Respuesta de diseño

La acción crea claridad, no al revés. Por ello, la experimentación es la manera en que las empresas y las personas inteligentes avanzan cuando falta claridad. En lugar de esperar la respuesta perfecta, los diseñadores prueban con experimentos pequeños, intencionales y de bajo riesgo para descubrir qué funciona.

En tiempos de ambigüedad, la experimentación nos permite evitar la parálisis que provocan las grandes decisiones, centrándonos en pequeños pasos que se sientan lo suficientemente seguros como para intentarlo. Es importante entender que los experimentos no tienen que tener éxito para ser útiles. Solo necesitan enseñarnos algo nuevo.

Cada pequeño experimento le brinda datos. Esos datos le dan confianza. Y esa confianza reduce la ambigüedad, no porque haya descubierto mágicamente todo, sino porque está avanzando.

E

n su nuevo libro, “Epic Disruptions: 11 Innovations That Shaped Our Modern World” (Harvard Business Review Press, 2025), Scott D. Anthony analiza cómo las innovaciones disruptivas transformaron industrias y sociedades. A continuación, se incluye un extracto adaptado del capítulo dedicado a Julia Child.

Los innovadores disruptivos vienen en muchas formas y estilos diferentes. Por ejemplo, tome un libro de cocina al azar. Ábralo. Observe cómo está diseñado. Probablemente vea dos columnas, con los ingredientes y los utensilios en el lado izquierdo de la página, y las instrucciones en el lado derecho.

Los libros de cocina están diseñados de esa manera porque, en un momento específico, alguien pensó que ese diseño específico tendría más sentido.

Esa persona fue Julia Child.

A lo largo de su ilustre carrera, Child demostró los comportamientos que sirven como ingredientes para una disrupción exitosa.

Obsesión por el cliente.

El diseño, con los ingredientes y las instrucciones uno al lado del otro, es un excelente ejemplo de la obsesión de Child por el cliente. Siempre miraba el mundo a través de los ojos de sus lectores, asegurándose de utilizar ingredientes a los que ellos tuvieran acceso y escribiendo en términos que pudieran entender.

Curiosidad.

Child era curiosa, hasta el punto de la obsesión. En 1953, Child estaba investigando recetas de pescado. Se encontró con un desafío sutil, pero crítico: no todos los peces son iguales ni se llaman igual en distintos países; además, existen 32,000 especies diferentes de peces en el mundo. Por ejemplo, un libro de cocina francés podría hacer referencia a “le carrelet». El inglés británico lo traduce como “plaice”. Pero el inglés americano lo traduce como “sand dab”, “lemon dab” o “lemon sole”.

Child recurrió a diccionarios francés-inglés y a libros de cocina, incluyendo uno con un índice de 26 páginas de peces franceses y su equivalente estadounidense. También escribió a expertos franceses y americanos, incluyendo a aquellos en departamentos gubernamentales.

El camino hacia la innovación siempre comienza con una pregunta. ¿Por qué se hace de esta manera? ¿Cómo podríamos hacerlo de manera diferente? Los grandes innovadores como Child cuestionan el statu quo, buscando formas diferentes y mejores de hacer las cosas.

Colaboración.

Child colaboró ampliamente, trabajando con varios chefs a lo largo de su extensa carrera. Ella siempre buscaba aprender de expertos en técnicas específicas. Aportaba su propia perspectiva a estas colaboraciones, generando ideas nuevas e innovadoras.

Uno de los mayores mitos de la innovación es la idea del inventor solitario. Tal criatura nunca ha existido. La innovación requiere un equipo, una aldea, una legión.

Disposición a experimentar.

Child fue una maestra experimentadora.

En lo que ella llamó el “gran experimento del pan francés”, Child y su esposo Paul probaron más de 30 métodos diferentes para conseguir el característico crujido de la baguette. Al final descubrieron que, si se colocaba un ladrillo caliente, una piedra o incluso la cabeza metálica de un hacha dentro de una bandeja con agua fría en la parte inferior del horno, se generaba el vapor perfecto para conseguir esa textura crujiente.

Child demuestra cómo la clave de la experimentación es recordar que no hay fracaso cuando no se sabía ni se podía saber la respuesta de antemano. Solo hay aprendizaje.

Los comportamientos seguidos por Child no son particularmente difíciles. La curiosidad, la experimentación de prueba y error, y la disposición a perseverar a través del fracaso son comunes entre los niños. Todo se reduce a tener la mentalidad correcta.

C

omo médico y profesora de la facultad de medicina, me esfuerzo por alcanzar la perfección en cada faceta de la atención al paciente. Realmente no hay margen de error. Sin embargo, cuando el perfeccionismo pasa de ser una ambición útil a una barrera que comienza a inhibir su desempeño, puede convertirse en un problema.

Si sus tendencias perfeccionistas han pasado de ser motivadores positivos a convertirse en obstáculos que le impiden avanzar, ¿qué puede hacer?

Basándome en mi experiencia, he aquí algunos consejos a los que recurro con frecuencia:

Acepte los primeros borradores imperfectos. Una vez que complete un primer borrador imperfecto, es mucho más fácil crear mejores borradores posteriores. Practicar la imperfección también tiene otro beneficio importante: reducir las tendencias perfeccionistas. En un estudio de una intervención en línea de dos semanas, los investigadores pidieron a los voluntarios que «practicaran cometer errores una y otra vez para acostumbrarse a la sensación de no hacer las cosas a la perfección”. Esto se hizo mediante una serie de tareas sencillas repetidas cinco veces durante el estudio. En comparación con un grupo de control, la intervención condujo a un menor perfeccionismo general.

Invierta tiempo en aprender a aprovechar al máximo las herramientas útiles. A veces, la procrastinación puede deberse a una sensación de temor por tener que lidiar con ciertos aspectos de una tarea. Sin embargo, para muchas tareas, utilizar las herramientas adecuadas puede agilizar significativamente el proceso. Ya sea que sondee su red de contactos, investigue en línea o encargue la investigación a un asistente, buscar formas más fáciles de completar una tarea puede tener sus ventajas.

Cuando me encontré postergando repetidamente la redacción de un trabajo de investigación, me di cuenta de que se debía a la onerosa tarea de completar mis citas de referencia. Ahora uso Zotero, un asistente de investigación digital gratuito. Desde la recopilación de fuentes de investigación hasta dar formato a las citas, esta herramienta ha eliminado la sensación de temor que solía experimentar al abordar un trabajo de investigación.

Solicite retroalimentación desde el principio. Al inicio de su carrera, es posible que no tenga un asistente, pero es posible que sea usted quien recibe las instrucciones. Si su gerente le asigna una tarea sin instrucciones claras, haga preguntas aclaratorias. Luego, busque retroalimentación al principio del proceso. Si es necesario corregir el rumbo, puede hacerlo antes de haber invertido demasiado tiempo y energía.

La retroalimentación tardía es igual de importante. El último 20% de un proyecto puede ser muy frustrante porque se están afinando todos los aspectos. Aquí es donde puede ser de gran utilidad la retroalimentación al final del proyecto. La retroalimentación tardía puede ayudarle a descifrar si su proyecto puede entregarse o si necesita más trabajo. Pídale retroalimentación a su gerente y pregúntele específicamente: «¿Qué tan cerca está de lograrlo?»

Aprenda cuándo entregar. Para ciertos proyectos, el entregable debe ser perfecto. En otros casos, su cliente o empleador puede estar priorizando otros aspectos del proyecto final, como la velocidad, la eficiencia o la oportunidad de solicitar retroalimentación. En estos casos es fundamental comprender las expectativas de su cliente o empleador.

En sus propias tareas laborales, haga que sea una prioridad aprender a diferenciar entre aquellas funciones que requieren perfección y aquellas que priorizan otros atributos, como la experimentación, la eficiencia o la innovación.

E

ste mes se cumplen cinco años de la pandemia de Covid-19 que alteró la vida en los Estados Unidos. Esos primeros días estuvieron marcados por la incertidumbre, el miedo y la lucha por adaptarse a una crisis global sin precedentes. Las empresas cerraron sus puertas de la noche a la mañana, las cadenas de suministro se vieron interrumpidas y los empleados enfrentaron trastornos masivos en la forma y el lugar en que trabajaban. Los líderes empresariales tuvieron que tomar decisiones rápidas y trascendentales con información incompleta, todo mientras mantenían la confianza y estabilidad en sus organizaciones.

Cinco años después, está claro que las grandes disrupciones ya no son eventos raros. Ya sea por crisis sanitarias globales, conflictos geopolíticos o agitaciones tecnológicas, los líderes ahora operan en un entorno en el que pueden surgir cambios significativos en cualquier momento.

A través de nuestro trabajo de coaching con ejecutivos en diversas industrias, hemos observado que hoy en día el liderazgo exitoso requiere más que solo habilidades de gestión de crisis: debe abrazar el cambio como una constante y transformar la disrupción en oportunidades de crecimiento. En este entorno de creciente incertidumbre y complejidad, los líderes deben desarrollar cinco habilidades esenciales que, en conjunto, crean un nuevo enfoque de liderazgo capaz de transformar la disrupción en combustible para la innovación y el crecimiento.

1. Enfrentar la incertidumbre de manera proactiva.

La pandemia provocó un cambio fundamental en la forma en que los líderes exitosos abordan la incertidumbre. Mientras que algunas organizaciones se centraron exclusivamente en sobrevivir a la crisis, otras comenzaron a identificar posibles futuros en medio de la turbulencia.

2. Equilibrar las necesidades de los empleados y de la empresa.

El lugar de trabajo post-covid ha demostrado que las políticas rígidas y universales no funcionan. Las empresas deben comprender a su fuerza laboral y desarrollar modelos que equilibren la flexibilidad con los objetivos empresariales.

3. Probar ideas nuevas rápidamente.

En un mundo de cambio constante, la capacidad para probar y perfeccionar rápidamente nuevas ideas se vuelve crucial. Las organizaciones exitosas han ido más allá de los ciclos de planificación tradicionales para crear entornos donde la experimentación es continua y se valora el hecho de aprender de los fracasos. Este enfoque requiere un cambio fundamental en la forma en que los líderes piensan sobre el riesgo y la innovación.

4. Tomar decisiones inteligentes con información limitada.

La naturaleza sin precedentes de la pandemia también cambió fundamentalmente la forma en que las organizaciones abordan la toma de decisiones. Antes de 2020, los líderes solían buscar datos y análisis completos antes de tomar grandes decisiones estratégicas. Pero a medida que se desarrollaba el Covid-19, esperar a tener información completa ya no era una opción. Las organizaciones tuvieron que tomar decisiones críticas sobre la seguridad de los empleados, ajustes en la cadena de suministro y cambios en los modelos de negocio con una visibilidad limitada sobre cómo evolucionaría la situación.

5. Comunicar para generar confianza y seguridad.

La comunicación clara, consistente y auténtica nunca ha sido más importante para los líderes. En tiempos de incertidumbre, las personas miran a sus líderes no solo para obtener información, sino también para recibir tranquilidad y dirección. Los líderes deben ser capaces de transmitir información compleja con transparencia mientras inspiran confianza, asegurándose de que su mensaje sea tanto honesto como constructivo. Esto requiere la habilidad para abordar temas sensibles, reconocer desafíos sin generar pánico y mantener fuertes conexiones, incluso en entornos virtuales.

Mirando al futuro: El futuro del liderazgo

A medida que nos adentramos en la era post-covid, la distinción entre las operaciones normales y la gestión de crisis sigue difuminándose. Los líderes más exitosos del mañana serán aquellos que puedan mantener la estabilidad organizacional y, al mismo tiempo, impulsar la innovación y el cambio. Estos imperativos de liderazgo no son adaptaciones temporales, representan un cambio fundamental en lo que significa ser un líder efectivo en el mundo moderno. Las organizaciones que adopten este nuevo paradigma, desarrollando líderes que puedan prosperar en la incertidumbre, estarán mejor posicionadas para tener éxito en una era en la que la disrupción es la única constante.

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.

D

urante tres décadas guiando la transformación digital, me he encontrado repetidamente con dos actitudes comunes (pero opuestas) que frenan a las organizaciones en la implementación exitosa de nuevas tecnologías: la resistencia institucional al cambio y la adopción impulsiva de la tecnología sin un propósito estratégico. Ahora veo que muchas organizaciones replican los mismos errores en su enfoque hacia la IA.

La solución a este problema de doble filo radica en la adopción de marcos complementarios que se combinen para crear un enfoque equilibrado de la adopción de la IA. El marco OPEN (outline – delimitar, partner – colaborar, experiment – experimentar, navigate – navegar) proporciona un proceso sistemático de cuatro pasos para aprovechar el potencial de la IA. El marco CARE (catastrophize – catastrofizar, assess – evaluar, regulate – regular, exit – salir) ofrece una estructura paralela para identificar y gestionar los riesgos asociados con la IA.

El marco OPEN

El marco OPEN enfatiza que la adopción exitosa depende no solo de la tecnología, sino también del liderazgo y de una cultura capaz de sostener una transformación continua.

1. Delimitar (outline)

Demasiadas organizaciones comienzan su viaje hacia la IA preguntándose: «¿Qué puede hacer esta tecnología?» en lugar de «¿Qué puede hacer esta tecnología para ayudarnos a cumplir nuestra misión?». Este enfoque conduce a soluciones impulsadas por la tecnología en busca de problemas (en vez de generar nuevas formas de entregar valor real). Al reafirmar su propósito desde el principio y luego alinear todas las decisiones con ese propósito, las organizaciones pueden evitar ser desviadas por las capacidades casi ilimitadas de la IA.

2. Colaborar (partner)

Desarrollar e implementar una estrategia de innovación basada en IA es un desafío interdisciplinario clásico. No se puede delegar únicamente al departamento de TI, al equipo de I+D o al director de innovación. Las alianzas dentro de la organización son esenciales para el éxito de las iniciativas de IA. Pero estas, por sí solas, rara vez serán suficientes. Incluso las organizaciones con sólidas capacidades internas suelen necesitar forjar asociaciones externas para alcanzar sus ambiciones en IA. Estos socios externos pueden ser proveedores de servicios, pero también académicos, asesores éticos independientes o reguladores del sector.

3. Experimentar (experiment)

La clave para una experimentación exitosa con IA es estructurar los experimentos como un proceso de aprendizaje, no solo como un ejercicio de validación. Cada experimento debe diseñarse no solo para comprobar si una solución de IA funciona, sino también para generar ideas sobre cómo podría crear valor, cómo podría escalar y cómo interactuarán los seres humanos con ella.

4. Navegar (navigate)

La fase de navegación implica guiar a la organización a través de la adopción de la IA, asegurándose de que esté alineada con los objetivos estratégicos más amplios y los valores culturales. Destaca la importancia del aprendizaje continuo y la adaptación en un panorama que evoluciona rápidamente, donde los factores técnicos y humanos están profundamente entrelazados.

El marco CARE

Si bien la IA promete transformar todas las funciones organizacionales, también introduce vulnerabilidades que podrían socavar o incluso destruir a las organizaciones no preparadas.

El marco CARE adopta un enfoque proactivo (en lugar de reactivo) para la gestión de riesgos relacionados con la IA.

CARE ofrece a las organizaciones una metodología estructurada para identificar y gestionar estos riesgos.

1. Catastrofizar (catastrophize)

Identificar sistemáticamente los riesgos potenciales en las dimensiones técnicas, operativas y estratégicas.

2. Evaluar (assess)

Evaluar la probabilidad de que ocurran esos riesgos, su impacto potencial y la capacidad de respuesta de la organización.

3. Regular (regulate)

Implementar controles, sistemas de monitoreo y estructuras de gobernanza para gestionar los riesgos identificados.

4. Salir (exit)

Desarrollar protocolos claros para responder ante los riesgos, incluidos procedimientos de apagado del sistema y planes de continuidad para la organización.

La IA representa un cambio fundamental en la forma en que las organizaciones operan y crean valor. Para tener éxito, las empresas deben adoptar un enfoque equilibrado que aproveche el potencial de la IA, sin perder de vista sus riesgos.

S

i bien es fácil entusiasmarse con el poder transformador de la IA, una cosa es clara: para aprovechar los beneficios potenciales de la inteligencia artificial en términos de productividad, y para hacer que el trabajo sea más estimulante y satisfactorio desde el punto de vista intelectual, las organizaciones deben recapacitar, mejorar habilidades y desarrollar a sus empleados, gerentes y líderes. Esto ejerce presión sobre las empresas para actualizar y preparar a su fuerza laboral para el futuro, de modo que el talento humano pueda complementar las capacidades de la IA, y viceversa.

He aquí cinco consideraciones para los profesionales de recursos humanos, gerentes y líderes organizacionales:

5 formas en las que los líderes pueden preparar el escenario para una colaboración exitosa entre humanos e inteligencia artificial:

1. Desarrollar su estrategia de aumento de la adopción de la IA.

La cuestión fundamental que debe abordarse es: ¿De qué nuevas maneras agregarán valor los empleados después de aprovechar los ahorros de tiempo y eficiencia que se pueden esperar de la inteligencia artificial? La IA debería automatizar todo lo que se puede automatizar, (deberíamos disfrutarlo y celebrarlo), sin embargo, todo lo que sea automatizado perderá valor y se convertirá en un producto básico, haciendo recaer la responsabilidad en lo que los humanos pueden producir con su talento, habilidades e ingenio, incluso si lo hacen colaborando con la inteligencia artificial.

Es menos probable que todos los trabajadores del conocimiento pierdan su trabajo a causa de la IA que a causa de otro ser humano que la utilice. Por lo tanto, deberán replantear cómo agregarán valor a su función actual después de delegar todo lo que puedan a la inteligencia artificial. Es imperativo que las organizaciones evalúen cómo cambiarán los roles y las tareas, y qué nuevas habilidades deben implementar los empleados no solo para agregar valor incremental más allá de lo que la IA puede hacer, sino también para maximizar el valor que esta puede aportar.

2. Garantizar que los sistemas de evaluación y gestión del desempeño se enfoquen en los resultados, no en las aportaciones.

La tecnología, al igual que la productividad, se trata de hacer más con menos, lo que implica lograr los mismos resultados con menos esfuerzo.

Los indicadores de desempeño deben adaptarse para recompensar a quienes utilizan la inteligencia artificial para aumentar su productividad, creando así un escenario de beneficio mutuo. Liberar tiempo permite a los empleados enfocarse en actividades de recapacitación y mejora de habilidades, que son cruciales a medida que los roles laborales evolucionan junto con las capacidades de la IA. Para reforzar esto, las empresas pueden ofrecer incentivos directos (como créditos de tiempo o estipendios de aprendizaje) a los empleados que logren mayores niveles de productividad mediante el uso de la inteligencia artificial. De este modo, los empleados perciben la IA como una herramienta de impulso profesional, y no como una amenaza, posicionándola como un facilitador de nuevas habilidades y oportunidades de crecimiento.

3. Ayudar a su fuerza laboral a aprovechar las habilidades que la inteligencia artificial difícilmente dominará.

Las habilidades humanas clave del futuro serán aquellas que la IA difícilmente podrá reemplazar.

La inteligencia artificial (al igual que algunos humanos) es muy buena explicando todo sin comprender nada. En un futuro, donde la mayoría de las personas hagan gran parte de su trabajo interactuando con la IA, y en el que sea difícil discernir si estamos interactuando con otros humanos o con deepfakes (falsedades profundas), será esencial hacer énfasis en las habilidades humanas que hacen que las interacciones con otras personas no solo sean humanas, sino también humanizadas.

Por lo tanto, las organizaciones (y los gerentes) deben tratar de aprovechar la curiosidad de sus empleados, en particular su profundo deseo de aprender y saber.

Cuando la inteligencia artificial es capaz de reproducir una habilidad, esa habilidad se convierte en un producto, y el factor diferenciador no es la versión de la habilidad realizada por la IA, sino la capacidad del ser humano para interactuar con la inteligencia artificial mejor que otros humanos. Así, por ejemplo, un profundo conocimiento en un área le permitirá generar mejores indicaciones para la IA que las de sus pares, y a hacer un mejor uso de la información que obtiene. Copiar y pegar descuidadamente el contenido generado por la inteligencia artificial (o delegar tareas de alto nivel a esta herramienta) puede disminuir la calidad de su producción.

4. Invertir en los mandos intermedios (a menudo olvidados).

Los mandos intermedios son esenciales para traducir la estrategia en ejecución. Su desempeño influye directamente en el compromiso, la moral, la productividad y las conductas laborales.

Rara vez apreciamos la importancia o reconocemos el impacto clave que tienen los gerentes, y, en su lugar, nos centramos en los empleados o en los líderes de más alto nivel.

La mejor estrategia para maximizar el retorno de la inversión en IA generativa debe centrarse en los mandos intermedios. Pues, el éxito de las organizaciones depende de equiparlos con las habilidades blandas necesarias para prosperar en la era de la inteligencia artificial, así como de los conocimientos técnicos para navegar por la compleja interacción humano-IA.

5. Promover una dosis saludable de experimentación relacionada con la inteligencia artificial.

Muchas personas han formado opiniones sobre la IA sin haberla probado, especialmente sobre la inteligencia artificial generativa. Dado que los valores, creencias y comportamientos de los líderes sénior de una organización pueden influir en gran medida en las opiniones de los demás, puede resultar decepcionante que los líderes inflijan tales prejuicios a los demás.

Al mismo tiempo, incluso cuando los líderes son firmes defensores de la IA, deben esforzarse por persuadir a los empleados para que se sumen a este proceso. Esto puede incluir la promoción de compartir conocimientos y aprender tanto de los éxitos como de los fracasos. Crear una cultura que enfatice el crecimiento y la adaptabilidad es primordial en la era humano-IA.

La experimentación también es vital en esta era, donde la adopción de nuevas tecnologías requiere adaptación e iteración. Alentar a los empleados a experimentar con herramientas y procesos de inteligencia artificial puede dar lugar a usos creativos de la tecnología que vayan más allá de las aplicaciones iniciales.

Para fomentar una cultura que valore la experimentación, las organizaciones pueden introducir incentivos como “subvenciones a la innovación” para proyectos de IA dirigidos por empleados. De este modo, se alienta a los empleados a asumir riesgos calculados sin temor a repercusiones si los proyectos no tienen éxito. Al promover una cultura amigable con la experimentación, las organizaciones aprovechan la curiosidad de los empleados y la convierten en un poderoso impulsor para la adopción de la inteligencia artificial y el desarrollo de habilidades.

En resumen, a medida que las empresas buscan aprovechar el potencial de la IA y, al mismo tiempo, fomentar una fuerza laboral próspera, el enfoque estratégico en desbloquear el potencial de los empleados se ha vuelto crítico. Desarrollar a los empleados para que utilicen eficazmente las herramientas de inteligencia artificial no solo representa una ventaja competitiva, sino que también es un medio para mantener el compromiso, la adaptabilidad y la innovación de la fuerza laboral. Aunque no cabe duda de que las herramientas de IA moldearán el futuro del trabajo, serán la curiosidad, la adaptabilidad y la resiliencia humanas las que impulsarán el éxito en esta nueva era. Los líderes que inviertan en liberar el potencial de los empleados y en crear una cultura de aprendizaje continuo no solo navegarán más eficazmente la transformación impulsada por la inteligencia artificial, sino que también fomentarán una fuerza laboral comprometida y preparada para liderar a la organización hacia un futuro próspero en la interacción humano-IA.

E

n el vertiginoso mundo del emprendimiento, el éxito parece depender de saber cuándo aprovechar la oportunidad de expandirse y cuándo es mejor esperar. La pregunta es: ¿En la carrera hacia el éxito de las startups predomina el enfoque “rápido y furioso” o “lento y constante”?

Es evidente que el escalamiento es crucial, pero difícil de comprender y estudiar. Esta realidad nos llevó a plantearnos la siguiente pregunta: ¿Cuándo deben escalar las startups?

Los riesgos de escalar antes de tiempo

En nuestra reciente investigación, analizamos datos a gran escala de Burning Glass Technologies y Crunchbase. Estos datos incluían 6.3 millones de ofertas de trabajo publicadas entre 2010 y 2019 por 38,217 startups fundadas en Estados Unidos. Descubrimos que, cuando las startups comienzan a expandirse, generalmente contratan a su primer gerente y vendedor para coordinar una fuerza laboral en crecimiento y ampliar su base de clientes.

Aprovechando esta información, utilizamos las primeras ofertas de trabajo para estas dos funciones con el fin de determinar el momento en que una startup empieza a escalar. Nuestros análisis revelaron que el escalamiento prematuro aumenta el riesgo de fracaso entre un 20 y un 40%. Además, este riesgo de fracaso es particularmente importante en empresas de plataforma de dos caras. Sin embargo, también descubrimos que cuando las startups incorporan la experimentación a través de pruebas A/B, el efecto adverso de escalar antes de tiempo sobre la probabilidad de fracaso disminuye.

Entonces, ¿qué impulsa la dinámica entre la velocidad de escalamiento, la experimentación y el fracaso? Proponemos que todo se reduce al riesgo de compromiso. Escalar requiere comprometerse con una idea, estrategia o producto, incluso si no está completamente perfeccionado. El riesgo subyacente a este compromiso se intensifica cuando las startups escalan prematuramente, ya que se ven obligadas a seguir una dirección particular antes de haber desarrollado completamente su concepto.

En cambio, cuando las startups se toman el tiempo necesario para escalar, evitan el riesgo de comprometerse demasiado pronto. Este enfoque les da margen para experimentar, perfeccionar su idea y realizar mejoras. Aunque pueden enfrentar desafíos (como la competencia o la imitación), ganan flexibilidad para ajustar sus ideas y estrategias.

Lo que los emprendedores deben tener en cuenta

Al analizar cómo influye el momento de la expansión en los resultados de las startups, nuestra investigación proporciona información sobre lo que los emprendedores deben priorizar al formular su estrategia de escalamiento:

— No se apresure a escalar antes de tiempo. Ante todo, las startups deben ser cautelosas a la hora de expandirse. Evite escalar su negocio y comprometerse con un concepto hasta que haya logrado que el producto se ajuste al mercado. Un escalamiento prematuro puede poner en riesgo las posibilidades de éxito de su startup.

— Adopte la experimentación. En segundo lugar, es importante fomentar una cultura de experimentación y hacer un uso estratégico de las pruebas A/B. En el dinámico panorama del crecimiento de las startups, experimentar con diferentes conceptos, estrategias y segmentos de clientes permite a los emprendedores recopilar información valiosa y validar supuestos antes de comprometerse con el costoso proceso de expansión.

Una limitación de nuestra investigación es que solo examina una dimensión del escalamiento y cómo esta influye en el éxito o fracaso de las startups. Otras dimensiones, como la modalidad o la geografía, también pueden tener un impacto significativo en el desempeño de las startups. Por lo tanto, aún quedan por descubrir muchas ideas relevantes sobre la dinámica del escalamiento de las startups.

Aunque puede parecer menos emocionante y glamoroso en una era en la que se celebra el crecimiento rápido, la paciencia puede garantizar una trayectoria más prometedora a largo plazo para las startups. Al final, la lentitud y la constancia ganan la carrera.