A

medida que la IA aumenta en velocidad y volumen, las organizaciones no pueden simplemente incorporarla a flujos de trabajo diseñados para el ritmo humano. Con base en nuestra experiencia como economistas que estudian el impacto de la IA en las organizaciones y en los mercados laborales, creemos que los CEOs necesitan rediseñar el trabajo tanto de la IA como de las personas en tres aspectos clave:

1. Redefinir explícitamente los flujos de trabajo y luego establecer nuevas expectativas de roles (humanos).

A medida que los agentes de IA asumen tareas de ejecución, los roles humanos se enfocarán cada vez más en supervisión, criterio, construcción de relaciones y manejo de la ambigüedad. En nuestro trabajo con clientes, hemos observado que este cambio en la responsabilidad no se está comunicando de forma clara en muchos lugares de trabajo actualmente, mientras que las empresas nativas de IA lo incorporan explícitamente en su modelo de talento. A medida que cambian los flujos de trabajo, también cambian los roles humanos, lo que requiere nuevas habilidades acompañadas de nuevas expectativas. Los líderes deben:

— Crear el entorno adecuado de responsabilidad y alcance de control. La capacidad de supervisión no se expande automáticamente solo porque aumente la producción. Los líderes deben rediseñar los alcances de control y el tamaño de los equipos teniendo esto en cuenta.

— Rediseñar los roles a gran escala y aclarar las expectativas. Establecer expectativas realistas sobre la velocidad y el volumen de trabajo, declarar explícitamente la responsabilidad de supervisión sobre los sistemas de IA en las descripciones de puesto y definir las habilidades humanas permanentes que siguen siendo fundamentales.

— Reiniciar la gestión del desempeño. Recompensar la calidad de la supervisión y la coordinación efectiva de los sistemas de IA, no solo la velocidad y el volumen de producción.

2. Hacer que la responsabilidad sea explícita y personal tanto para empleados como para agentes.

La evidencia presentada en nuestro estudio sugiere que los agentes de IA deben tratarse como lo que son: automatización de software que requiere una responsabilidad humana clara sobre su funcionamiento y sus resultados. Cuando la IA contribuye a un resultado, esto debe hacerse evidente para las personas responsables que deben rendir cuentas por ello. Esto es especialmente crítico en entornos altamente regulados.

Esto requiere reglas claras de colaboración entre humanos y agentes, basadas en objetivos compartidos y responsabilidad sostenida en el tiempo, en tres frentes:

— Derechos de decisión: Debido a que los agentes pueden manejar situaciones mucho más flexibles que la automatización tradicional, es fundamental definir qué puede hacer el agente de manera autónoma y qué requiere aprobación humana explícita.

— Escalamiento: ¿Qué desencadena una revisión? ¿Quién interviene? ¿Quién asume el costo de un retraso o de un error?

— Consecuencias: Cuando el agente falla, ¿qué sucede después? Defina cómo se mantendrá la responsabilidad a lo largo del tiempo. Los empleados humanos responsables deben supervisar el desempeño de los agentes y proporcionar mejoras continuas.

3. Diseñar e implementar un plan de desarrollo de capacidades para empleados que gestionan agentes.

La capacidad de supervisar sistemas humano-agénticos no siempre surge de manera orgánica, como lo demuestra el hecho de que las empresas solo obtienen valor de la IA cuando protegen el aprendizaje de los empleados. Las organizaciones necesitan un nuevo conjunto de herramientas de gestión y programas de capacitación que ayuden a los empleados a navegar un equilibrio diferente entre delegación y control al trabajar con IA. Los empleados deben comprender la amplia variedad de tareas que la IA puede realizar, utilizarla como una fuente de inteligencia y no solo como una herramienta de ejecución de tareas, e integrarla en los flujos de trabajo de maneras que mejoren la toma de decisiones. Igualmente importante es que sepan cuándo confiar en la IA, cuándo cuestionar sus resultados y en qué aspectos sus limitaciones difieren de las de los trabajadores humanos.

L

a IA generativa está disolviendo la lógica económica que convirtió al software empresarial estandarizado en la única opción viable para la mayoría de las empresas. Lo que lo sustituya no estará determinado únicamente por las capacidades en rápida evolución de esta nueva tecnología, sino también por líderes dispuestos a plantearse una pregunta más exigente: ¿Qué flujos de trabajo necesitamos realmente controlar?

Hasta hace poco, las organizaciones adaptaban sus flujos de trabajo a soluciones de software estandarizadas. Las convenciones de flujo de trabajo de un proveedor se convertían, por defecto, en las convenciones de flujo de trabajo de la empresa. Ahora, las compañías necesitan decidir estratégicamente qué flujos de trabajo quieren controlar por sí mismas.

Cuatro modelos que empiezan a tomar forma

Comienzan a surgir un pequeño número de enfoques claramente diferenciados. Cada uno refleja una respuesta distinta a una misma pregunta de fondo: ¿Dónde debe situarse el límite entre lo que una organización desarrolla por sí misma y aquello que depende de terceros para obtenerlo?

1. Desarrollar

Algunas empresas optarán por construir sus propios sistemas directamente sobre modelos fundacionales. Estos sistemas no se organizan en función de las convenciones de flujo de trabajo del proveedor, sino en torno a las tareas específicas que la organización pretende llevar a cabo.

Una buena forma de comprobarlo es ver si el sistema incorpora datos o una lógica de decisión verdaderamente distintivos. De no ser así, su desarrollo (aunque en un principio parezca sencillo) podría ser una apuesta excesiva, y la integración o la colaboración podrían aportar un valor similar con mucha menos complejidad.

2. Integrar

Está surgiendo una segunda vía para las organizaciones que buscan flexibilidad sin asumir una propiedad total. En este modelo, los proveedores ofrecen una estructura base, plantillas y componentes fundamentales que los usuarios de negocio pueden configurar según sus necesidades.

Los equipos deben estar atentos a señales de que la diferenciación crítica no esté siendo limitada por los márgenes de la plataforma. Cuando la personalización se siente forzada o engorrosa, puede ser señal de que es necesario desarrollar soluciones de forma más directa o colaborar de manera más profunda.

3. Colaborar

Un tercer modelo implica pasar de comprar software empresarial a colaborar con proveedores para construir soluciones a medida. Los proveedores trabajan con los clientes (con ingenieros integrados en el proyecto) para definir con claridad la tarea, y después desarrollar sistemas personalizados diseñados en función de ese resultado.

La ventaja es la rapidez y la alineación; el riesgo es la dependencia de experiencia externa. Con el tiempo, las empresas deberían evaluar si la dependencia recurrente de socios externos está ocultando una oportunidad para internalizar una capacidad estratégicamente importante o, por el contrario, si aquello que se está construyendo carece de singularidad y podría adquirirse directamente como producto final.

4. Adquirir un producto final

El modelo más radical va más allá del software. En lugar de adquirir herramientas, las empresas contratan el producto final en sí mismo. Una organización podría dejar de adquirir licencias de software de contabilidad y gestionarlo internamente, y en su lugar contratar servicios de información financiera precisa, cumplimiento normativo y presentación de informes.

En este modelo, los proveedores no proporcionan herramientas, sino que asumen la responsabilidad por los resultados. Esto puede simplificar significativamente las operaciones, pero también traslada el control y requiere un alto grado de confianza en el proveedor.

Lo que viene después

Las empresas de software empresarial se enfrentan a una pregunta importante: ¿Cómo replantear sus flujos de trabajo y decidir cuáles desarrollar, integrar, colaborar o adquirir?

Las organizaciones que aborden esta pregunta con claridad descubrirán que ofrece algo más valioso que una estrategia de software. Les proporciona una comprensión más precisa de dónde crean valor y por qué ese valor es difícil de replicar.

E

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

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

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

Por qué la herramienta de IA no creaba valor

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

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

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

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

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

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

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

El contexto lo es todo

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

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

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

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

1. Mapear el gráfico de trabajo.

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

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

2. Ajustar el gráfico de trabajo.

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

3. Perfeccionamiento continuo.

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

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

¿Qué pueden hacer los CXOs?

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

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

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

L

a promesa de la IA es cautivadora (productividad optimizada, análisis de datos ultrarrápido y liberación de tareas mundanas), y tanto las empresas como los trabajadores están fascinados por cómo estas herramientas les permiten hacer más y mejor trabajo, más rápido que nunca.

Sin embargo, en el fervor por mantenerse al ritmo de la competencia y cosechar las ganancias de eficiencia asociadas con la implementación de la IA, muchas organizaciones han perdido de vista su activo más importante: los humanos, cuyos puestos de trabajo están siendo fragmentados en tareas cada vez más automatizadas. Si desea que los proyectos de adopción de IA sean exitosos y viables, debe centrarse primero en los humanos y después en la IA.

Para sortear los desafíos y oportunidades de la IA en el lugar de trabajo para los empleados, los líderes empresariales deben equilibrar el impulso por la eficiencia con un profundo compromiso con el bienestar de los empleados y la cohesión social. He aquí algunos pasos clave que pueden tomar:

Monitorear el bienestar

Es poco probable que los empleados solitarios y poco comprometidos den lo mejor de sí mismos en el trabajo. Es menos probable que colaboren, innoven o hagan un esfuerzo adicional por sus organizaciones. Por lo tanto, supervise el bienestar y la integración social de los empleados en la organización, no sólo su rendimiento. Las encuestas regulares, las revisiones y las sesiones de retroalimentación pueden ayudar a identificar los problemas antes de que se agraven. Métricas como el compromiso de los empleados, la satisfacción laboral y el apoyo social percibido, deben seguirse tan de cerca como el rendimiento y la productividad. Es este tipo de práctica la que ayudará a su organización a actuar de manera preventiva para evitar que los empleados terminen en un ciclo negativo en el que su salud física y mental se ve afectada por la presencia dominante de la IA en su vida laboral.

Rediseñar los flujos de trabajo

Otra forma en que las organizaciones pueden evitar que la integración de la IA provoque efectos negativos en la salud de los empleados es adoptando un enfoque deliberado y centrado en el ser humano para la implementación de la IA. En lugar de simplemente superponer la IA sobre los procesos existentes, las organizaciones deben rediseñar los flujos de trabajo en torno a las fortalezas únicas de los humanos y las máquinas. Deben crear oportunidades para que los empleados colaboren con la IA de maneras que mejoren su autonomía, su sentido de control y dominio, y la sensación de que su trabajo les proporciona un sentido de propósito. Las investigaciones muestran que los empleados que se sienten en control y experimentan una sensación de autonomía al perseguir algo que perciben como significativo tienen beneficios para la salud mental.

Pensar en la IA como una herramienta

Para evitar los peligros del aislamiento y la desvinculación impulsados ​​por la IA, las organizaciones necesitan un cambio fundamental de mentalidad. En lugar de ver la IA simplemente como un medio para automatizar y optimizar, deben verla como una herramienta para mejorar la experiencia humana en el trabajo. ¿Qué significa esto para las organizaciones? Principalmente, que el objetivo de implementar sistemas de IA debe ser enriquecer los puestos de trabajo de los empleados. La eficiencia que crean estos sistemas es una oportunidad para respaldar las necesidades sociales y emocionales de los empleados. Por ejemplo, la IA puede hacerse cargo de más tareas y, al mismo tiempo, los líderes deben crear espacios y momentos específicos para que los empleados se conecten cara a cara. Esto podría significar reservar tiempo para actividades de formación de equipos, eventos sociales o incluso simplemente charlas informales para tomar café. El objetivo debe ser fomentar una cultura donde la interacción social sea valorada y fomentada, (no vista como una distracción del “trabajo real”).