L

a mayoría de los ejecutivos cree que el gran desafío al adoptar agentes de IA es entender cómo adaptarse a una tecnología nueva e importante. Pero, en realidad, se trata principalmente de gestionar el trabajo.

Para aprovechar los beneficios a corto plazo de la IA y prepararse para su impacto creciente, las organizaciones deben integrarla en los procesos existentes de recursos humanos y dejar claro su papel para los empleados. A continuación, se presentan cuatro ideas que he desarrollado trabajando con empresas para alcanzar ese objetivo. Provienen de diversos sectores, incluyendo banca, productos de consumo, logística y ciencias de la vida, y son ampliamente reconocidas como líderes en sus respectivas industrias.

1. Asigne a cada agente de IA una descripción de puesto.

A medida que la IA agéntica se integra en las organizaciones, los equipos estarán conformados por “colegas” humanos y agentes de IA, y todos necesitarán descripciones de puesto: un método probado para especificar las responsabilidades de un trabajador, sus derechos de decisión y su rol dentro de los procesos relevantes. Elaborar una descripción de puesto para cada agente de IA obligará a sus responsables a ser deliberados al momento de asignar responsabilidades entre colegas humanos y agentes. Al redactar estas descripciones, hágase las siguientes preguntas: ¿De qué es responsable y de qué no lo es? (Los mandatos vagos como “optimizar” o “mejorar la eficiencia” son una receta para el fracaso. Al igual que las personas, los agentes funcionan mejor cuando los objetivos son explícitos). ¿Cuáles son los límites de sus derechos de decisión? ¿Qué facultades tiene? ¿Cuándo debe buscar la opinión o aprobación de colegas o superiores?

2. Diseñe al agente para resolver los problemas de los colegas humanos.

Muchos observadores han señalado que la IA agéntica promete mejorar la calidad de vida laboral de los trabajadores del conocimiento. Así como la automatización ayudó a eliminar tareas en industrias tradicionalmente consideradas “sucias, peligrosas y demandantes”, como la manufactura, la metalurgia y la minería, la IA puede eliminar trabajos que resultan “aburridos, desalentadores y repetitivos”. Ya sea reduciendo pasos tediosos o automatizando los elementos más monótonos de un puesto, diseñar los roles de los agentes de IA de esta manera les da a los empleados una razón para adoptar la IA y los motiva a sortear sus limitaciones, integrándola en su experiencia diaria.

3. Evalúe a cada agente de IA regularmente.

Los agentes de IA necesitan métricas de desempeño cuantificables que reflejen los resultados reales de los procesos derivados de sus acciones. Estos indicadores deben ser explícitos y permitir una evaluación amplia del desempeño, yendo más allá de aspectos como la precisión y la facilidad de uso para incluir la puntualidad y la confiabilidad. La existencia de tales métricas ayudará a tranquilizar a los compañeros humanos, al confirmarles que sus colegas algorítmicos también están sujetos a estándares. Además, contribuirán a mejorar los procesos de entrenamiento al revelar áreas de mejora. Así como las evaluaciones de desempeño informan los planes de desarrollo profesional de los empleados, los compañeros agénticos también deberían beneficiarse de un ciclo en el que la retroalimentación impulse el aprendizaje. Sin indicadores, los gerentes no pueden distinguir entre variaciones aceptables y fallas reales.

4. Asigne a cada agente de IA un supervisor humano.

Algunos observadores han comenzado a destacar la capacidad de los agentes de IA para “coordinar” las actividades de múltiples agentes independientes. Esto puede acelerar las acciones y hacer su trabajo más preciso. Pero, ¿quién supervisa a los coordinadores? Sin duda, la necesidad de una supervisión humana sigue existiendo. Todas las generaciones de IA han demostrado cierta propensión a generar errores o “alucinaciones”. Es probable que estos casos disminuyan a medida que la IA mejore, pero los riesgos aumentarán conforme la IA se expanda a profesiones consideradas de alto riesgo. Además, las organizaciones seguirán siendo responsables de cualquier resultado generado por la IA que utilicen, por lo que debe existir un responsable humano que rinda cuentas sobre cómo se entrena, cómo se integra con los procesos y cómo interactúa con otros compañeros humanos y agénticos. Los reguladores, legisladores y tribunales insistirán en ello.

L

as organizaciones han avanzado rápidamente para poner las herramientas de IA en manos de sus colaboradores. Pero, a pesar de toda esta inversión, muchos líderes tienen dificultades para evaluar cómo va realmente. ¿Cómo se ve, en la práctica, un uso exitoso?

Para entender qué diferencia el uso rutinario de la IA de una colaboración avanzada entre humanos y tecnología, KPMG se asoció con investigadores de la Universidad de Texas en Austin. En conjunto, analizamos más de 1.4 millones de prompts y respuestas generados por aproximadamente 2,500 colaboradores durante un periodo de ocho meses. A partir de este análisis, construimos una definición de uso avanzado que va más allá de la ingeniería de prompts, priorizando instrucciones claras junto con estrategias aplicadas de manera deliberada, y descubrimos un conjunto de indicadores observables y de bajo costo, como el cambio entre modelos y el uso de prompts iniciales estructurados, que predicen un uso de alto nivel. Estos hallazgos ya se están integrando en los sistemas de talento, aprendizaje y desempeño de KPMG, y ofrecen un marco que cualquier organización puede utilizar para desarrollar y medir un uso más avanzado de la IA entre sus colaboradores.

Desglosando el uso avanzado

Al identificar quiénes eran los usuarios más avanzados dentro de la organización, encontramos una gran variedad en roles y niveles de antigüedad. Sin embargo, también surgieron patrones claros en común. Detectamos cuatro comportamientos distintivos que estos usuarios compartían:

— Abordaban el uso de la IA con ambición.

— Trataban a la IA como un socio para razonar.

— Delegaban tareas complejas con objetivos claros.

— Utilizaban la IA como una herramienta cognitiva general, no solo como un atajo de productividad puntual.

La investigación también reveló una tendencia sorprendente: los mejores usuarios solían estar por encima del nivel gerencial. Esto nos tomó por sorpresa, considerando la creencia general de que los colaboradores más jóvenes tienden a sentirse más cómodos con estas herramientas y a usarlas de forma más natural. Sin embargo, los hallazgos muestran que podría existir una diferencia importante entre comodidad y dominio.

¿Qué pueden hacer los líderes de forma diferente?

Los resultados sugieren que las empresas deben cambiar el enfoque de sus esfuerzos en IA: pasar de impulsar la adopción a moldear hábitos. El uso avanzado de la IA surge cuando las personas aprenden a estructurar problemas con claridad, guiar el razonamiento del modelo, evaluar críticamente los resultados y aplicar la IA de forma flexible en su trabajo.

Esto es en lo que deberían centrarse los líderes:

Desarrollar buenas prácticas basadas en la IA.

La investigación identificó comportamientos específicos que KPMG buscaba fomentar, por lo que los líderes los tradujeron en guías prácticas, explicaciones breves y redes de “embajadores” lideradas por pares que enfatizan cómo se ve el uso avanzado en el día a día. El objetivo es crear un entendimiento compartido de “cómo se ve un buen uso” que se refuerce en toda la organización.

Replantear el desarrollo de habilidades.

Los hallazgos redefinieron la forma en que KPMG aborda el desarrollo, con un enfoque en ayudar a las personas a ganar confianza sobre cómo trabajar eficazmente con la IA dentro del flujo natural de su trabajo. La organización invirtió en capacitación práctica, basada en la aplicación, desarrollada por equipos multifuncionales. Tanto en las oficinas como en las aulas virtuales, las sesiones basadas en situaciones reales sumergen a los profesionales en el trabajo real con clientes y en las tareas internas, con un fuerte énfasis en comportamientos avanzados de colaboración.

Establecer expectativas claras de crecimiento y desarrollo.

Este trabajo no se trata de cambiar los sistemas o procesos de gestión del talento, sino de tener claridad sobre cómo se ve un trabajo de calidad en un entorno habilitado por la IA. A partir de esta investigación, KPMG tradujo lo que implica un desempeño efectivo con IA en expectativas prácticas a nivel de rol y de tarea, reconociendo que el juicio de calidad se manifiesta de forma distinta según la función, el nivel y el contexto de ejecución.

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.

E

n su cuento “The Evitable Conflict”, publicado hace 75 años, el escritor de ciencia ficción Isaac Asimov describió cómo las máquinas podrían dirigir industrias enteras. Hoy en día, cada vez hay más pruebas de que la IA puede superar a los humanos en muchas tareas cognitivas individuales. Un experimento realizado por un equipo de la Universidad de Cambridge sugiere que los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) pueden superar a los humanos en la mayoría de las tareas, incluyendo el diseño de productos, el control de costos y la inteligencia de mercado.

Si bien estos resultados son impresionantes, los estudios que conocemos se han realizado en condiciones de laboratorio artificiales. Los ejecutivos en el mundo real enfrentan desafíos indefinidos y cambiantes, a menudo con datos insuficientes o inexactos.

¿Qué sucede si sacamos la IA del laboratorio y la llevamos a una empresa real? Durante el último año, nos unimos a una serie de reuniones del equipo ejecutivo de Giesswein, una empresa austriaca con ingresos de 85 millones de dólares, que vende zapatillas ecológicas de lana orgánica. Nuestra idea era experimentar con diferentes formas de integrar la IA en sus reuniones ejecutivas para comprender qué funciona y cómo.

La IA en la sala de juntas

Diseñamos tres tipos de intervenciones y realizamos al menos dos variaciones diferentes de cada una para probar su replicabilidad. Después de cada intervención, realizamos entrevistas de seguimiento con los dos hermanos que dirigen la empresa familiar para recopilar sus percepciones sobre la efectividad.

Nuestro primer tipo de intervención consistió en alimentar la agenda del equipo ejecutivo en ChatGPT 4.0 durante varias reuniones, pidiendo sugerencias sobre qué preguntas y temas discutir. El resultado se compartió con el equipo durante la reunión a medida que se abordaban los puntos de la agenda. También desarrollamos indicaciones para generar recomendaciones más específicas. Por ejemplo, cuando la cuestión de la subcontratación estaba en la agenda, solicitamos argumentos a favor y en contra. Sabíamos que la empresa ya estaba subcontratando parte de su producción en China, por lo que pedimos a ChatGPT que explorara qué debía tener en cuenta si quería externalizar toda la producción. A continuación, se compartieron los resultados durante la reunión ejecutiva.

En un segundo tipo de intervención, escribimos indicaciones relacionadas con los puntos discutidos por los ejecutivos durante la reunión y luego compartimos los resultados. Por ejemplo, un posible factor decisivo en la decisión de subcontratación era la infrautilización de la línea de producción, lo que hacía que los costos fijos fueran un problema mayor. Mientras discutíamos esto en vivo, pedimos a ChatGPT que generara una lista de productos alternativos que podrían lanzarse utilizando el mismo material que la empresa ya producía.

Un tercer tipo de intervención se llevó a cabo después de las reuniones del equipo ejecutivo, con ChatGPT respondiendo preguntas específicas que tenía la dirección, por ejemplo, sobre opciones de entrada al mercado en EE. UU. Probamos dos versiones de esto: en la primera, entablamos una conversación prolongada con ChatGPT, usando nuestro propio criterio para guiar la herramienta de IA. En la segunda versión, simplemente formulamos las preguntas de los ejecutivos sin ninguna interpretación o iteración adicional.

Aumento, no sustitución

En general, nuestros experimentos con la junta directiva demostraron que la IA podría ser valiosa para guiar y enriquecer las discusiones ejecutivas, pero solo con una gestión activamente involucrada.

El uso no supervisado de la IA no funcionó bien, ya que proporcionó resultados que no eran lo suficientemente específicos para que los ejecutivos los encontraran útiles. Por el contrario, las aplicaciones supervisadas, complementadas con las habilidades de un asesor humano sin un conocimiento especial de la empresa, pero con experiencia en el desarrollo de estrategias, fueron percibidas como altamente beneficiosas por los ejecutivos. Observamos tres implicaciones específicas:

1. Ventaja de la torpeza

Parece contradictorio, pero la mayor ventaja de ChatGPT fue interrumpir el flujo natural de las reuniones. Esperábamos que la torpeza, la incomodidad y la demora que introducía fueran una gran molestia, pero los ejecutivos apreciaron que los hiciera detenerse y reflexionar.

El equipo era consciente de que, después de décadas de trabajar juntos, estaban muy alineados en muchos temas y podían casi completar las frases del otro. También sabían que su experiencia compartida y sus rutinas bien ensayadas creaban puntos ciegos de manera natural. Como nos dijo el CEO Markus Giesswein, aceptó este experimento porque esperaba “un apoyo equilibrado y estructurado, ya que muchas decisiones en nuestro rango de tamaño se toman en función de la intuición y las emociones”.

La tendencia de ChatGPT a proporcionar listas exhaustivas llevó al equipo a considerar opciones que de otro modo no habrían considerado, pero el verdadero valor radicó en romper y ralentizar los patrones de pensamiento e interacción existentes, permitiendo la discusión de nuevos elementos.

2. Ilusión de completitud

La amplitud de las sugerencias de LLM también tuvo un inconveniente. A medida que el equipo se acostumbró a que la herramienta les señalara problemas que de otro modo habrían pasado por alto, observamos una creciente dependencia de ella para no omitir nada importante.

Por ejemplo, en una de las reuniones se discutió un próximo anuncio. ChatGPT ofreció un amplio conjunto de factores que debían abordarse antes del anuncio, pero omitió posibles implicaciones legales que debían considerarse. En circunstancias normales, los ejecutivos podrían haber planteado las cuestiones legales, pero la IA había creado la ilusión de una completitud infalible en la que comenzaron a confiar.

3. Ventaja en velocidad y costos

Una última serie de ventajas de introducir la IA en estas reuniones fue la velocidad y la reducción de costos. Las discusiones en la sala de juntas suelen dar lugar a preguntas que requieren más investigación. ChatGPT permitió al equipo recopilar datos y hacer recomendaciones inmediatas, lo que agilizó la adopción de medidas.

Por ejemplo, cuando Giesswein consideró el futuro de su planta en Eslovaquia, surgió una pregunta importante: el posible costo de renovar la instalación si decidían conservarla. ChatGPT fue capaz de proporcionar estimaciones lo suficientemente rápidas y precisas que permitieron a los ejecutivos avanzar en esta cuestión.

En algunos casos, el uso de la IA también puede reducir los costos de exploración adicional. Por ejemplo, una de las decisiones que tomó el equipo requería emitir un comunicado de prensa. En el pasado, habrían contratado a una agencia para redactar y publicar el comunicado, pero ChatGPT produjo una declaración que se ajustaba a su propósito. Este beneficio también fue evidente cuando utilizamos ChatGPT en el análisis posterior a la reunión.

Un nuevo tipo de interacción para equipos ejecutivos

Hasta ahora, gran parte de la conversación sobre el valor de la IA generativa se ha centrado en la precisión de la información que proporciona. Nuestra participación de un año en Giesswein sugiere que el valor radica en otro lugar, específicamente en el proceso de interacción en sí mismo. Los ejecutivos son conscientes de que la herramienta ocasionalmente tendrá alucinaciones; también están acostumbrados a trabajar con información incompleta o defectuosa.

Lo que hace que la IA sea un miembro valioso del equipo ejecutivo es que es diferente de los humanos. Esto interrumpe y, por lo tanto, amplía las consideraciones, en algunos casos proporcionando información para avanzar rápidamente. Pero para que esto funcione, necesita a un humano que opere la herramienta. La inteligencia colectiva de la combinación entre humanos y herramientas ofrece algo nuevo y emocionante.

L

a manera en que los humanos interactúan y colaboran con la IA está dando un salto dramático hacia adelante con la IA agéntica. Mientras que los asistentes de IA anteriores se basaban en reglas y tenían una capacidad limitada para actuar de forma independiente, la IA agéntica estará capacitada para hacer más en nuestro nombre. Pero, ¿qué es exactamente la IA agéntica?

«Se puede definir la IA agéntica con una palabra: proactividad», dijo Enver Cetin, experto en IA de la firma global de ingeniería de experiencias Ciklum, a quien entrevisté. «Se refiere a sistemas y modelos de IA que pueden actuar de forma autónoma para alcanzar objetivos sin la necesidad de una guía humana constante. El sistema de IA agéntica comprende cuál es el objetivo o la visión del usuario y el contexto del problema que están tratando de resolver».

Para lograr este nivel de toma de decisiones y acción autónoma, la IA agéntica se basa en un complejo conjunto de diferentes tecnologías de aprendizaje automático, procesamiento de lenguaje natural y automatización. Aunque los sistemas de IA agéntica aprovechan las capacidades creativas de los modelos de IA generativa como ChatGPT, difieren en varios aspectos. En primer lugar, se centran en la toma de decisiones más que en la creación de contenido. En segundo lugar, no dependen de indicaciones humanas, sino que se configuran para optimizar objetivos o metas particulares. Y, en tercer lugar, a diferencia de la IA generativa, también pueden llevar a cabo secuencias complejas de actividades, buscando de manera independiente en bases de datos o activando flujos de trabajo para completar tareas.

Las ventajas de trabajar con IA agéntica

Con sus capacidades potenciadas de razonamiento y ejecución, los sistemas de IA agéntica prometen transformar muchos aspectos de la colaboración entre humanos y máquinas, especialmente en áreas de trabajo que anteriormente estaban aisladas de la automatización basada en IA, como la gestión proactiva de sistemas de TI complejos para prevenir fallas; la reconfiguración dinámica de cadenas de suministro en respuesta a interrupciones geopolíticas o meteorológicas; o la interacción realista con pacientes o clientes para resolver problemas.

Tres de los principales beneficios serán una mayor especialización de la fuerza laboral, una mayor confiabilidad de la información y una innovación mejorada.

1. Mayor especialización

La importancia de la especialización de la fuerza laboral (la «división del trabajo») se comprende desde la célebre visita de Adam Smith a una fábrica de alfileres en los primeros párrafos de «La riqueza de las naciones«. La especialización aporta mayor eficiencia y aprendizaje a través de la práctica e innovación, sin embargo, puede ser difícil de implementar cuando las empresas se enfrentan a la escasez de mano de obra y a la falta de adecuación entre las funciones y las capacidades humanas disponibles. Dado que los modelos agénticos están diseñados explícitamente para realizar tareas muy detalladas, permiten una mayor especialización de los roles en comparación con los anteriores sistemas de automatización más generales.

2. Innovación

Con su juicio mejorado y sus capacidades de ejecución, los sistemas de IA agéntica son ideales para la experimentación y la innovación. Los modelos de IA multiagente también pueden escanear y analizar vastos espacios de investigación (como artículos científicos y bases de datos) en una fracción del tiempo que le tomaría a equipos de científicos e investigadores humanos.

3. Mayor confiabilidad

El mayor razonamiento cognitivo de los sistemas de IA agéntica significa que es menos probable que sufran las llamadas alucinaciones (o información inventada) comunes en los sistemas de IA generativa. Los sistemas de IA agéntica también tienen una capacidad significativamente mayor para filtrar y diferenciar las fuentes de información según su calidad y fiabilidad, aumentando el grado de confianza en sus decisiones. Por ejemplo, mientras que la información del cliente a menudo se encuentra dispersa en diferentes formatos en distintas partes de una empresa (correos electrónicos, bases de datos, hojas de cálculo y similares), un sistema de IA agéntica puede discernir rápidamente que la información más fiable y actualizada probablemente se encuentre en los sistemas de gestión de relaciones con los clientes (CRM) de la empresa.

Casos de uso potenciales

Aunque muchas aplicaciones de la IA agéntica siguen siendo experimentales o están en fase piloto, ya están empezando a emerger aplicaciones potenciales en diferentes industrias y funciones. Algunos ejemplos incluyen:

Servicio al cliente

A diferencia de los bots de servicio al cliente tradicionales que estaban preprogramados con un rango limitado de respuestas y acciones, los agentes de servicio al cliente agénticos pueden captar rápidamente las intenciones y emociones de los clientes y tomar medidas independientes para resolver consultas y problemas.

Manufactura

Desde el control del flujo de las líneas de producción hasta la personalización de productos y la formulación de sugerencias para mejorar el diseño de los productos, es probable que la IA agéntica tenga múltiples aplicaciones en la manufactura inteligente. Los datos de sensores conectados a máquinas, componentes y otros activos físicos en fábricas y transportes pueden ser analizados por sistemas de IA agéntica para predecir el desgaste y las interrupciones de producción, evitando el tiempo de inactividad no programado y los costos asociados para los fabricantes.

Soporte de ventas

Para los agentes de ventas, el objetivo crucial de encontrar y desarrollar oportunidades comerciales a menudo queda enterrado bajo una avalancha de correos electrónicos, papeleo y otras tareas administrativas mundanas pero necesarias. Los sistemas de IA agéntica podrían liberar significativamente a los equipos de ventas de gran parte de esta actividad que consume mucho tiempo.

Salud y cuidados sociales

Su capacidad para adaptarse a diferentes entornos, interpretar emociones humanas y mostrar empatía hace que los sistemas de IA agéntica sean ideales para trabajos no rutinarios que requieren habilidades interpersonales, como la atención médica y el cuidado de personas.

Los desafíos por delante

A pesar de su gran potencial para transformar la colaboración entre humanos y máquinas, y aumentar la eficiencia y el crecimiento empresarial, los sistemas de IA agéntica aún se encuentran en una etapa relativamente temprana de desarrollo. Además, pese a sus mayores capacidades de razonamiento y ejecución, no eliminan los desafíos tradicionales de la gestión de equipos; más bien, los transforman. Al igual que con los equipos humanos tradicionales, los gerentes deben seguir prestando atención a la composición del equipo, la asignación de funciones y la definición de metas adecuadas para garantizar el éxito de los equipos híbridos o de los sistemas de IA agéntica.

Claves para el éxito

Para aprovechar las oportunidades que ofrece la IA agéntica y, al mismo tiempo, mitigar los riesgos, los gerentes deben considerar las siguientes acciones clave:

Establecer objetivos SMART

Al igual que el rendimiento de los equipos humanos puede verse obstaculizado por objetivos mal definidos o poco claros, los sistemas de IA agéntica también pueden desviarse si no se establecen metas precisas. Cetin, de Ciklum, destaca la importancia de fijar objetivos exhaustivos: «Para que la IA agéntica tenga éxito, los modelos deben tener objetivos y subobjetivos SMART (específicos, medibles, alcanzables, relevantes y con tiempo definido) y saber cómo medirlos. Como gerentes, necesitamos establecer bucles de retroalimentación para ajustar los modelos a medida que aprendemos más sobre su desempeño».

Prestar atención a la selección del equipo

En comparación con la IA generativa, que se basa en gran medida en hacer preguntas concretas a modelos de lenguaje de gran tamaño, la IA agéntica es mucho más un esfuerzo de equipo. Al igual que en los equipos humanos, es probable que surjan problemas de coordinación, conflictos y gestión de recursos. Los gerentes que utilicen sistemas de IA agéntica deberán prestar especial atención a la selección del equipo, asegurándose de contar con la combinación adecuada de roles agénticos que lleven a cabo las tareas correctas de manera eficiente.

Estructurar el espacio de decisión

Aunque los modelos de IA agéntica están diseñados explícitamente para evaluar opciones y ejecutar secuencias complejas de acciones, no son infalibles y pueden cometer errores, al igual que los humanos. La ciencia del aprendizaje destaca la importancia del «andamiaje» en el aprendizaje, que consiste en exponer a los aprendices a la práctica del mundo real con salvaguardas que se retiran progresivamente a medida que aumenta la experiencia.

Desde los primeros días de los autómatas mecánicos hasta los bots conversacionales más recientes, los científicos e ingenieros han soñado con un futuro en el que los sistemas de IA puedan funcionar y actuar de forma inteligente e independiente. Los avances recientes en la IA agéntica acercan ese futuro autónomo un paso más a la realidad.

E

sta nueva era de la IA puede resultar intimidante para las limitadas y torpes formas de vida que la crearon. Ahora debemos analizar con más atención dónde sigue residiendo nuestro valor único.

Áreas en las que los seres humanos aún tienen ventaja sobre la IA

Al hablar con cientos de expertos, consumidores y escépticos de la IA en los últimos años, han surgido cuatro fortalezas para los humanos:

— Emoción: Comprender, conectar y responder con sensibilidad a los sentimientos humanos.

— Complejidad: Afrontar desafíos ambiguos y de amplio contexto con una resolución de problemas holística.

— Fisicalidad: Tareas que requieren destreza e interacción con el mundo físico, en particular donde la presencia y la capacidad de respuesta humanas son importantes.

— Creatividad: La capacidad de generar ideas y soluciones originales y novedosas.

Veamos cada una de ellas por separado.

1. Emoción

Los humanos siguen siendo los expertos mundiales cuando se trata de habilidades blandas. La IA generativa puede imitar de manera convincente y útil parte de lo que hemos pensado, sentido y dicho sobre empatía, ética, negociación, etc. Incluso algunas personas están empezando a utilizar la IA como terapia y compañía. Pero un experto, amigo o colega humano también es más propenso a dar opiniones sin filtros, contrarias, sorprendentes o incluso controvertidas, y en muchas situaciones, esto será mucho más útil que el resultado seguro, genérico y clínico de una máquina.

Las habilidades humanas que siguen siendo valiosas (por ahora) incluyen: persuasión, autoconciencia, ética, escucha, narración de historias y ventas.

2. Complejidad

El mundo sigue siendo demasiado complejo para la IA.

La IA ha dominado a los humanos en ámbitos bien definidos, limitados y controlados, como los tableros de damas, ajedrez y Go.

Pero el mundo está lleno de problemas mucho más difíciles que estos. El cambio climático, la pobreza, la justicia social, la estrategia empresarial (descritos como “problemas perversos” por los profesores Horst Rittel y Melvin Webber en un artículo de 1973 en la revista Policy Sciences) requieren una comprensión de los datos extraídos de una variedad de contextos. La IA aún no puede leer en dominios tan dispares.

Las habilidades humanas que siguen siendo valiosas (por ahora) incluyen: resolución de problemas complejos, interpretación, gestión de riesgos, estrategia, visión e intuición.

3. Fisicalidad

La IA generativa no interactúa directamente con el mundo físico.

Y hay algunas interacciones profesionales para las que el contacto físico humano es un requisito indispensable. Los trabajadores de la salud, cocineros, deportistas, enfermeras, recolectores de basura, peluqueros y artesanos tienen que estar en algún lugar, haciendo algo en el mundo real.

Las habilidades humanas que siguen siendo valiosas (por ahora) incluyen: destreza, lenguaje corporal, fuerza física, equilibrio, sensibilidad táctil, porte y coordinación.

4. Creatividad

Si entrenamos a nuestra IA con datos que el mundo ya ha visto, ¿no es difícil que la tecnología genere algo verdaderamente novedoso?

Por supuesto, la IA generativa puede producir una frase, un párrafo o una imagen que el mundo nunca haya visto antes, pero ¿puede generar creatividad auténtica, es decir, un resultado que sea nuevo de una manera que nos conmueva y nos parezca relevante?

A pesar de la fanfarria que rodea el lanzamiento de nuevas tecnologías de generación de medios de IA, a los consumidores no nos importan mucho. Spotify ahora incluye música generada por IA en su catálogo, pero todos los grandes éxitos son de músicos de carne y hueso.

La escritura de alta calidad también está a salvo (por ahora). La IA generativa, entrenada sustancialmente con un par de décadas de contenido de marketing en la web, no puede evitar producir una prosa poco distinguida.

Las habilidades humanas que siguen siendo valiosas (por ahora) incluyen: imaginación, ideación, juicio estético, pensamiento lateral, expresión artística y curiosidad.

Mucho trabajo y muchas habilidades siguen estando en nuestro ámbito. Haremos un mejor trabajo en los próximos años si somos más conscientes de qué habilidades siguen siendo difíciles para la IA mientras alimentamos nuestra propia curiosidad.

E

l rápido avance de la IA ha despertado el entusiasmo sobre su potencial para revolucionar la toma de decisiones corporativas, sustituyendo a los costosos y falibles humanos. Sin embargo, es ingenuo creer que los poderosos algoritmos, por sí solos, pueden descubrir la verdad, tomar las decisiones correctas y crear valor. Las decisiones dependen de la interpretación, el contexto y el marco estratégico, áreas en las que el juicio humano seguirá siendo crucial.

Basándonos en nuestra experiencia con la toma de decisiones corporativas, hemos identificado varias dimensiones más allá de los datos y los algoritmos que influyen en la mayoría de las decisiones. Estas dimensiones pueden entenderse a través de un ejemplo sencillo: la compra de un automóvil.

1. Definir el objetivo final.

Toda decisión, en última instancia, persigue un propósito humano. Especificar este propósito es fundamental para entender cómo podría ser el éxito. En el caso de un comprador de automóviles, el propósito humano podría ser demostrar su estatus con un vehículo de lujo o garantizar que sus hijos tengan un medio seguro para ir y volver de la escuela.

Las empresas también tienen objetivos finales que pueden diferir notablemente. Dada la subjetividad de los valores humanos, la definición del propósito humano no puede delegarse a la inteligencia artificial.

2. Enmarcar los objetivos inmediatos.

Para alcanzar su objetivo final, a menudo debe tomar decisiones más pequeñas, inmediatas y tangibles a lo largo del camino. En nuestro ejemplo de la compra de un automóvil, el objetivo final puede ser adquirir un vehículo que cumpla con ciertos estándares de seguridad, pero también debe asegurarse de que el automóvil se ajuste a un presupuesto determinado. En el caso de una empresa, el objetivo final puede ser aumentar las ventas un 10% con respecto al año anterior, pero también debe asegurarse de que la optimización del crecimiento de ventas a corto plazo no comprometa la reputación de la marca a largo plazo.

Este tipo de encuadre de decisiones no puede derivarse únicamente de datos y herramientas analíticas, ya que implica equilibrar las preferencias individuales y colectivas. La participación humana es esencial para identificar estos objetivos y equilibrarlos. Con frecuencia, estos objetivos deben refinarse mediante interacciones iterativas, ya que los humanos suelen descubrir «lo que realmente quieren» en el proceso.

3. Trazar el campo de lo posible.

Una vez definidos los objetivos, es hora de identificar las opciones posibles. Si bien los datos son un insumo crucial para este paso, son retrospectivos; mientras que las decisiones humanas a menudo se basan en contrafactuales, es decir, en lo que podría suceder y en cómo podríamos influir en la probabilidad de que se materialicen diferentes posibilidades.

La imaginación humana es fundamental para ampliar el campo de lo posible. Por ejemplo, si la necesidad que impulsa a un comprador de automóviles es un traslado corto al trabajo, podría considerar alternativas como el transporte público, los servicios de viajes compartidos o los scooters eléctricos.

Todas las empresas se construyen sobre un acto de imaginación. Por ejemplo, los fundadores de Airbnb imaginaron una plataforma donde los propietarios pudieran alquilar habitaciones libres. Esta idea no surgió del análisis de datos existentes sobre la industria hotelera, sino de humanos que imaginaron cómo podrían satisfacer la necesidad de alojamiento asequible.

4. Seleccionar las fuentes de datos.

La evaluación de las opciones puede beneficiarse de datos pertinentes, pero incluso los datos necesitan ser creados: una tarea que requiere la intervención y el discernimiento humanos.

Debemos evitar caer en la trampa de centrarnos únicamente en datos dados o de fácil acceso. En nuestro escenario de compra de un automóvil, basarse únicamente en los datos de eficiencia de combustible proporcionados por el fabricante puede no ofrecer una imagen completa. Complementar esto con reseñas independientes sobre el rendimiento en condiciones reales puede llevar a una decisión más informada.

En el ámbito empresarial, pensemos en la facilidad con la que podemos consultar a los clientes actuales sobre su satisfacción con nuestras ofertas, y en la información adicional que podemos obtener al hablar con personas que no son clientes sobre por qué eligen los servicios de un competidor.

L

a inteligencia artificial (IA) se ha convertido en una fuerza transformadora que está reconfigurando el panorama empresarial en todas las industrias. Si bien la IA generativa representa el último avance en este ámbito de innovación tecnológica, se destaca por desafiar fundamentalmente los paradigmas tradicionales de toma de decisiones estratégicas.

Para emplear eficazmente cualquier IA en la toma de decisiones estratégicas, es de vital importancia que los gerentes y líderes comprendan las limitaciones inherentes a su forma de generar resultados.

Las limitaciones

La IA es excepcional para reconocer patrones establecidos y agilizar procesos en función de datos históricos. En este aspecto, ha dejado su huella en las decisiones empresariales. Puede respaldar las decisiones crediticias al predecir con un alto grado de precisión los riesgos de incumplimiento; evitar averías en las máquinas al iniciar el mantenimiento de los equipos antes de que se produzcan fallos; optimizar las decisiones de la cadena de suministro al adaptarse rápidamente a las circunstancias cambiantes; y resumir el contenido de los documentos con facilidad.

Los sistemas de IA pueden ser muy fluidos, pero no son capaces de comprender el contexto ni de razonar. Sus conocimientos se basan únicamente en correlaciones. Los humanos tenemos una ventaja clave: podemos desarrollar intuiciones o teorías novedosas y ponerlas a prueba en el mundo real. Esto es crucial para la toma de decisiones estratégicas.

Aunque la IA tiene sus limitaciones, los humanos pueden aprovecharla de manera efectiva.

1. Como un panel de opiniones

Una característica clave de la IA generativa es su capacidad para producir contenido detallado en respuesta a instrucciones o indicaciones simples, las cuales pueden diseñarse para que la IA adopte diferentes personalidades, como segmentos de clientes, lo que permite utilizarla como un panel de opiniones para generar ideas. Se le puede solicitar que responda preguntas desde diferentes ángulos o puntos de vista, sin estar limitada por el alcance o el dinero. Lo que antes requería largos y costosos grupos focales y proyectos de consultoría, ahora puede investigarse mediante indicaciones deliberadas.

2. Para explorar escenarios

Cuando se enfrenta a un conjunto específico de opciones estratégicas, un sistema de IA generativa puede ayudar a definir cuáles podrían ser los resultados potenciales de cada una. Ordenarle que adopte un escenario determinado permite una investigación estructurada de escenarios hipotéticos. Dado el conocimiento integral incorporado en los datos de entrenamiento de la IA generativa, también puede incluir escenarios exploratorios que utilicen las tendencias del presente para estimar su continuación plausible en el futuro, así como escenarios normativos que delineen una visión particular del futuro y las formas de llegar allí.

3. Como herramienta de ideación

La creación de nuevos contenidos (texto, imágenes, vídeos y sonido) se ha convertido en el sello distintivo de la revolución de la IA generativa. La IA tiene dos ventajas en este sentido: puede generar contenidos rápidamente y a bajo costo, y puede combinar modalidades (como el uso de indicaciones de texto para generar imágenes o vídeos). Esta capacidad única la convierte en una excelente herramienta para filtrar nuevas ideas y apoyar el proceso de desarrollo de productos.

De cara al futuro: posicionando la IA como un complemento estratégico

Para que la IA generativa sea una parte valiosa de la toma de decisiones y la estrategia a futuro, los altos directivos deben verla como un complemento poderoso de la cognición humana. Es ideal para proporcionar información basada en patrones y generar nuevo contenido. Sin embargo, sin importar cuán capaz se vuelva la IA en el futuro, las fortalezas humanas (especialmente en el razonamiento causal y la toma de decisiones a largo plazo) seguirán siendo esenciales para navegar por la incertidumbre e inventar el futuro.

L

a IA generativa (Gen AI) ofrece oportunidades transformadoras para el aprendizaje, el trabajo, la creatividad y la toma de decisiones en las organizaciones. Esto marca un cambio de paradigma hacia una colaboración sin precedentes entre humanos y máquinas. Sin embargo, su integración en la forma de trabajar de las organizaciones es compleja. Los riesgos son numerosos, incluidos los problemas de confianza y precisión, las alucinaciones y los sesgos heredados de los modelos subyacentes. Hoy en día, muchas empresas se enfrentan al dilema de aprovechar el poder de la IA generativa sin caer presa de sus posibles desventajas.

El temor a cometer errores críticos con la IA generativa ha llevado a algunas organizaciones a restringir severamente su uso, o incluso a prohibirlo por completo. Este enfoque evasivo es más peligroso de lo que parece, ya que puede generar consecuencias no deseadas (como que los empleados utilicen cuentas personales para eludir las restricciones) e impide que las empresas aprovechen los beneficios de la IA generativa.

Otras empresas más dispuestas a experimentar con la IA generativa han adoptado un nivel básico de estrategias inteligentes de gestión de riesgos. Estas mitigaciones comienzan con políticas de uso, códigos de conducta, restricciones a herramientas aprobadas y límites establecidos. Estas medidas son recomendables y necesarias, pero insuficientes; ya que no abordan muchos escenarios futuros desconocidos y difíciles de definir, especialmente dada la velocidad del cambio tecnológico.

Cada vez es más frecuente un segundo nivel de mitigación de riesgos: Ahora, muchas empresas alientan a su personal a utilizar el pensamiento crítico y el juicio en torno a las herramientas de IA. Este juicio a nivel individual va más allá de simplemente examinar los resultados generados por la IA; implica establecer el modo de colaboración adecuado con la IA, establecer un contexto y límites claros, y proporcionar retroalimentación continua a la máquina.

El ejercicio del juicio individual tiene más ventajas que las políticas por sí solas. Permite a los empleados interpretar las directrices en el contexto de uso, ya que las políticas no pueden cubrir todas las situaciones. El juicio permite a las personas traducir y adaptar reglas abstractas a escenarios del mundo real; por ejemplo, garantizar la confidencialidad al eliminar cuidadosamente los elementos sensibles específicos incluidos en un prompt. Sin embargo, el juicio individual puede no ser suficiente en todas las circunstancias. De hecho, cuando la IA presenta alucinaciones o genera resultados inexactos, las personas podrían caer inadvertidamente en una «trampa de confianza», influenciadas por el tono autoritario de las sugerencias generadas por la inteligencia artificial.

En este sentido, proponemos un nuevo nivel de mitigación de riesgos: el juicio en equipo.

Los tres tipos de juicio a nivel de equipos

La investigación en campos tan diversos (como la atención médica, el control del tráfico aéreo y la generación de energía nuclear) destaca el papel fundamental del trabajo en equipo para mitigar los riesgos operativos.

Un enfoque similar, que combine reglas estrictas con el juicio a nivel de equipos, puede ayudar a las organizaciones a abordar de manera efectiva los desafíos de la IA. Las conversaciones entre colegas pueden aportar perspectivas diversas, cuestionar los resultados y descubrir sesgos ocultos. Recurrir a expertos en la materia puede ayudar a validar datos específicos o revisar áreas en las que existen dudas o inquietudes debido a la falta de conocimientos para juzgar con confianza. El juicio a nivel de equipos tiene tres manifestaciones principales:

1. Juicio colectivo: Los equipos deben participar en debates para garantizar la precisión, identificar riesgos y evaluar los resultados generados por la IA. Por ejemplo, si los miembros no están seguros de un resultado generado por la IA, deben consultarlo con otros colegas o equipos, y revisar el contenido generado antes de aceptarlo y utilizarlo. Estas rutinas de reflexión y debate compartidos permiten una evaluación integral de los posibles impactos, incluidas las implicaciones éticas y legales.

2. Juicio especializado: Cuando se producen imprevistos o se detectan anomalías en los resultados de los sistemas de IA, los equipos deben delegar la autoridad de toma de decisiones a aquellos que son expertos o que están más cerca del trabajo, y no a quienes tienen el rango más alto. Al consultar a los expertos en la materia cuando surgen preguntas o problemas con la IA, sus conocimientos pueden orientar al equipo de manera oportuna y evitar que se extiendan las consecuencias negativas.

3. Juicio reflexivo: Los equipos deben reunirse periódicamente para compartir y reflexionar sobre sus experiencias y las de otros al usar IA, mejorando así su comprensión y capacidad para navegar por los sistemas de IA. Este aprendizaje continuo es fundamental para seguir el ritmo de la rápida evolución de la tecnología, permitiendo a los equipos aprender de los errores y éxitos para optimizar el uso seguro y eficaz. Un ejemplo de juicio reflexivo es la realización periódica de retrospectivas en equipo para analizar las lecciones aprendidas.

La incorporación de estas formas de juicio a nivel de equipos aborda elementos críticos de riesgo que las políticas o el juicio individual por sí solos podrían pasar por alto. Este enfoque colaborativo ayuda a descubrir puntos ciegos y sesgos, ofreciendo salvaguardas más completas.

Desarrollar el juicio a nivel de equipos

El juicio basado en equipos debe cultivarse antes de que pueda ser efectivo. Requiere práctica y refuerzo constantes para convertirse en un mecanismo sólido para gestionar los riesgos y garantizar resultados de alta calidad. A continuación, se presentan algunas recomendaciones prácticas para ayudar a los líderes a desarrollar esta capacidad dentro de sus equipos:

Cómo reforzar el juicio colectivo

Cree rutinas para la reflexión y debate dentro de los plazos del proyecto. Esto puede incluir reuniones breves o puntos de control diseñados específicamente para la toma de conciencia colectiva. Por ejemplo, después de una interacción uno a uno con la máquina, tomarse un momento para revisar y evaluar los resultados generados por la IA con sus compañeros puede brindar información valiosa y asegurar que los resultados no se acepten acríticamente, sino que se examinen para comprobar su precisión y relevancia. Algunas posibles preguntas para este tipo de sesiones incluyen: ¿Esto es plausible? ¿Se citan correctamente las fuentes? ¿Esta recomendación es propensa a posibles riesgos o sesgos? Hacer este juicio crítico en un grupo es más poderoso, ya que se tienen diferentes perspectivas y experiencia, y es menos probable que se caiga en la trampa de la confianza.

Cómo reforzar el juicio especializado

Establezca mecanismos para identificar y activar a los expertos en la materia a lo largo del proyecto. En primer lugar, asegurarse de que las personas comprendan la necesidad de involucrar a otros expertos durante el proceso de colaboración entre humanos e IA. A continuación, facilite la identificación de los expertos adecuados (disponiendo de mapas de expertos o una lista de especialistas) y el contacto con ellos (por ejemplo, formulando preguntas en comunidades internas de práctica, a menudo a través de sistemas de chat virtual o foros de discusión). Introduzca incentivos para los expertos que apoyen a los equipos y orienten la toma de decisiones cuando surjan problemas.

Cómo reforzar el juicio reflexivo

Dedique tiempo a actividades de aprendizaje continuo y fomente el intercambio de experiencias mediante sesiones y repositorios dedicados. Las sesiones retrospectivas deben incorporarse a los planes de los proyectos para facilitar el aprendizaje dentro y entre los equipos. Algunas preguntas útiles para explorar incluyen: ¿Qué aprendimos este mes al utilizar esta nueva tecnología? ¿Cuáles son los errores más comunes? ¿Cómo están lidiando nuestros colegas con desafíos similares? ¿Cómo podemos integrar mejor la IA generativa en nuestros flujos de trabajo para evitar estos errores? Además, el aprendizaje puede consolidarse y conservarse en un repositorio de conocimientos o como parte de academias de IA generativa.

El juicio basado en equipos es un activo estratégico para navegar en un futuro impulsado por la IA. Al cultivar esta capacidad a gran escala, las empresas están mejor equipadas para adaptarse rápidamente al cambiante panorama de la IA, incluidos los riesgos que aún no son generalizados o conocidos. Esta sabiduría colectiva permite a las organizaciones adoptar con confianza la integración de la IA, adaptarse a los flujos de trabajo cambiantes y gestionar las complejidades de la colaboración entre humanos e IA, acelerando la obtención de beneficios y mitigando de forma proactiva los riesgos existentes y emergentes.

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.