A

medida que la IA agiliza la ejecución de las tareas individuales, está surgiendo un nuevo obstáculo para el progreso: los gerentes. La gestión tradicional se diseñó para un mundo en el que la ejecución llevaba tiempo. Se podía delegar una tarea y luego revisarla tranquilamente la semana siguiente.

Pero la IA ha derrumbado esa línea temporal. Cada vez más, el ritmo del progreso está limitado por la rapidez con la que los gerentes pueden ofrecer retroalimentación. “Si hablo de un proyecto con un colaborador directo en una reunión individual, al día siguiente ya está en marcha”, compartió un gerente en una entrevista que realizamos para este artículo.

Para seguir el ritmo de su equipo, ya no puede liderar como si estuviéramos en 2022. Su rol debe pasar de ser un editor en jefe a convertirse en una guía estratégica. He aquí cinco cambios que puede implementar con base en nuestro trabajo, investigación y experiencia ayudando a las organizaciones a desarrollar gerentes de alto rendimiento.

1. Céntrese en el “hacia dónde”, no en el “qué”.

Ya no necesita asignar tareas específicas y secuenciales. La IA puede ejecutar el “qué” en cuestión de minutos. Su enfoque debe estar en articular “hacia dónde” se dirige su equipo. Eso significa aclarar su misión, objetivos y resultados clave.

Para que ese “hacia dónde” sea accionable, apóyese en una métrica. Piense, por ejemplo, en reducir la tasa de abandono en un 50% o aumentar el posicionamiento de marca en un 20%. Hacer un seguimiento de cifras concretas también le ayuda a determinar dónde debe intervenir.

2. Haga de la gestión ascendente una habilidad clave.

Ayude a su equipo a entender el nivel de profundidad con el que desea revisar determinados trabajos y en qué decisiones realmente necesita involucrarse. Por ejemplo, podría decir: “Antes de que trabaje en un borrador completo, me gustaría revisar un esquema de media página para asegurarme de que vamos por buen camino”, o “Necesito aprobar la versión final de cualquier documento destinado a la dirección”.

3. Utilice la IA como un coach de inteligencia emocional.

Cuando el tiempo es limitado, es fácil priorizar la densidad de información y olvidar las señales de tono. Pero los mensajes que buscan ser eficientes, a menudo, se interpretan como bruscos o despectivos. Fernando Garcia Valenzuela, director de ingeniería en Atlassian Cloud Storage, creó un agente que analiza sus mensajes con sus colaboradores directos. Cada dos semanas, genera un resumen que detecta problemas de tono, falta de reconocimiento y oportunidades desaprovechadas para fortalecer las relaciones.

4. Use la IA para filtrar, no para simplificar en exceso.

En lugar de pedirle a la IA únicamente que resuma la información, utilícela para identificar qué tareas merecen un análisis más detallado. La Dra. Stefanie Tignor, directora de ciencia de datos en Superhuman, automatizó un resumen semanal que detecta señales en distintos canales para destacar enlaces relacionados con proyectos importantes. “Hago que la IA busque las cinco ideas concretas y específicas que sé que me resultarán útiles para profundizar en ellas”.

5. Reestructure la frecuencia de sus seguimientos.

Dado que la IA acelera la ejecución, es posible que quiera adaptar tanto el contenido como la frecuencia de las reuniones:

— Automatice las actualizaciones de estado para elevar el nivel de las reuniones individuales. Caribay Garcia Marquez, gerente principal y responsable de investigación y desarrollo en ciencia de personas para Microsoft Viva, recurre a actualizaciones de estado generadas por IA para dedicar las reuniones individuales al coaching conceptual: discutir cómo abordar decisiones complejas, ofrecer un contexto más enriquecido sobre retroalimentación específica y conectar el trabajo diario con los objetivos empresariales generales.

— Aumente la frecuencia para hacer ajustes sobre la marcha. Complemente o sustituya las revisiones semanales con sesiones de coordinación frecuentes de 15 minutos para mantener a todos alineados.

El ritmo de trabajo no va a disminuir en un futuro próximo. Seguir gestionando las cosas como hasta ahora es un camino seguro hacia el agotamiento y la desmotivación.

Los gerentes más efectivos serán aquellos que entiendan que su labor ya no consiste en controlar el trabajo de otros, sino en despejar el camino. Al establecer una dirección clara, confiar en que su equipo puede avanzar y exigir una comunicación concisa, usted puede acelerar el progreso de su equipo en lugar de poner obstáculos.

S

i tiene que hacerlo, sea transparente al respecto.

Dada la eficacia con la que la IA puede imitar la escritura humana, no debería sorprender que los CEOs estén experimentando con su uso para redactar mensajes personales. Según un estudio de la Harvard Business School realizado en 2018, el 24% de la jornada laboral de un ejecutivo promedio se destina a la comunicación electrónica. Pero ¿qué pasaría si los CEOs comenzaran a redactar las comunicaciones dirigidas a los empleados utilizando IA generativa?

El año pasado, un grupo de investigadores estudió esta cuestión en Zapier, una empresa estadounidense de software con más de 700 empleados. El profesor Prithwiraj Choudhury, de la Harvard Business School, junto con sus colegas Bart Vanneste (University College London), Xi Kang (Vanderbilt) y Amirhossein Zohrehvand (Leiden University), querían determinar si los empleados podían distinguir entre mensajes escritos por IA y aquellos redactados por el CEO de Zapier, Wade Foster. Utilizando un LLM desarrollado por empleados de la compañía, Choudhury y sus colegas entrenaron un chatbot con mensajes de Slack y correos electrónicos de Foster, declaraciones públicas y otras comunicaciones. El “Wade Bot”, como comenzaron a llamarlo los investigadores, fue diseñado específicamente para escribir como Foster.

“La IA y la automatización están teniendo un gran impacto en cómo y dónde trabajamos”, afirma Choudhury. “Pero cuando pensamos en la próxima frontera de la IA generativa, una de las posibilidades es que los bots personales se comuniquen, asistan a reuniones, escuchen conversaciones y hablen en nuestro nombre. Queríamos determinar hasta qué punto esto podría ser posible hoy en día”.

Los investigadores recopilaron preguntas de 105 empleados para que Foster las respondiera. Tanto el CEO como el Wade Bot dieron sus respuestas, y luego los empleados intentaron identificar cuáles pertenecían a cada uno. Lograron identificar correctamente las respuestas escritas por IA el 59% de las veces.

Hubo otro hallazgo sorprendente. Cuando se pidió a los empleados que evaluaran si las respuestas eran útiles, aquellas que creían que habían sido generadas por IA recibieron calificaciones más bajas, incluso cuando en realidad las había escrito Foster.

Posteriormente, los investigadores realizaron un segundo estudio para determinar si los resultados serían diferentes cuando los evaluadores no tuvieran familiaridad con quien escribía. Reclutaron a 218 personas en Estados Unidos y les pidieron leer respuestas que los participantes creían que habían dado los CEOs durante las conferencias sobre resultados financieros de sus empresas. Mientras que algunas respuestas provenían de conferencias reales, otras fueron generadas por una herramienta de IA que imitaba el estilo de esos CEOs. El estudio encontró que, cuando las personas pensaban que una respuesta había sido creada por IA, la calificaban como menos útil, incluso si provenía de un ser humano. Por el contrario, cuando creían que la respuesta había sido dada por un CEO, la consideraban más útil, incluso si había sido generada por una IA.

En pocas palabras, las personas confían más y valoran más las declaraciones que creen que provienen de un ser humano que en aquellas que atribuyen a la tecnología. Esto sugiere que, aunque la IA puede producir información útil, la percepción de las personas desempeña un papel muy importante en cómo se recibe dicha información.

Aun así, la mayoría de los líderes utilizarán IA generativa de una forma u otra. Según una encuesta de Deloitte realizada en 2024, el 50% de los CEOs en Estados Unidos afirma que sus empresas ya han automatizado la creación de contenido mediante esta tecnología. El 75% dice haber utilizado o estar utilizando personalmente la IA generativa. Si decide hacer lo mismo, Choudhury recomienda seguir tres lineamientos:

1. Sea transparente.

Si sus empleados descubren que ha delegado sus comunicaciones a una herramienta sin informarles, podrían comenzar a creer que cada mensaje que envía ha sido redactado por un bot. La transparencia es fundamental para generar confianza y reducir la aversión que muchas personas sienten hacia la IA generativa. Comunique con claridad cuál es la función de la herramienta y cuáles son sus ventajas. Explique a los empleados qué considera un uso aceptable de esta tecnología, cuáles son sus directrices para utilizar el texto y los datos que generan sus respuestas, y qué tipos de datos utiliza o evita al crear instrucciones y entrenar a los bots.

Su empresa debería contar con reglas que definan hasta qué punto se permite (e incluso se espera) que los empleados utilicen la IA. Evidentemente, usted mismo debe seguir esas reglas, pero también debe informar a los demás sobre cómo está utilizando la tecnología dentro de esos parámetros. Esto ayudará a fomentar un uso constructivo y a responder las dudas que otros puedan tener al respecto.

2. Utilice la IA para mensajes impersonales.

Según la investigación de Choudhury, esta tecnología es más eficaz para comunicaciones formales, como cartas a accionistas o memorandos estratégicos. Evite utilizarla para comunicaciones personales, especialmente con personas que lo conocen bien.

En el experimento de Zapier, los empleados con más antigüedad tuvieron una mayor probabilidad de detectar las respuestas generadas por IA. Por ejemplo, quienes llevaban tres años o más en la empresa tuvieron una tasa de acierto más alta en sus identificaciones (62%) que los empleados más nuevos (58%). Choudhury cree que la familiaridad de estos trabajadores con el estilo de comunicación de Foster limitó la capacidad del bot para imitarlo con éxito. Sin embargo, el estilo personal de un CEO es mucho menos perceptible en una comunicación formal que en un correo electrónico dirigido a un colaborador o en una publicación de LinkedIn.

“Actualmente, el uso previsto debería centrarse realmente en comunicarse con desconocidos o automatizar las partes más rutinarias y tediosas de la escritura”, señala Choudhury. “Podría utilizar IA para responder preguntas sobre su estrategia de precios o sobre lo que espera que ocurra con las tasas de interés durante el próximo año. Pero yo no la utilizaría para redactar un correo electrónico dirigido a un miembro de la junta directiva sobre sus últimas vacaciones”.

3. Revise su trabajo tres veces.

No confíe en la IA generativa para producir respuestas de manera autónoma. La tecnología se equivoca con frecuencia y tiende a depender en exceso de jerga y palabras de moda. Estos desafíos representan riesgos importantes para los CEOs, cuyos mensajes pueden tener un impacto significativo en empleados, accionistas y clientes. En lugar de limitarse a copiar y pegar las respuestas generadas por la IA en un documento, revise y verifique cada palabra, especialmente cuando se trate de mensajes importantes o delicados. También debería pedir a un editor que revise las comunicaciones generadas con ayuda de la tecnología (o, en realidad, cualquier comunicación) para asegurarse de que su significado, tono y personalidad coincidan con lo que usted pretende transmitir.

“Nunca presione ‘enviar’ sin leer y verificar la información del mensaje”, afirma Choudhury. “La IA generativa es una herramienta extraordinaria que ahorrará mucho tiempo a los CEOs, pero no creo que pueda dejar que funcione por completo de forma autónoma. Incluso si responde incorrectamente una sola pregunta, podría enfrentarse a enormes consecuencias no deseadas”.

S

u equipo está trabajando al límite. En una era de despidos, tensiones geopolíticas e incertidumbre generada por la IA, la presión por cumplir con los objetivos deja muy poco espacio para cualquier otra cosa. Pedirle a la gente que, además de todo eso, piense en su desarrollo profesional puede parecer imposible.

La mayoría de los empleados sabe que debería desarrollar nuevas habilidades. El problema es que las exigencias del día a día dejan muy poco margen para hacerlo, explica Helen Tupper, cofundadora y CEO de Amazing If, una consultora especializada en desarrollo profesional.

“La gente reconoce que aprender es importante, pero siente que está demasiado ocupada”, dice Tupper. La confianza también juega un papel importante. Gran parte de lo que las personas necesitan aprender hoy es completamente nuevo, y la IA es uno de los principales ejemplos, señala. “Muchas personas todavía piensan en el aprendizaje como algo que sucede en la escuela, y no como algo que puede integrarse en su forma de trabajo actual”.

Como líder, usted también está lidiando con las mismas presiones e incertidumbres y, sin embargo, su equipo recurre a usted en busca de ayuda. He aquí por dónde comenzar.

Céntrese en el aprendizaje, no en las jerarquías.

Existe cierta sensación de seguridad en la idea de una escalera profesional: presentarse, esforzarse y ascender poco a poco. Pero, aunque esa idea resulta atractiva, también ha quedado desactualizada, afirma Tupper. Las carreras profesionales no siempre avanzan hacia arriba; muchas veces también toman caminos laterales. Los ascensos van y vienen, y los despidos también.

Nadie puede controlar cómo evolucionará una carrera profesional. La tecnología avanza demasiado rápido como para que alguien pueda predecirlo. Pero eso no significa que las personas estén indefensas. “Lo que sí puede hacer es ayudarles a tomar el control de su desarrollo”, dice Tupper. Sea directo con ellas. “Si son buenas aprendiendo, crearán oportunidades para sí mismas. Si no lo son, corren el riesgo de quedarse atrás”.

Hágalo personal.

Tupper recomienda reunirse con cada miembro de su equipo y analizar qué necesita aprender para desempeñar mejor su rol actual y qué tendría que aprender para llegar a donde quiere estar. “La mayoría de las personas solo aprende lo necesario para el trabajo que tiene en este momento, y eso las limita”, señala.

Piense, por ejemplo, en un gerente de proyectos que quiere orientarse hacia el análisis de clientes. Es posible que esté preparándose para obtener una certificación formal, así que anímelo a pensar más allá. ¿Dónde podría aprender sobre investigación cuantitativa? ¿Qué necesitaría para ponerse al día en innovación de modelos de negocio? ¿A qué empresas podría seguir para aprender más sobre la comercialización de productos? “Dar a las personas la libertad para aprender cosas que quizá hoy no parezcan relevantes (y además darles tiempo para hacerlo) resulta muy motivador”, explica.

Integre el aprendizaje en la semana, no como una carga adicional.

Antes de pedirle a su equipo que asuma nuevos procesos de aprendizaje, reduzca un poco su carga de trabajo. Deles espacio para respirar. “Los líderes programan un día de aprendizaje y las personas pasan todo el tiempo pensando en el trabajo que se acumula en sus escritorios”, dice Tupper.

Ella recomienda ser más intencional con las oportunidades de aprendizaje que ya se esconden dentro de la semana laboral de su equipo. Por ejemplo, imagine que una integrante del equipo quiere ampliar sus funciones en la empresa y fortalecer su presencia de liderazgo. Revise su calendario. Es casi seguro que ya exista algo próximo (como un evento con clientes o una presentación) en lo que podría asumir un papel más importante. Permítale iniciar la reunión, liderar la sesión de preguntas y respuestas, y hacer el cierre con el cliente. “Cuando termine, asegúrese de dedicar un tiempo para reflexionar juntos sobre la experiencia”, concluye.

L

as empresas están implementando rápidamente sistemas de IA generativa para agilizar las evaluaciones de desempeño. Estos sistemas demuestran capacidades impresionantes, pero hasta ahora, la mayoría de las organizaciones los utilizan para elaborar, con mayor rapidez, versiones más pulidas de las evaluaciones narrativas tradicionales.

Sin embargo, que algo esté pulido no significa que sea más confiable. Al suavizar la forma en que los gerentes describen el desempeño, estos sistemas pueden hacer que las evaluaciones parezcan más consistentes y creíbles de lo que realmente son, ocultando las inconsistencias y puntos ciegos que las han definido durante mucho tiempo. No obstante, la misma tecnología podría hacer algo mucho más valioso: alejar las evaluaciones de desempeño de las narrativas sobre el trabajo y acercarlas a evidencia directa del trabajo en la práctica: lo que las personas realmente hicieron, decidieron e influyeron.

El enfoque equivocado

Para aliviar la carga de las evaluaciones de desempeño, muchas empresas están utilizando la IA para redactar narrativas de evaluación. A simple vista, esto parece un avance. Pero, en realidad, se corre el riesgo de amplificar el problema de fondo. Los documentos producidos con IA tienden a converger hacia el mismo tono fluido y seguro. La variación que antes distinguía una evaluación cuidadosa de un elogio genérico está desapareciendo y convirtiéndose en una voz persuasiva, pero estandarizada.

Esta homogeneización afecta la presentación, no el contenido. Los gerentes siguen trabajando a partir de observaciones incompletas e impresiones subjetivas. La IA simplemente hace que todas las narrativas suenen igual de convincentes. El resultado son evaluaciones que parecen más confiables de lo que realmente son, haciendo que la información deficiente sea más difícil de detectar.

Un mejor camino

En lugar de ayudar a los gerentes a escribir historias más convincentes sobre el desempeño, la IA podría ayudarlos a identificar y examinar episodios reales de trabajo.

Los sistemas de IA podrían analizar patrones de interacción entre empleados para identificar evidencia de competencias de alto nivel que las métricas tradicionales pasan completamente por alto. Podrían examinar las redes de comunicación para identificar a los empleados que constantemente ayudan a otros a resolver problemas, analizar los patrones de toma de decisiones en las discusiones de proyectos para detectar el pensamiento estratégico o mapear los flujos de influencia a través de cadenas de correos electrónicos y las transcripciones de las reuniones para revelar el liderazgo en acción.

Aprovechar el potencial de la IA generativa

Las bases necesarias ya están claramente presentes. Esto es lo que los altos directivos pueden hacer ahora para convertir lo posible en una realidad:

1. Replantear la conversación sobre desempeño en torno a momentos decisivos, en lugar de etiquetas de rasgos y afirmaciones de excelencia.

En lugar de pedir a los gerentes que describan el “liderazgo”, el “pensamiento estratégico” o la “capacidad para navegar la ambigüedad” de un empleado, las evaluaciones de desempeño deberían plantear una pregunta diferente: ¿Qué momentos en el trabajo de esta persona revelan con mayor claridad esas capacidades? Un solo episodio decisivo (en el que un empleado desafió una suposición equivocada, redirigió un proyecto que estaba fracasando o alineó a distintas partes interesadas en torno a una decisión difícil) suele revelar más sobre sus capacidades que una página entera de lenguaje evaluativo. La IA puede ayudar a identificar estos episodios analizando registros de proyectos, comunicaciones y distintos materiales de trabajo para detectar los puntos de inflexión donde el juicio tuvo mayor relevancia.

2. Dirigir las herramientas de IA ya implementadas en toda la empresa para identificar evidencia conductual, en lugar de solo pulir la narrativa.

La mayoría de las empresas ya utilizan asistentes de IA integrados en las herramientas de trabajo cotidianas. En la actualidad, estos sistemas suelen utilizarse para resumir documentos o ayudar a los gerentes a redactar mejores textos. En su lugar, las organizaciones deberían orientarlos hacia una tarea diferente: analizar patrones de interacción entre empleados para identificar evidencia de competencias de alto nivel.

3. Construir una gobernanza que equilibre la transparencia con el control de los empleados y evite desviaciones hacia la vigilancia excesiva.

La transición hacia la evidencia conductual seleccionada por IA requiere una gobernanza que equilibre la verificación, el control de los empleados y límites claros.

— Verificación: La IA debe servir como un curador que señale fuentes verificables, mientras que los humanos conservan todo el juicio interpretativo.

— Control de los empleados: Dar a los empleados control sobre su propio portafolio de evidencia.

— Límites claros para evitar la expansión del alcance: Las evaluaciones de desempeño deben basarse en documentos de trabajo oficiales y no en comunicaciones informales o mensajes privados.

S

egún una encuesta global realizada a 500 ejecutivos por el Capgemini Research Institute, se prevé que el uso activo de IA en reuniones de equipo se triplique en los próximos tres años. Introducir IA en las reuniones sin sentar las bases adecuadas puede reducir la participación, fragmentar las discusiones o desplazar el sentido de pertenencia y responsabilidad fuera del equipo.

Afortunadamente, existe un enfoque que ayuda a superar estos obstáculos: lo llamamos “química humano-IA en los equipos”. Nuestra investigación señala tres prácticas que pueden ayudar a desarrollar esta nueva capacidad a medida que la IA se integra cada vez más en las organizaciones.

Estas recomendaciones surgieron de un experimento de cinco meses en el que participaron 60 directivos de 12 empresas de diversos sectores. Para garantizar la consistencia, todos los equipos siguieron la misma metodología y utilizaron el modelo ChatGPT de OpenAI. Observamos en tiempo real las interacciones de los equipos con la IA, analizamos las transcripciones completas del chat y realizamos encuestas posteriores a las sesiones para conocer la opinión y experiencia de los participantes.

Sesión uno: Falsos comienzos y potencial desaprovechado

En la primera sesión, los equipos comenzaron a guardar más silencio, adoptaron una actitud más pasiva y empezaron simplemente a observar la pantalla mientras la IA generaba respuestas. En lugar de potenciar la colaboración, la IA parecía, al menos al principio, debilitarla.

Una revisión más detallada de las transcripciones del chat reveló la raíz del problema. Al interactuar con la IA, los equipos no seguían las mismas normas. Al no tener conocimiento del contexto del equipo, de sus distintos roles, experiencia y puntos de vista, la IA recurría por defecto a una perspectiva limitada y centrada en el individuo.

También surgió otro patrón interesante: la mayoría de los equipos asignaba a la IA un único rol estático (generalmente el de “investigador” o “experto en la materia”) y mantenía ese mismo papel durante toda la sesión. Además, observamos que las instrucciones que los equipos daban a la IA solían ser breves y transaccionales. La IA con frecuencia se adelantaba proponiendo “siguientes pasos” no solicitados u opciones ya preparadas, empujando al equipo hacia simples confirmaciones de un solo clic.

Sesión dos: Construyendo la química entre el equipo y la IA

Para ayudar a los equipos a evitar los problemas que enfrentaron en la primera sesión, desarrollamos un marco de trabajo de tres elementos:

1. Interactuar con la IA como equipo.

2. Aprovechar la flexibilidad de roles de la IA.

3. Mantener la responsabilidad colectiva.

Introdujimos una lista práctica de preguntas para guiar su análisis y ayudarles a identificar los patrones de interacción que estaban limitando su efectividad. Al trabajar con este conjunto de preguntas, los participantes reflexionaron sobre la forma en que interactuaban con la IA como equipo. Después de la segunda sesión, los equipos parecían más animados. La mayoría comenzó a presentarse de forma grupal, y la IA empezó a considerar los matices de los diferentes roles y niveles de experiencia. Los equipos también comenzaron a utilizar la IA de manera mucho más flexible. Dependiendo de la etapa de la discusión, se le pedía a la IA que actuara como socia para generar ideas, como una voz crítica para cuestionar supuestos, como un “prototipador” para crear materiales y como narradora para perfeccionar presentaciones.

Sin embargo, en las sesiones posteriores, la dinámica cambió gradualmente. Antes de enviar una instrucción, los equipos hacían una pausa para discutir entre ellos cómo plantear la siguiente iteración. Estas pausas resultaron fundamentales: evitaron que el equipo cayera en un “modo espectador” y les ayudaron a mantenerse firmemente al mando de la conversación. La participación promedio aumentó un 30%, y los participantes señalaron que la IA estaba aportando un apoyo mucho más significativo a las discusiones del equipo.

Construyendo química entre el equipo y la IA en sus reuniones

Como muestra nuestro experimento, este tipo de química entre equipos e IA no surge de manera natural, y rara vez aparece en el primer intento. Para la mayoría de los equipos, necesita cultivarse deliberadamente e integrarse intencionalmente en su forma de trabajar. ¿Cómo hacerlo en la práctica? He aquí tres recomendaciones:

1. Planifique la agenda de la reunión incluyendo espacios específicos para el uso de IA.

2. Prepare algunas instrucciones para recurrir a la IA en un rol determinado.

3. Después de la sesión, revise el historial del chat.

A

ntes de que la IA generativa irrumpiera en escena a finales de 2022, las empresas seguían un enfoque más o menos estándar para gestionar los riesgos que planteaba la IA: desarrollaban programas de riesgo ético en materia de IA (también llamados programas de IA responsable o de gobernanza de la IA).

Estos programas eran diseñados por ejecutivos y se enfocaban principalmente en redactar e implementar políticas de IA a nivel empresarial, destinadas a explicar cómo la organización cumpliría con sus valores éticos en materia de IA (o principios o pilares, como también se les conoce). Cuando apareció la IA generativa, las organizaciones actualizaron sus programas para adaptarse a la nueva tecnología. Ahora que los agentes de IA están ganando terreno, es probable que la mayoría intente actualizarlos de nuevo.

Eso sería un error. El enfoque estándar de la IA responsable está fundamentalmente roto.

No llego a esta conclusión a la ligera. Es el resultado de observar cómo ha evolucionado el panorama de la IA de tal forma que se ha creado un escenario de riesgos realmente complejo.

El enfoque estándar es demasiado lento, ambiguo y difícil de comunicar. En lugar de centrarse en valores y políticas, las empresas estarían mejor si se enfocaran en sus peores escenarios posibles: sus problemas éticos relacionados con la IA. Esto se debe a que este enfoque les permite aplicar una metodología novedosa y de rápida implementación que funciona para todo, desde IA limitada hasta la gestión de agentes de IA.

Durante el último año, he desarrollado un marco de trabajo que puede ponerse a prueba y escalarse rápidamente, y que además puede integrarse con programas existentes de gestión de riesgos de IA. He aquí cómo funciona.

El marco de trabajo

El “Ethical Nightmare Challenge” (ENC) plantea tres preguntas:

— ¿Cuáles son los problemas éticos de su organización en relación con la IA?

— ¿Qué recursos desarrollará para evitar esos problemas?

— ¿Cómo capacitará a su gente para utilizar esos recursos de manera efectiva?

Implementación del marco de trabajo

Una vez identificados sus problemas, es momento de pasar a la acción. Esto se logra creando equipos de Ethical Nightmare Challenge. Estos equipos pueden crearse en cualquier nivel de la organización y en cualquier momento, y son pequeños (por ejemplo, de cinco a ocho personas) y multifuncionales (con al menos un perfil tecnológico). Lo más importante es que deben ser ágiles.

La misión central de cada equipo ENC es trabajar en torno a estas tres preguntas. Estos equipos participan en la resolución colaborativa de problemas relacionados con los posibles problemas en materia de IA que han identificado. Cuando las tres preguntas se repiten de manera consistente en todos los niveles de una organización (juntas directivas, alta dirección, departamentos, equipos de proyecto y colaboradores individuales), se crea un lenguaje compartido que hace posible la comunicación y la colaboración entre todos esos niveles.

La naturaleza multifuncional de estos equipos es esencial para su éxito. Un científico de datos puede identificar fuentes técnicas de posibles problemas que un especialista en marketing jamás vería. Un profesional de marketing entiende el comportamiento del consumidor de maneras que permiten identificar ciertos riesgos técnicos que los ingenieros podrían pasar por alto. Un diseñador de producto puede detectar formas en que las cosas podrían salir mal y que resultarían invisibles para el área legal.

Integración del marco de trabajo

Las políticas existentes, los comités de riesgo y los marcos de gobernanza no desaparecen bajo el enfoque ENC: se convierten en recursos de los que los equipos ENC pueden apoyarse.

Un comité de riesgos de IA ya existente, en lugar de ser la primera línea de defensa para cada caso de uso de IA de alto riesgo, se convierte en una instancia excepcional, convocada cuando un equipo ENC a nivel de proyecto ha identificado un problema que no puede mitigar adecuadamente, o cuando el nivel de riesgo es lo suficientemente alto como para justificar una revisión de alto nivel. Esto es operativamente crucial: a medida que aumenta la adopción de IA, también aumentan los casos de alto riesgo, convirtiendo al comité de riesgo en un cuello de botella para la innovación mientras los equipos esperan ser evaluados y recibir dirección. La solución es crear una primera línea de defensa más capaz mediante la capacitación ENC.

E

ste artículo destaca una serie de herramientas de IA que tienen el potencial de generar un impacto considerable en las desigualdades en la atención médica. Los hallazgos presentados en este artículo se basan en nuestro trabajo asesorando a organizaciones de salud y ciencias de la vida. No hemos tenido participación en ninguna de esas compañías ni tenemos intereses financieros en ellas.

Identificación de pacientes en riesgo

La atención preventiva es el punto de intervención más eficiente (tanto financiera como clínicamente) para mejorar la salud de los pacientes. Sin embargo, los grupos de pacientes en situación de desventaja suelen tener poca conciencia sobre las medidas que deben tomar y pueden sentirse desorientados a la hora de lidiar con las complejidades del sistema de salud. Los proveedores de atención médica tienen una oportunidad crucial para identificar y contactar de forma proactiva a los pacientes con riesgo de presentar resultados graves de salud.

El historial médico de un paciente puede contener señales sutiles de que está en riesgo. Estos indicadores son increíblemente difíciles de identificar y atender para los profesionales de la salud. Aledade, la red más grande de atención primaria independiente en Estados Unidos, utiliza IA para interpretar estos datos altamente complejos de los pacientes y potenciar estrategias de contacto personalizado relacionadas con vacunación, detección de enfermedades y planificación anticipada de cuidados.

Superar las barreras de comunicación

Es fundamental que los pacientes puedan comunicarse de manera efectiva con su equipo médico, y viceversa. El riesgo de brechas en la comunicación que conducen a peores resultados de salud es mayor en pacientes que experimentan barreras lingüísticas, tienen bajos niveles de alfabetización en salud o padecen enfermedades neurocognitivas. La IA abre la puerta a una mejor comunicación. Puede actuar como traductor bajo demanda y enlace entre los sistemas de salud y los pacientes, proporcionando información clara y fácil de comprender sobre riesgos, síntomas y planes de tratamiento.

Estas soluciones también son esenciales para mejorar la productividad de los proveedores de salud, cuyos recursos están cada vez más presionados. Al agilizar y automatizar las tareas administrativas relacionadas con el acceso y la evaluación de pacientes, los profesionales pueden reenfocar su tiempo en el trabajo clínico, donde generan el mayor valor para mejorar los resultados de salud de los pacientes.

Abordar las desigualdades en el acceso a los recursos

La ley de cuidados inversos establece que los pacientes con mayores necesidades suelen ser los que tienen menos acceso a los recursos de atención médica. Muchas personas en zonas rurales viven lejos de servicios médicos especializados o pueden carecer de redes de apoyo social que resultan fundamentales para la salud y la recuperación. La IA muestra los primeros indicios de convertirse en una solución esencial para ayudar a los responsables de políticas públicas a superar estas barreras.

Ada Health ofrece a los pacientes una aplicación móvil impulsada por IA que evalúa síntomas, diagnostica diversos problemas médicos y sugiere atención personalizada. La IA permite que los pacientes en regiones con recursos limitados puedan realizar una clasificación confiable de sus propios síntomas y, posteriormente, buscar atención médica a través de la vía más adecuada. La IA también puede mejorar los resultados después del tratamiento.

Reducir el impacto de los sesgos humanos

Existe evidencia preocupante que sugiere que los proveedores de atención médica pueden perpetuar desigualdades debido a sus propios sesgos inconscientes, atribuyendo erróneamente síntomas a estereotipos culturales y sin reconocer la gravedad de ciertas enfermedades. Un ejemplo alarmante ocurre en el contexto del acceso adecuado al alivio del dolor: los pacientes de color tienen la mitad de probabilidades de recibir medicamentos opioides cuando presentan síntomas similares a los de los pacientes blancos con dolor abdominal. La IA podría convertirse en una herramienta vital para eliminar el impacto de estos sesgos humanos.

Una investigación reciente ha demostrado que la IA puede ser altamente efectiva para detectar el dolor en los pacientes. Las evaluaciones de un modelo de IA, entrenado con más de 140,000 imágenes faciales de pacientes con y sin dolor, coincidieron con las de médicos expertos el 88% de las veces, demostrando que puede ser una solución escalable para evaluar rápidamente el dolor.

Los sesgos también influyen en las decisiones de tratamiento mediante diagnósticos erróneos de enfermedades importantes. Kaiser Permanente ha puesto a prueba una herramienta de IA con el objetivo de mejorar el rendimiento diagnóstico en ecocardiografías, lo que tiene un enorme potencial para reducir estas desigualdades.

A

continuación, describimos tres limitaciones organizacionales que surgen cuando los equipos ejecutivos tienen dificultades para dejar atrás el pasado. También ofrecemos ejemplos de cómo puede utilizar la IA para renovar las prácticas de su organización con miras a un futuro más competitivo, así como para presentar argumentos objetivos a favor del cambio.

1. Indicadores de rendimiento que distorsionan las prioridades

Aferrarse a indicadores obsoletos lleva a las empresas a asignar mal sus recursos, recompensar los comportamientos inadecuados y perder de vista los factores de desempeño actuales que realmente impulsan el éxito organizacional.

Tomemos el caso de una cadena minorista nacional del Reino Unido que estudiamos (a la que llamaremos Whitford & Co.). Se trata de una cooperativa de consumo propiedad de sus socios, conocida principalmente por sus tiendas de alimentos. Sus ventas se estaban estancando, los márgenes se reducían y la pérdida de clientes iba en aumento. Por costumbre, el personal seguía aferrándose a KPIs heredados con los que ya estaban familiarizados.

Cómo ayudó la IA: Iniciativa de revisión de indicadores

Uno de los principales obstáculos en un programa de “desaprendizaje organizacional” es la complejidad. Para identificar cuáles de sus indicadores heredados seguían siendo relevantes y cuáles ya no, Whitford & Co implementó dos plataformas de análisis impulsadas por IA para hacer lo que los analistas humanos no podían: analizar simultáneamente datos de transacciones de clientes, registros de interacciones digitales y datos operativos.

La IA procesó miles de puntos de datos y reveló que muchos de los indicadores más destacados no tenían una correlación sólida con la retención de clientes ni con la rentabilidad del negocio.

En un periodo de tres meses, la división minorista eliminó con éxito siete de sus 12 KPIs heredados, incluidos la conversión de ventas en tienda y las tasas de relación entre el número de clientes y consultas. En su lugar, la empresa adoptó indicadores relacionados con el comportamiento, como las tasas de finalización de recorridos multicanal y las puntuaciones de esfuerzo del cliente.

2. Identidades empresariales que confunden al mercado

Las identidades corporativas y el posicionamiento de marca que en algún momento fueron activos pueden convertirse en pasivos. Pensemos en la empresa estadounidense de software que estudiamos (a la que llamaremos FengSys). Esta compañía desarrolla plataformas de integración y análisis de datos para clientes del sector público y privado. A principios de la década de 2010, construyó su marca en torno al lema “los datos son lo primero”.

Sin embargo, con el tiempo, las expectativas de los clientes cambiaron. Ya no les impresionaba el concepto de “los datos son lo primero. Daban por sentado que la capacidad de trabajar con datos ya debía existir y ahora buscaban socios capaces de demostrar resultados de negocio: decisiones más rápidas, menor riesgo operativo y un retorno medible de la inversión en tecnología.

Cómo ayudó la IA: Depuración lingüística estratégica

El problema de “desaprendizaje organizacional” de FengSys requería que la IA reconociera primero los patrones, específicamente el laberinto oculto de contradicciones incrustadas en miles de documentos que ningún revisor humano podría detectar de forma confiable, dentro del presupuesto y a gran escala.

Dado que el personal interno estaba demasiado involucrado con la historia de la empresa como para percibir claramente las inconsistencias, la compañía trabajó con una consultora externa especializada. Esta firma implementó un modelo basado en GPT-4 configurado específicamente con la propia biblioteca documental de la empresa, para analizar miles de páginas de presentaciones comerciales, propuestas y comunicaciones con clientes.

¿El resultado? Como explicó Leonor, vicepresidenta de marketing: “Esto nos dio una visión objetiva y basada en la evidencia del problema, una que ningún defensor interno podía cuestionar ni desviar.”

3. Mitos sobre los clientes que distorsionan la estrategia

Una firma global de servicios financieros que estudiamos (a la que llamaremos SuboBank) seguía aferrándose a la creencia de que “los clientes mayores evitan la banca móvil”.

Aunque los datos externos sugerían que los jubilados ahora constituyen uno de los grupos de usuarios de aplicaciones móviles con mayor crecimiento, la idea de que eran rezagados tecnológicos era difícil de abandonar. SuboBank operaba bajo una única suposición profundamente arraigada que nunca había sido contrastada de forma sistemática con el comportamiento real de los clientes.

Cómo ayudó la IA: Desmentir mitos mediante evidencia conductual

Para desentrañar esta creencia arraigada, la dirección configuró IBM Watson Analytics para integrar y cruzar simultáneamente tres flujos de datos en tiempo real: 1) registros de comportamiento dentro de la aplicación, que rastreaban cómo los clientes de todas las edades utilizaban realmente la plataforma móvil de SuboBank; 2) datos sobre la opinión de los clientes extraídos de interacciones con el servicio de atención al cliente, respuestas a encuestas y registros de quejas; y 3) datos demográficos externos sobre las tendencias de adopción móvil entre clientes de 60 años o más.

Cada vez que el comportamiento real contradecía lo que asumía la documentación interna, el sistema lo señalaba. A medida que los gerentes y líderes sénior revisaban los reportes de comportamiento generados por la IA, tomaban sus propias decisiones sobre qué cambios de diseño debían priorizarse.

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.