E

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

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

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

Por qué la herramienta de IA no creaba valor

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

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

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

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

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

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

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

El contexto lo es todo

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

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

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

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

1. Mapear el gráfico de trabajo.

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

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

2. Ajustar el gráfico de trabajo.

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

3. Perfeccionamiento continuo.

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

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

¿Qué pueden hacer los CXOs?

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

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

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

¿

Es un nuevo gerente que apenas está averiguando cómo dirigir a su equipo? ¿Un recién graduado tratando de desarrollar una nueva habilidad? ¿O simplemente alguien que busca administrar su tiempo un poco mejor?

No importa cuáles sean sus objetivos, es difícil avanzar si no conoce los conceptos que pueden ayudarlo a llegar allí. He aquí una lista de términos que necesita saber para llevar su mejor versión al trabajo (junto con consejos sobre cómo usarlos):

1. Competencia cultural: La capacidad de comprender, apreciar e interactuar con personas de culturas o sistemas de creencias diferentes a los propios.

Jeff Meade, en su artículo “Are You Prepared to Lead a Diverse Team?” comparte algunas estrategias:

— Siéntase cómodo reconociendo situaciones en las que es probable que sus sesgos afecten negativamente su juicio o toma de decisiones.

— Escuche más de lo que habla, tome nota del lenguaje corporal de su equipo y resista el impulso de interrumpir a otros.

— Realice un seguimiento de cómo se otorgan las promociones. Anote cualquier inequidad y, a continuación, trabaje explícitamente para abordarla.

2. Aptitud emocional: Una habilidad que ayuda a crear relaciones de mayor apoyo consigo mismo, con sus pensamientos y sentimientos, y con otras personas.

Todas las mañanas, pregunte: “¿Cómo me siento en este momento?” Según su respuesta, determine cómo adaptarse mejor a sus necesidades ese día.

Otro ritual que puede ayudarlo a desarrollar la aptitud emocional es expresar gratitud. Cuando se despierte, antes de tomar su teléfono, leer las noticias o revisar las redes sociales, haga una pausa y piense en tres cosas por las que está agradecido. Sea muy específico. Con el tiempo, esta práctica genera resiliencia.

3. Ingeniería inversa: Mirar más allá de lo que es evidente en la superficie y encontrar una estructura oculta, una que revele cómo se diseñó un objeto o idea y cómo esta se puede recrear.

Ron Friedman, en su artículo “You Can Learn Anything Through Reverse Engineering” comparte tres pasos prácticos:

— Comience una colección de ejemplos sobresalientes que valga la pena analizar.

— Identifique lo que hace únicos a estos ejemplos extraordinarios.

— Desarrolle métricas que lo ayuden a evaluar su propio rendimiento cuando intenta recrear estas características.

4. Falacia de planificación: Cuando subestima el tiempo y los obstáculos para completar una tarea, incluso ese cálculo cuando contradice nuestra experiencia pasada.

Entonces, ¿cómo se mantiene en el camino y cumple con sus objetivos? La autora Kristi DePaul tiene algunos consejos:

— Comience preguntándose: ¿Cuánto tiempo y esfuerzo han requerido tareas similares en el pasado?

— Dese un poco de presión externa. Por ejemplo, reúna todos los recursos que necesita para terminar su trabajo sin conexión, luego pídale a un compañero de cuarto o pareja que deshabilite el Wi-Fi y no restablezca la conexión hasta que usted se levante de su escritorio.

— Estime cuánto tiempo le llevará terminar una tarea, y aumente ese tiempo en un 25%.

5. Mentoría inversa: Situación en la que un profesional más joven o de carrera temprana es mentor de un colega de mayor nivel.

Cynthia J. Young, en su artículo “Mentorship Is Not a One-Way Street” explica por qué la mentoría inversa puede ser tan poderosa. Aunque el objetivo general de la mentoría inversa refleja el de una mentoría tradicional (impulsar el crecimiento profesional del pupilo), ya que los roles se invierten este modelo muestra a todos que el aprendizaje experiencial es igual de valioso, independientemente de su edad o conocimientos.

Cuando estas relaciones se construyen en todos los departamentos, los silos dañinos se rompen y se abren los canales de comunicación. Esto, a su vez, crea una ventaja competitiva para las empresas: fortalece sus equipos de liderazgo, impulsa el cambio cultural y promueve la diversidad entre los equipos.