L

a IA suele venderse a los ejecutivos como un multiplicador de fuerza, capaz de potenciar el desempeño de los empleados. Sin embargo, existe un inconveniente importante, aunque mucho menos destacado: la IA puede acabar con el ADN propio de una organización al ceñirse a un estándar genérico, socavando a la misma organización que pretende optimizar. En ese escenario, las organizaciones se vuelven más automatizadas, pero menos adaptables; más impulsadas por datos, pero menos sensatas; más eficientes, pero menos legítimas ante los ojos de empleados y clientes.

En este artículo describimos una forma en que la IA puede erosionar las capacidades de una organización (y mostramos cómo los CEOs y los altos ejecutivos pueden corregir el problema).

Las personas dejan de pensar

Los sistemas de IA crean una ilusión poderosa. Sus resultados son fluidos, seguros y, a menudo, plausibles. Esa misma fluidez fomenta la descarga cognitiva: las personas dejan de pensar con la misma profundidad que antes porque la máquina parece competente.

La trampa para las empresas es que, cuando los empleados dependen demasiado de la IA para redactar análisis, diagnosticar problemas o proponer soluciones, sus habilidades disminuyen. Las empresas pierden la capacidad de perfeccionar el juicio a través de la experiencia, particularmente ese tipo de conocimiento tácito que se transfiere cuando una persona aprende de otra en el trabajo.

El riesgo a largo plazo para las organizaciones es sutil pero grave. Aunque una empresa pueda parecer tecnológicamente sofisticada, puede estar perdiendo silenciosamente la experiencia que necesita para innovar, responder a crisis y competir.

Lo que los líderes pueden hacer: Identificar capacidades humanas críticas

Antes de introducir IA en cualquier flujo de trabajo central, sea explícito respecto a qué capacidades humanas no puede permitirse perder si su organización quiere mantener su competitividad. Ciertas habilidades no se desarrollan automáticamente. Entre ellas se incluyen la capacidad de juicio en situaciones de incertidumbre, el pensamiento sistémico, la gestión de conflictos éticos y el razonamiento interpretativo; es decir, la capacidad de ver las oportunidades y los desafíos a través del lente de una estrategia definida. Estas habilidades solo se desarrollan y se mantienen mediante su uso.

Consideremos el caso de un operador de telecomunicaciones australiano al que llamaremos Creston Telecom, que ha trabajado en desarrollar y mantener estas habilidades mientras aprovecha la IA para resolver compensaciones estratégicas entre densidad urbana y cobertura rural. El director de planeación estratégica, José, notó que los mandos intermedios recurrían cada vez más a análisis de escenarios generados por IA en lugar de desarrollar sus propias recomendaciones estratégicas. “Nuestros equipos de planeación se estaban convirtiendo en simples ejecutores de lo que decía el algoritmo”, nos comentó. “Presentaban tres opciones generadas por IA, pero no podían defender por qué una era mejor que las demás”.

Creston Telecom respondió instaurando “sesiones estratégicas sin IA”, en las que equipos multifuncionales debían enfrentarse primero a las preguntas estratégicas utilizando únicamente su juicio y experiencia. Solo después de documentar su razonamiento se les permitía consultar herramientas de IA. La empresa también asignó a los gerentes con mayor potencial a un “programa de residencia estratégica” de seis meses de duración, en el que trabajaban directamente con José en la toma de decisiones complejas.

Ambas medidas garantizaron que Creston Telecom conservara su fuerza estratégica. Esto implicaba reconocer patrones entre mercados, identificar las compensaciones necesarias entre distintas partes interesadas y planificar a largo plazo. Estas funciones críticas se mantuvieron en manos humanas, incluso mientras la IA se encargaba del análisis rutinario.

La IA puede mejorar el desempeño de su organización, pero solo si usted reconoce lo que no puede hacer. Su futuro depende de utilizar las máquinas para potenciar el juicio humano, mientras protege con firmeza el aporte humano que ningún algoritmo puede reemplazar.

A

medida que las organizaciones integran rápidamente la IA en sus flujos de trabajo, los líderes están descubriendo que los desafíos que conlleva no son solo técnicos, sino que también tienen que ver con la dinámica de los equipos.

Hemos comprobado que comprender la dinámica de los equipos humano-IA es crucial no solo desde la perspectiva de la teoría y la práctica organizacional, sino también para prevenir errores costosos y evitar la erosión de la confianza dentro del equipo.

Aplicar los principios de seguridad psicológica a la integración de la IA

La solución no consiste en abandonar la IA ni en aceptar estas limitaciones como inevitables. En su lugar, los líderes deben aplicar principios probados del comportamiento organizacional a la integración de la IA y a la gestión del cambio asociada. Esto exige tratar la integración de la IA fundamentalmente como un desafío de aprendizaje del equipo, no solo como una implementación tecnológica. He aquí cómo:

Reencuadre la integración de la ia como un proceso de aprendizaje, no de ejecución.

Así como la seguridad psicológica se construye al plantear el trabajo como una tarea de aprendizaje en lugar de una tarea de ejecución, una integración exitosa de la IA requiere posicionar su despliegue como un proceso continuo de experimentación con aprendizaje práctico. Los líderes deben comunicar que esperan que el equipo descubra las limitaciones de la IA y que, como en cualquier nueva frontera, esto constituye información valiosa, no un fracaso. Los primeros “errores” con la IA deben tratarse como oportunidades de aprendizaje que ayuden al equipo a calibrar expectativas y desarrollar mejores protocolos de colaboración.

Modele falibilidad y curiosidad.

Una de las formas en que los líderes construyen seguridad psicológica es reconociendo su propia falibilidad. En el contexto de la IA, esto implica admitir abiertamente cuando no comprende los resultados que produce o cuando estos parecen cuestionables. Los líderes deben fomentar un uso responsable de la IA y compartir sus propios errores con ella y lo que aprendieron, demostrando que cuestionar a la IA no solo es aceptable, sino esperado. Asimismo, deben modelar curiosidad sobre cómo y por qué funciona la IA (y cómo evolucionará) para comprender mejor sus desventajas y aprovechar mejor sus beneficios. Considere instituir rituales de aprendizaje, como “revisiones posteriores a la acción de la IA”, donde los equipos analicen qué funcionó, qué no y por qué.

Establezca protocolos de fallas inteligentes.

Con base en los principios del libro de Amy, “Right Kind of Wrong”, los equipos deben distinguir entre distintos tipos de fallas relacionadas con la IA. Las “fallas inteligentes de la IA” (como probarla en nuevos dominios o llevar sus capacidades al límite de forma controlada y con bajo riesgo) deben celebrarse como oportunidades de aprendizaje. Las “fallas básicas de la IA” (como no verificar resultados en contextos donde sus limitaciones ya son conocidas) deben prevenirse mediante mejores procesos.

Refuerce la conexión humana.

Tal vez lo más importante es que una integración exitosa de la IA requiere preservar deliberadamente la conexión humana. A medida que la IA asuma más tareas rutinarias, el trabajo humano restante será más complejo e interdependiente. Esto hace que la seguridad psicológica sea más relevante, no menos. Los líderes deben crear espacios explícitos para conversaciones exclusivamente humanas sobre la dinámica del equipo y los desafíos de integrar la IA. Es fundamental reconocer y discutir las inquietudes de los miembros del equipo respecto al posible reemplazo del valor humano, enfatizando cómo la IA puede potenciar (y no disminuir) la experiencia humana.

Permita que el equipo prospere.

La confianza es un elemento esencial en la colaboración humano-IA. Los equipos deben operar en un entorno donde todas las personas se sientan capaces de cuestionar y desafiar el desempeño de la IA. Deben sentirse cómodas admitiendo confusión ante sus recomendaciones, reportando errores, sugiriendo mejoras en los flujos de trabajo humano-IA y expresando preocupaciones sobre la sustitución del juicio humano. Los líderes deben reconocer y abordar las distintas formas en que la IA puede alterar el funcionamiento normal de los equipos, desde la opacidad que impide cuestionar las suposiciones hasta la necesidad de un aprendizaje continuo sobre las capacidades y limitaciones de la IA, que evolucionan rápidamente.

A

medida que las herramientas de IA se han extendido en los lugares de trabajo y la presión por utilizarlas ha aumentado, los empleados han tenido que enfrentarse al flagelo del “workslop” (trabajo generado por IA, con poco esfuerzo, que aparenta estar pulido y plausible, pero que termina desperdiciando tiempo y esfuerzo al trasladar la carga cognitiva al receptor). Para quien lo recibe, puede ser una experiencia confusa y frustrante.

Cuando acuñamos el término workslop en un artículo de HBR el otoño pasado, explicamos que puede tener un efecto tóxico en la dinámica laboral, generando desconfianza y llevando a los miembros del equipo a menospreciar la inteligencia y fiabilidad del remitente, entre otros rasgos. En nuestra investigación en curso, hemos escuchado numerosos ejemplos de cómo el workslop siembra mala voluntad, erosiona la confianza y, en general, tiene un efecto corrosivo sobre la moral en el trabajo.

Nuestra investigación también revela varios factores clave que pueden hacer que las organizaciones sean más resistentes al workslop. Además de moderar los mandatos generales y poco claros sobre el uso de IA, los líderes deben mirar hacia adentro e invertir en una respuesta sistémica adaptada a sus organizaciones.

En primer lugar, descubrimos que las personas que tienen una sensación de competencia y control sobre las herramientas de IA tienen la mitad de probabilidades de crear workslop. Existen muchas formas en que las empresas pueden fomentar estos enfoques en sus equipos, entre ellas aumentar las inversiones en alfabetización en IA, lograr que los empleados compartan y modelen prácticas de IA que actualmente están ocultas en las sombras o desplegar ingenieros de IA de forma anticipada para ayudar a los equipos a integrar la IA de manera efectiva en sus flujos de trabajo. Este tipo de inversiones generará un retorno óptimo.

Nuestra investigación también muestra que construir una cultura de confianza dentro de los equipos es un factor protector importante contra el workslop. Cuando las personas creen que pueden admitir que utilizan IA, plantear inquietudes sobre cómo la IA podría afectar la calidad y solicitar retroalimentación sin temor a ser estigmatizadas, producen un mejor trabajo. Para nuestros participantes, la confianza en su equipo redujo el workslop en un 61%.

Finalmente, necesitamos replantear la forma en que pensamos sobre el workslop. Cada caso de workslop es una señal de una organización bajo presión: empujada desde arriba para demostrar el ROI de la IA y presionada desde abajo por la creciente sobrecarga de los empleados. Ofrece a los líderes información valiosa, ya que expone grietas en el diseño organizacional que deben abordarse para que las empresas puedan afrontar con éxito los cambios que se avecinan.

Poner los ojos en blanco y emitir juicios cuando recibimos workslop es la salida fácil. Es un ejemplo clásico del error fundamental de atribución: culpamos a la pereza o incompetencia de los individuos mientras minimizamos la influencia del contexto. Abordarlo requiere una respuesta a nivel sistémico que opere al menos en tres niveles:

1. Cultura: Los líderes deben comenzar por reconstruir la confianza, retomando las prácticas cotidianas de colaboración (como dar retroalimentación, hacer preguntas y abrir espacios para el diálogo).

2. Práctica: Los líderes necesitan generar agencia en torno a la IA, estableciendo expectativas y normas claras sobre cuándo y cómo utilizarla, así como procesos explícitos de revisión que refuercen (en lugar de sustituir) el juicio humano.

3. Responsabilidad: Las organizaciones necesitan a alguien con fluidez tanto en tecnología como en relaciones humanas. Podemos imaginar un nuevo rol para los arquitectos de colaboración con IA desplegados en primera línea, capaces de identificar fricciones, adaptar las integraciones de IA a las motivaciones de los empleados y conectar las estrategias de IA con resultados específicos.

La mayor ironía de todas es que, para que la IA funcione en el trabajo, necesitamos mejorar como seres humanos. Los líderes deben abrir espacio para el trabajo más lento (pero más gratificante) de la colaboración humana. Sin cambios organizacionales que habiliten la agencia y la confianza (en lugar de imponer mandatos de IA sobre equipos ya sobrecargados), todos terminaremos ahogados en el lodo del workslop.

L

a IA no necesita una actualización de ciencia ficción para transformar la economía: los modelos actuales (y las versiones más baratas y potentes que vienen) están a punto de alterar casi todos los rincones del mercado laboral.

Para navegar por este nuevo panorama, los líderes deben comprender y planificar cómo afectará la automatización a sus negocios. Para ello, es necesario comprender qué tareas y responsabilidades tienen más probabilidades de estar bajo presión, y trazar un rumbo para mover a la empresa a lo largo de la cadena de valor de la inteligencia antes de que se acabe el tiempo.

¿Qué es lo que no está en riesgo de ser automatizado?

Investigadores, académicos y profesionales han debatido ampliamente qué trabajos y tareas son más vulnerables a la automatización. Algunas amenazas son obvias: los vehículos autónomos pronto podrían estar en posición de reemplazar a millones de conductores de transporte compartido, autobuses y camiones. Mientras tanto, la traducción de idiomas, la escritura creativa, el diseño e incluso la programación cotidiana están pasando a manos de la IA.

Los pioneros en investigación de IA Ajay Agrawal, Joshua Gans y Avi Goldfarb argumentaron en 2018 que, a medida que avanza la IA, el último bastión de la ventaja humana será el juicio: la capacidad de sopesar opciones y tomar decisiones bajo incertidumbre. Sin embargo, esa perspectiva nos deja una tarea imposible: definir con precisión qué califica como juicio en un momento dado.

Hoy en día, las tareas que exigen juicio humano (elegir un tratamiento médico, revisar un contrato legal, escribir un guion que capture el espíritu de la época) pronto podrían ser realizadas por IA a medida que los modelos acceden a datos más ricos y mayor capacidad de cómputo. Tampoco podemos asumir que las personas siempre preferirán a un terapeuta, consejero o mediador humano, según investigaciones recientes.

Entonces, ¿cómo podemos separar las tareas que la IA automatizará próximamente de aquellas que requerirán nuevos avances tecnológicos para lograrlo? Para responder eso, debemos volver a los principios fundamentales y revisar dónde comenzó todo.

De un concurso de laboratorio a una revolución industrial

A mediados de la década del 2000, la científica computacional Fei-Fei Li observó que el campo de la visión computacional (enfocado en permitir que las computadoras “vean” e interpreten imágenes) enfrentaba un cuello de botella: los algoritmos carecían de datos visuales suficientes para alcanzar el rendimiento humano. Su solución fue contundente: construyó ImageNet, un vasto conjunto de imágenes meticulosamente etiquetadas armado con ayuda de Amazon Mechanical Turk. Pero su verdadero golpe de genialidad llegó en 2010, cuando agregó una clasificación global al conjunto de datos, transformando el reconocimiento de imágenes en una competencia estilo gladiador para investigadores.

Luego, en 2012, Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton arrasaron con la competencia. Con dos tarjetas gráficas NVIDIA GTX 580, el trío de Toronto logró entrenar una red neuronal convolucional en solo unos días, un enfoque revolucionario que demostró que era posible alterar la historia de la visión computacional con el presupuesto de un estudiante de posgrado.

Ese momento puso fin al largo invierno de la IA, colocó a las redes neuronales en el centro del progreso y reveló el libro de jugadas con el que sigue funcionando este campo: Primero, reunir datos relevantes. Luego, depender de métricas para cuantificar e impulsar el progreso. Por último, inundar el modelo con datos y GPU hasta que aprenda por sí solo.

Datos, recompensa y cómputo

El marco que impulsó el avance en reconocimiento de imágenes es mucho más general de lo que muchos creen. Puede aplicarse siempre que podamos: a) definir el entorno de la tarea y reunir sus datos; b) especificar una recompensa objetivo; y c) proporcionar el poder computacional para permitir que el sistema itere.

Si se apilan esos tres ingredientes, se obtiene un motor de automatización de uso general. Ahora, dos tendencias de datos aceleran este ciclo. En primer lugar, los modelos pueden generar ejemplos sintéticos ilimitados (por ejemplo, creando “kilómetros de conducción” virtuales que cubran todos los escenarios extraños, en lugar de depender de datos de conductores reales). Y, en segundo lugar, la IA se despliega cada vez más en una variedad de dispositivos y sensores (en teléfonos, autos y otros lugares), capturando y cuantificando señales del mundo real que antes resultaban demasiado costosas o poco prácticas de medir.

Si puede convertir un fenómeno en números, la IA lo aprenderá y lo reproducirá a escala. Eso significa que cualquier trabajo que pueda medirse puede, en teoría, automatizarse.

Prosperar a pesar de las incógnitas desconocidas

Los humanos somos generalistas evolutivos, seleccionados para navegar por mapas incompletos. No solo sobrevivimos a las incógnitas desconocidas: prosperamos con ellas, y esa resiliencia es nuestra mayor ventaja. A lo largo de incontables generaciones afinamos nuestras cuerdas vocales y cerebros sociales hasta que surgió el lenguaje, abriendo la puerta al conocimiento acumulativo, el razonamiento abstracto y el pensamiento simbólico. A partir de allí, superamos nuestros límites biológicos, creando herramientas que expandieron nuestros sentidos, memoria y habilidades.

Pero la piedra angular de nuestra ventaja es nuestra corteza prefrontal altamente plástica y densamente conectada. Este centro de comando neuronal nos permite imaginar infinitos “qué pasaría si”, ensayar futuros contrafactuales y ajustar la estrategia en el instante en que cambian las condiciones. A falta de una verdadera singularidad, incluso las máquinas cuánticas tendrán dificultades para igualar nuestro talento para la planificación contrafactual abierta y multidisciplinar.

A medida que la IA acelera el progreso, crea nuevas incógnitas desconocidas, por lo que nuestros mapas siguen redibujándose. Mientras tanto, convierte lo predecible en rutina, tal como la mecanización agrícola nos sacó de la subsistencia, liberando más de nuestra capacidad cerebral contrafactual para problemas de mayor nivel.

La IA también tendrá dificultades en dominios donde la medición roza lo imposible: como lo demuestra el esfuerzo de una década que el Event Horizon Telescope necesitó para capturar una sola imagen de un agujero negro, y los desafíos aún no resueltos de explorar la física a gran escala, el manto profundo de la Tierra, los océanos abisales o las interacciones celulares vivas dentro del cerebro humano. También se quedará atrás donde la medición esté limitada por la privacidad, la ética o la regulación; donde la sociedad exija un razonamiento transparente; y donde las personas simplemente prefieran un toque humano.

Pero una excepción crucial en lo que puede medirse podría resultar decisiva: tareas que desafían la cuantificación porque sus probabilidades de resultado son fundamentalmente incognoscibles.

El crecimiento de una empresa emergente, la asignación de capital o talento a proyectos altamente inciertos, la contención de un nuevo virus, el establecimiento de la política de un banco central durante un cambio de régimen financiero, la redacción de principios éticos de la IA, la invención de un nuevo medio artístico, el inicio de una tendencia de moda o la creación de un nuevo éxito de taquilla que rompa géneros: todas estas tareas se sitúan en zonas donde las probabilidades desaparecen. Algunos actos y descubrimientos creativos no son más que ingeniosas recombinaciones de lo conocido, pero los verdaderamente ambiciosos dependen de nuestra capacidad singular para imaginar nuevos y complejos mundos contrafactuales.

Para los líderes que guían a sus organizaciones en esta transición turbulenta, ¿qué hay más allá de la hoja de cálculo? Todo aquello que no cabe en una celda: las habilidades que se resisten a ser contabilizadas, los problemas abiertos sin precedentes fiables, lo intangible.

En términos generales, la receta es sencilla. Respalde las apuestas arriesgadas con retornos difusos, recompense a los equipos que replantean los problemas y se inclinan por lo desconocido, y rote el talento por las funciones que se enfrentan a la incertidumbre en I+D, nuevos mercados e interacciones complejas con clientes, socios y políticas. Reserve tiempo libre y fomente colisiones entre equipos para estimular la serendipia y la recombinación de ideas. No trate esos espacios de ambigüedad planificada como pasivos, sino como activos estratégicos.

Solo los líderes que presten atención a lo que es medible (y, más crucialmente, a lo que obstinadamente no lo es) estarán listos cuando llegue el próximo cambio.

M

uchas organizaciones están priorizando la integración de herramientas de IA en el lugar de trabajo. Pero, ¿cómo se comporta la IA como aliada en la toma de decisiones de alto riesgo?

Para probar esto, realizamos un experimento simple. Le pedimos a más de 300 gerentes y ejecutivos que hicieran predicciones bursátiles después de revisar tendencias pasadas. A la mitad se le dio la oportunidad de consultar con sus colegas, mientras que la otra mitad pudo consultar con ChatGPT. Luego, los participantes podían revisar sus predicciones.

Los resultados fueron sorprendentes. Descubrimos que ChatGPT hizo que los ejecutivos fueran significativamente más optimistas en sus pronósticos, mientras que las discusiones entre pares tendían a fomentar la cautela. Además, descubrimos que los ejecutivos que usaron ChatGPT hicieron peores predicciones (basadas en cifras bursátiles reales) que las que habían hecho antes de consultar la herramienta. En este artículo compartimos lo que hicimos, lo que descubrimos, qué lo explica y por qué esto importa para cualquier líder que esté integrando IA en su proceso de toma de decisiones.

El experimento

Nuestro estudio tuvo lugar durante una serie de sesiones de educación ejecutiva sobre IA entre junio de 2024 y marzo de 2025. Los participantes eran gerentes y ejecutivos de diversas empresas que participaban en un ejercicio de clase.

Primero, se le pidió a cada participante que hiciera un pronóstico individual: ¿Cuál creía que sería el precio de las acciones de Nvidia un mes en el futuro? Este estimado inicial fue entregado de manera privada. Luego, dividimos aleatoriamente a los participantes en dos grupos para un breve período de consulta:

— Discusión entre pares (grupo de control): Estos ejecutivos discutieron sus pronósticos en pequeños grupos durante unos minutos.

— Consulta con ChatGPT (grupo de tratamiento): Estos ejecutivos podían preguntarle a ChatGPT lo que quisieran sobre las acciones de Nvidia.

Después de esto, todos hicieron un pronóstico revisado del precio de Nvidia con un mes de anticipación, y recopilamos esas respuestas.

Los resultados

La IA condujo a pronósticos más optimistas.

Antes de cualquier discusión o consulta con IA, los dos grupos de ejecutivos tenían pronósticos estadísticamente indistinguibles para Nvidia.

Sin embargo, después del período de consulta, descubrimos que los ejecutivos que usaron ChatGPT se volvieron más optimistas en sus pronósticos. En promedio, el grupo de ChatGPT aumentó sus estimaciones de precio a un mes en aproximadamente 5.11 dólares.

La discusión entre pares generó pronósticos más conservadores.

En contraste con el grupo de IA, el grupo de discusión entre pares redujo sus estimaciones de precio, en promedio, en alrededor de 2.20 dólares. Además, este grupo fue más propenso que el grupo de ChatGPT a mantener su estimación original.

La consulta con IA hizo peores predicciones.

Después de realizar nuestro estudio, esperamos un mes y luego comparamos las predicciones que los ejecutivos habían hecho con los datos reales de Nvidia. Descubrimos que ambos grupos fueron demasiado optimistas, en promedio. Sin embargo, también descubrimos que quienes usaron ChatGPT hicieron predicciones aún peores después de su consulta.

¿Por qué la IA generó exceso de confianza y optimismo?

¿Por qué consultar una herramienta de IA conduciría a estimaciones infladas y exceso de confianza, mientras que las discusiones entre pares provocaron mayor humildad y conservadurismo? Hemos identificado cinco razones:

1. Extrapolación y “subirse a la tendencia”

ChatGPT puede haber fomentado el sesgo de extrapolación. El conocimiento de la IA se basa en datos históricos, por lo que simplemente podría haber extendido la reciente tendencia al alza de Nvidia hacia el futuro. La orientación de la IA, basada puramente en patrones de datos pasados, puede haberse inclinado hacia el optimismo por defecto.

2. Sesgo de autoridad y sobrecarga de detalles

Muchos ejecutivos en la condición de ChatGPT informaron estar impresionados por el nivel de detalle y el tono confiado de la respuesta de la IA. En las discusiones posteriores al experimento, algunos participantes señalaron que ChatGPT proporcionó una gran cantidad de datos y razonamientos tan minuciosos y seguros, que hicieron que, en comparación, sus propias estimaciones iniciales parecieran inadecuadas.

3. Emoción (o falta de ella)

Los humanos tienen emociones e instintos que pueden actuar como freno ante pronósticos extremos. Un ejecutivo que observe un gráfico bursátil meteórico podría sentir un matiz de cautela y una voz interna que diga: “Si está en su punto máximo, podría desplomarse”. En nuestras sesiones, sospechamos que la cautela emocional jugó un papel en las discusiones entre pares.

ChatGPT, por otro lado, no tiene esa emoción ni intuición. No siente vértigo como una persona al ver un gráfico de precios en ascenso. Los usuarios que confían únicamente en los resultados de la IA no se benefician de esa revisión cautelosa.

4. Calibración entre pares y dinámicas sociales

El acto de discutir con colegas introdujo otro conjunto de sesgos y comportamientos, que generalmente conducían hacia la cautela y el consenso. En una discusión grupal, las personas escuchan puntos de vista diversos y a menudo descubren que las expectativas de otros difieren de las propias. En nuestros grupos de pares, esta dinámica a menudo condujo a moderar puntos de vista extremos y encontrar un punto medio.

5. Ilusión del conocimiento

Las investigaciones han demostrado que cuando las personas tienen acceso a grandes volúmenes de información (como internet), es más probable que caigan en la ilusión de saberlo todo. Una cantidad significativamente grande de participantes mostró el efecto de esta ilusión cuando recurrieron a ChatGPT, una de las tecnologías más inteligentes con acceso a vastos recursos.

¿Cómo usar la IA de manera inteligente en las decisiones ejecutivas?

Nuestros hallazgos ofrecen lecciones importantes para líderes y organizaciones que están integrando herramientas de IA en sus procesos de toma de decisiones:

1. Sea consciente de los sesgos de la IA y de la ilusión del conocimiento.

Consultar ChatGPT (o modelos de IA generativa similares) puede inclinar sutil pero significativamente sus expectativas y generar una confianza excesiva en ellas. Si usted usa IA para informar pronósticos o decisiones estratégicas, recuerde que puede impresionarlo con detalle mientras carece de la perspectiva cautelosa que los humanos aportan de forma natural.

2. No abandone la discusión humana, aprovéchela.

Sí, la IA puede proporcionar análisis e información a gran velocidad, pero aún hay sabiduría en la sala. Sus colegas pueden aportar datos nuevos, contexto y una revisión de la realidad sobre ideas que suenan demasiado buenas para ser verdad, o simplemente demasiado precisas en su pronóstico. En la práctica, el mejor enfoque puede ser combinar la aportación de la IA con el diálogo humano.

3. El pensamiento crítico es clave, sin importar la fuente.

Ya sea que el consejo venga de una IA o de un colega, los ejecutivos deben aplicar su propio pensamiento crítico. Haga preguntas sobre la base de un pronóstico. En el caso de ChatGPT, uno podría indagar: ¿En qué datos se basa este pronóstico? ¿Podría haber factores recientes que esté pasando por alto? Entre pares, uno podría preguntar: ¿Estamos siendo demasiado conservadores porque todos estamos inseguros? Trate a la IA como un punto de partida para la investigación, no como la última palabra.

4. Entrene y establezca directrices para el uso de la IA en los equipos.

Si su organización está implementando asesores o asistentes de IA, haga saber que la IA podría fomentar el exceso de confianza. Su organización necesita directrices sobre cómo manejar la IA. Por ejemplo, antes de obtener un pronóstico generado por IA, exija una ronda de discusión entre pares o una revisión de los peores escenarios antes de consultar con la IA.

La IA está cambiando la forma en que se toman las decisiones, pero el juicio humano sigue siendo crucial. La lección para los líderes de nuestro experimento es tener presente de dónde viene el consejo. Si proviene de la IA, inyecte algo de sentido común humano; si proviene de humanos, incluso podría usar la IA para asegurarse de que no se está perdiendo una perspectiva externa.

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.

C

ompartir conocimientos sobre cómo deben hacerse las cosas es una capacidad crucial para las empresas que buscan garantizar la calidad y la consistencia frente a la presión constante de la competencia. En cualquier organización, mediana o grande, la separación estructural y geográfica, la gran variedad de tareas y funciones, y la rotación y movimiento constantes de empleados, hacen que esta transferencia de conocimientos sea un desafío perpetuo.

Las herramientas y mecanismos tradicionales para codificar el conocimiento (como los manuales operativos o los cursos de formación) presentan importantes contrapartidas:

— Cuanto más exhaustivas sean las instrucciones, menos probabilidades hay de que puedan ser asimiladas, comprendidas y recordadas por los responsables de su ejecución.

— Cuanto más precisas sean las instrucciones, menos permitirán la personalización o el ejercicio de la iniciativa de los empleados.

— Cuanto más rígidas sean las instrucciones, menos podrán evolucionar a medida que cambien las circunstancias.

Los procesos que implican juicio humano, personalización para necesidades específicas o adaptaciones a circunstancias cambiantes son aún más difíciles de codificar.

Cómo pueden ayudar los scripts evolutivos

Como alternativa a los enfoques existentes, proponemos el script evolutivo. Un script evolutivo es un conjunto de instrucciones concisas y modulares que describen el propósito de una tarea junto con las acciones más importantes para llevarla a cabo. Al centrarse solo en las acciones esenciales, facilita su asimilación y uso diario. Además, deja margen para que los empleados tengan la libertad de decidir cómo llevar a cabo las tareas, lo que les permite adaptar su enfoque a la situación en cuestión o probar nuevas variantes.

Un ejemplo de un script evolutivo lo encontramos en las más de 500 tiendas minoristas de Apple, donde la compañía se enfrenta al doble desafío de crear una experiencia consistente y, al mismo tiempo, mantener una alta productividad. Esto se complica aún más por el enfoque de Apple de la venta al por menor; pues, los vendedores tienen que hacer demostraciones, ofrecer recomendaciones y responder a consultas sobre una amplia gama de productos complejos, con grandes variaciones en los conocimientos y necesidades de los clientes.

Para tener éxito en este entorno, Apple ha desarrollado un conjunto de principios flexibles para los empleados del sector minorista, que detallan las características esenciales de una excelente interacción con el cliente. El script de APPLE es:

— Acérquese a los clientes con una cálida bienvenida.

— Indague con cortesía para comprender sus necesidades.

— Presente una solución práctica.

— Esté atento a las inquietudes.

— Termine con una invitación a regresar.

Este breve conjunto de instrucciones es fácil de entender y recordar, y permite que los empleados se adapten a las necesidades específicas y cambiantes de los clientes.

Cuándo utilizar scripts evolutivos

Los scripts evolutivos son particularmente efectivos en contextos que exigen flexibilidad (impulsados ​​por la variedad de necesidades y circunstancias) y adaptabilidad, es decir, cuando el propio contexto cambia con el tiempo, haciendo que sean necesarios nuevos enfoques.

Las tareas que implican interacciones regulares con los clientes, desde ventas hasta soporte, pueden beneficiarse de los scripts evolutivos; pero también los esfuerzos creativos, como el desarrollo de campañas de marketing o la gestión de proyectos, como lo ilustra la proliferación de métodos ágiles más allá del ámbito del desarrollo de software.

Cómo construir e institucionalizar scripts evolutivos

Para ver los beneficios de un script evolutivo, consideremos el ejemplo hipotético de una cadena de cafeterías. Un script evolutivo podría proporcionar suficiente orientación para mantener una experiencia consistente en todas las tiendas, al tiempo que deja espacio para la flexibilidad en las interacciones con los clientes.

Tres elementos cruciales para desarrollar scripts evolutivos:

1. Identificar los elementos esenciales del éxito.

El éxito de una interacción puede depender de que varias cosas salgan bien a la vez, mientras que el fracaso puede desencadenarse por una sola cosa que salga mal. Por ello, es crucial reflexionar tanto sobre la ejecución exitosa como sobre el fracaso para poder transformar un éxito específico en un éxito repetible.

Así que, antes de comenzar a escribir el script, pregúntese: ¿Qué es esencial para el éxito de este proceso, y qué es meramente incidental?

En nuestro ejemplo de la cafetería, un programa piloto puede demostrar que los clientes aprecian recibir una mezcla personalizada. Por lo tanto, los elementos clave del éxito de nuestra tienda serían la creación de un sistema para documentar las preferencias de los clientes, junto con un proceso eficiente para recuperar y actualizar esta información. Por el contrario, podría resultar que un empaque sofisticado o la oferta de sabores exóticos no sean esenciales.

2. Articular los pasos clave para realizar una tarea.

El siguiente paso consiste en elaborar una lista de características o comportamientos que son fundamentales para una excelente ejecución de la tarea, proporcionando la orientación necesaria para que todos cumplan con su parte.

En el caso de nuestra cafetería, el script podría ser el siguiente:

— Comience la interacción saludando al cliente y preguntándole su nombre.

— Busque en el sistema el nivel de mezcla y molienda favorito del cliente.

— Asegúrese de que la información esté actualizada y verifique si el cliente quiere algo diferente.

— Empaquete cuidadosamente el café y finalice la venta.

— Documente en el sistema cualquier cambio en las preferencias del cliente.

El script es una breve descripción de las acciones esenciales que deben realizar los empleados. A medida que desarrolle el script, evite algunas trampas comunes: Hacer que las instrucciones sean demasiado específicas (por ejemplo, pedir a los empleados que “utilicen un tono amable, sonrían y hagan contacto visual al saludar al cliente”) o exhaustivas (por ejemplo, proporcionar información sobre sabores, tamaños de molienda y prácticas de sostenibilidad) puede hacer que el script resulte abrumador y difícil de seguir. Por otro lado, ser excesivamente vago o aspiracional (exponiendo solo la visión de la personalización) significa que no hay suficientes detalles sobre las acciones que deben tomarse.

3. Incorporar la capacidad de evolución

Un aspecto clave de un script evolutivo es que utiliza el poder de la discreción de los empleados, en lugar de asumir que son robots incuestionables. Para ello, el script debe evitar ser demasiado prescriptivo y centrarse en describir el propósito de la tarea.

En nuestro ejemplo de la cafetería, se podría dejar espacio para que los empleados personalicen la oferta (sugiriendo nuevas mezclas en función de los comentarios de los clientes) o para que brinden un toque personal (agregando una nota u ofreciendo una muestra complementaria).

Para respaldar la capacidad de evolución, los scripts también deben ser modulares, estableciendo uno por actividad clave, lo que permite que cada una evolucione al ritmo adecuado y, al mismo tiempo, maximiza la digestibilidad.

Además de hacer evolucionar los scripts individuales, las empresas también pueden establecer mecanismos explícitos de eliminación, revisando periódicamente qué scripts siguen siendo necesarios, en particular cuando las circunstancias han cambiado (por ejemplo, después de una transformación).

Compartir los scripts de su organización

Si bien los procedimientos operativos suelen tratarse como secretos bien guardados, compartir guiones más allá de su empresa puede ser muy útil. Por ejemplo, GitLab, una empresa que cotiza en el NASDAQ y que crea software para desarrolladores, adoptó el trabajo remoto desde su fundación en 2011. Cuando llegó la pandemia, GitLab publicó un manual sobre cómo gestionar adecuadamente el trabajo remoto, abarcando temas relacionados con comunicaciones, cultura, flujos de trabajo y más. Compartir su script posicionó a GitLab como líder de opinión en su industria, al tiempo que puso de relieve el poder de sus soluciones de software para clientes potenciales. GitLab también invita a colaboradores externos a participar en su manual, el cual aloja en su plataforma como proyecto de código abierto.

Las organizaciones pueden competir en función de su capacidad para aprender cosas nuevas en un entorno cambiante. Esto requiere que la infraestructura de ejecución de una empresa se actualice, basándose en el cambio y no en la constancia. Los scripts evolutivos son un paso importante en esta dirección.