L

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

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

Cuatro modelos que empiezan a tomar forma

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

1. Desarrollar

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

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

2. Integrar

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

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

3. Colaborar

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

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

4. Adquirir un producto final

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

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

Lo que viene después

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

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

L

a personalización se ha convertido en una expectativa básica en distintos sectores. Deloitte descubrió que casi tres cuartas partes de los consumidores tienen más probabilidades de comprar a marcas que personalizan, y McKinsey mostró que las empresas que destacan en personalización generan hasta un 40% más de ingresos que sus competidores. El beneficio económico es evidente, y la IA está escalando rápidamente estas capacidades.

En este panorama, está surgiendo una nueva categoría que llamo “comercio confesional”: productos diseñados deliberadamente para basarse en la divulgación (por parte de los usuarios de información) profundamente personal y contextual con el fin de crear valor.

Décadas de investigación en psicología clínica han establecido qué es lo que realmente lleva a una divulgación más profunda. En mi trabajo de creación y comercialización de productos personalizados, he comprobado que cinco principios extraídos de esta investigación son especialmente relevantes.

1. Comenzar con un “¿por qué ahora?”

En la terapia cognitivo-conductual, los terapeutas no inician sus encuentros con los pacientes hablando de metas. En su lugar, formulan alguna versión de la pregunta: “¿Qué lo trae por aquí hoy?”. Esto les permite llegar a algo más importante e inmediato: el “evento precipitante” que los llevó a buscar ayuda. Los psicólogos han aprendido que, cuando se involucra a alguien en su experiencia vital inmediata, se puede generar confianza rápidamente.

2. Normalizar las reacciones para reducir la vergüenza

Incluso cuando las personas saben qué las llevó a un producto, no siempre quieren decirlo. El trabajo de Diana Fosha en psicoterapia dinámica experiencial acelerada muestra que las emociones difíciles son más complicadas de expresar cuando se sostienen en soledad. La vergüenza, en particular, bloquea la honestidad cuando las personas creen que su experiencia es única o anormal.

Cuando se les pide a las personas información sensible sin ningún reconocimiento de que lo que sienten es común, tienden a dar respuestas seguras y superficiales. Sin embargo, normalizar la reacción reduce el costo de ser honesto al demostrar que el producto comprende el contexto detrás de la pregunta. Pero esto no se trata de hacer que los usuarios se sientan cómodos, sino de ayudarlos a sentirse seguros a pesar de sentirse incómodos.

3. Invitar a profundizar

En su trabajo, el psicólogo James Bugental observó que las personas rara vez llegan a la verdad completa en su primer intento de describir un desafío a un terapeuta. Su respuesta inicial suele ser protectora, segura y vaga. Solo cuando sienten que han sido comprendidas con precisión, están dispuestas a ofrecer perspectivas más profundas sobre lo que piensan y sienten, argumenta.

4. Concentrarse en el cómo, no solo en el qué

Los equipos de producto suelen centrarse en lo que dicen los clientes. Pero, como ha demostrado el psiquiatra Irvin Yalom, la manera en que alguien habla a menudo revela más que lo que dice. Yalom entrenó a los terapeutas para enfocarse en el “proceso”, en matices como el tono, las vacilaciones, el ritmo y las revisiones repetidas. Cuando un paciente dice “estoy bien” con una voz plana o después de una pausa, su forma de hablar sugiere lo contrario: no está bien.

5. Construir ciclos de valor

Cuando las respuestas sean útiles y adecuadas, las personas revelarán un poco más. Pero cuando una idea no genera impacto o un momento de honestidad no produce ningún valor, se retraerán. Este ciclo es el motor psicológico del comercio confesional: la divulgación impulsa el valor, y el valor impulsa una mayor divulgación. Una respuesta bien fundamentada crea la primera vuelta del volante, y la repetición construye profundidad a través de datos más ricos.

El comercio confesional no tiene sentido para todos los productos. Las categorías transaccionales de bajo riesgo no se beneficiarán de una divulgación más profunda y no deberían solicitarla. Pero en dominios donde el contexto, la información sensible y la experiencia vivida moldean los resultados, la profundidad se convierte en una ventaja competitiva.

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.

E

l 87% de los gerentes reconoce la importancia de la IA responsable (RAI, por sus siglas en inglés), según una encuesta de MIT Technology Review de 2025. Sin embargo, solo el 15% de estos mismos gerentes se sienten bien preparados para adoptar prácticas de RAI. Poco más de la mitad (52%) de las empresas cuentan con un programa de IA responsable, según datos de BCG.

En la búsqueda incesante por la supremacía en IA, las empresas tienden a destinar recursos a mejoras en IA que impulsen sus resultados financieros en lugar de a esfuerzos de IA responsable, que a menudo se consideran costosos. Pero, ¿realmente existe esta dicotomía percibida entre responsabilidad ética y rentabilidad?

Diseñar productos de IA responsable en los que confíen los consumidores

Nuestra investigación revela que las características de la IA responsable sirven como potentes diferenciadores de producto que pueden generar retornos económicos significativos. Este hallazgo insta a las empresas a replantear la asignación de recursos en el diseño de productos, especialmente al enfrentar decisiones difíciles.

Considere la paradoja personalización-privacidad, un dilema común para los gerentes de producto. Los consumidores desean experiencias personalizadas, pero dudan en compartir los datos personales que dichas experiencias requieren. ¿Las empresas deberían priorizar la personalización o la privacidad del usuario? Nuestra investigación ofrece una respuesta clara para los productos financieros basados en IA: El valor de la privacidad supera significativamente los beneficios de la personalización.

Otro dilema clave surge entre la privacidad y las capacidades del modelo. Los gerentes a menudo asumen que deben elegir entre sólidas protecciones de privacidad y funciones avanzadas de IA. El instinto de buscar capacidades de última generación es comprensible, pero enfocarse exclusivamente en ellas es una visión miope. Los modelos que priorizan la privacidad, manteniendo un desempeño “suficientemente bueno”, podrían alinearse mejor con las expectativas de los usuarios e impulsar una mayor adopción.

Otra tensión que enfrentan los gerentes de productos de IA es el equilibrio entre auditabilidad y costos. La supervisión humana puede ser costosa, ya que requiere una inversión significativa en personal, procesos y herramientas. Sin embargo, la combinación de mejores resultados, refinamiento continuo del modelo y mayor adopción por parte de los usuarios genera retornos económicos que pueden justificar la inversión.

La clave para un mejor diseño de productos de IA radica en comprender cómo se desarrollan estas compensaciones en su contexto específico.

Integrar la IA responsable en la estrategia empresarial y de marca

Hacer que las decisiones de IA responsable sean visibles y creíbles es tan importante como diseñarlas bien. Comunicar valores y prácticas es un buen punto de partida, pero no es suficiente. Para establecer credibilidad, las empresas deben ir más allá de las declaraciones y demostrar compromisos tangibles. Una forma de hacerlo es mediante validaciones de terceros, como las certificaciones ISO de IA responsable.

Del mismo modo, la incorporación de la IA responsable en el posicionamiento general de la marca refuerza la credibilidad y la diferenciación.

Las empresas deben alinearse con socios, proveedores y colaboradores que también prioricen las prácticas éticas, a fin de establecer una imagen coherente y auténtica como organización responsable en toda la cadena de valor.

La IA responsable como enfoque de gestión de riesgos y cumplimiento

Cuando las prácticas de IA responsable se integran de manera proactiva y auténtica en el núcleo de un negocio, pueden incluso servir como un amortiguador contra posibles contratiempos. Los sistemas de IA no son infalibles: los errores y fallos son casi inevitables. Sin embargo, las empresas que incorporan principios de IA responsable en sus operaciones están mucho mejor posicionadas para soportar el escrutinio.

En definitiva, apostar por un futuro que valore no solo la innovación, sino también la ética detrás de ella, tiene menos que ver con el idealismo y más con comprender la dirección de las tendencias tecnológicas y sociales. Los líderes en IA responsable de hoy podrían convertirse en los líderes del mercado de mañana, cosechando los beneficios de su visión estratégica.

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.