A

medida que la IA se integra en las organizaciones, los altos directivos se enfrentan a cambios a gran escala y a una enorme presión. La IA ya no se limita a proyectos piloto, sino que está influyendo en las decisiones cotidianas, los flujos de trabajo y la prestación de servicios a los clientes.

A pesar del aumento en la inversión, muchas empresas están teniendo dificultades para transformar la experimentación en valor escalable. En una encuesta de 2026 realizada a líderes globales de IA y datos, el 93% identificó el factor humano como la principal barrera para la adopción. Aun así, los líderes siguen confiando en el potencial de la IA.

Para comprender estas dinámicas en la práctica, The Positive Group llevó a cabo un estudio cualitativo en profundidad con altos directivos de grandes organizaciones internacionales de sectores como servicios profesionales, servicios financieros, marcas de consumo, aviación y ciencias de la vida. A través de entrevistas y grupos focales con 35 CEOs, directores de recursos humanos, directores de innovación y líderes funcionales, exploraron cómo están viviendo los líderes la adopción de la IA en tiempo real: las conversaciones que definen el rumbo, cómo se pone a prueba la capacidad de adaptación y los comportamientos que sustentan el progreso.

Dónde están surgiendo las tensiones

A pesar del consenso en que la IA es una prioridad estratégica, los líderes señalaron que la presión va en aumento a medida que la disrupción constante redefine las expectativas en todos los niveles de la organización.

“El objetivo cambia todo el tiempo”.

“Una habilidad clave de liderazgo para el futuro es la capacidad de adaptación al cambio. A diferencia de las transformaciones episódicas del pasado, la IA trae una disrupción continua, lo que significa que debe desarrollarse esa capacidad de adaptación en toda la empresa”.

— Director de Recursos Humanos de una empresa tecnológica.

Varios líderes compararon la adopción de la IA con transformaciones a gran escala anteriores. A diferencia de las iniciativas episódicas (como la implementación de nuevos sistemas, reestructuras o cambios en el modelo operativo), la IA está provocando una disrupción continua sin un punto final claro.

“El objetivo cambia todo el tiempo. Sé lo que dijimos hace seis meses, pero en realidad el objetivo ya cambió. Eso es difícil, porque la credibilidad empieza a tambalearse cuando la dirección sigue cambiando, incluso si el cambio está justificado”.

— Alto directivo de una empresa de servicios profesionales.

Todos quieren tener éxito con la IA, pero nadie se pone de acuerdo sobre qué significa realmente “valor”.

Los líderes describieron la presión de las juntas directivas para demostrar un progreso visible, incluso cuando el problema subyacente no estaba claro.

“El mayor desafío no es la resistencia, sino el FOMO del liderazgo. Todos quieren una actualización sobre IA antes de entender realmente cuál es el problema”.

— Ejecutivo sénior de una firma global de retail.

Esta dinámica moldeó la forma en que se hablaba del valor dentro de las organizaciones.

“Muchas aplicaciones de IA no ofrecen un beneficio claro e inmediato. Una herramienta que ayude a redactar correos electrónicos más claros o que reduzca el tiempo dedicado a la conciliación de cuentas puede suponer un ahorro de entre 10 y 30 minutos al día. Eso no elimina un puesto, pero sí genera un efecto acumulativo. Y cuando el liderazgo se obsesiona demasiado con el retorno de inversión a corto plazo, la gente deja de proponer ideas por completo”.

— Vicepresidente sénior de una firma de servicios financieros.

Emoción, miedo y amenaza a la identidad profesional.

Varios líderes observaron que la ansiedad era especialmente fuerte entre profesionales experimentados cuya autoridad se había construido sobre una profunda experiencia y conocimiento especializado.

“Lo que suele interponerse no es la tecnología en sí. Gran parte del problema tiene que ver con personas preocupadas por lo que esto significa para su rol, diciendo cosas como: ‘Ese es mi trabajo. Puede automatizar esa parte, pero esto no’. Es más fácil seguir haciendo las cosas como siempre se han hecho y preguntarse: ‘¿Qué tiene de malo cómo lo hago ahora?’ El verdadero progreso ocurre cuando alguien que entiende la tecnología trabaja muy de cerca con alguien que entiende el servicio o al cliente, pero, constantemente, la urgencia del día a día hace que las personas vuelvan a lo que parece más inmediato”.

— Ejecutivo sénior de una firma global de consultoría.

Varios líderes describieron errores iniciales en los que el miedo o el escepticismo fueron tratados como algo que debía corregirse o superarse. En la práctica, esto muchas veces redujo el involucramiento en lugar de acelerarlo.

“Cuando la IA se introduce desde el miedo, alimenta la resistencia al cambio, disminuye el compromiso y limita la adopción. Pero cuando las personas están preparadas, son incluidas en el proceso y saben que sus voces forman parte del diseño, es mucho más probable que participen”.

— Líder sénior digital de la industria de aviación.

Lo que los líderes están haciendo al respecto

Los líderes describieron cómo han estado ajustando su enfoque en la práctica: cómo hablan sobre IA, cómo hacen visible su propio aprendizaje y cómo crean condiciones para avanzar mientras la incertidumbre sigue siendo alta.

Ampliar el involucramiento dentro de la organización.

En respuesta a expectativas fragmentadas y reacciones emocionales, muchos líderes señalaron que estaban prestando más atención a la forma en que hablaban sobre la IA. Varios enfatizaron la necesidad de eliminar el exceso de jerga técnica para que las personas puedan involucrarse sin miedo.

“La narrativa y la simplicidad son impulsores muy poderosos de adopción. Necesitamos explicar la IA en un lenguaje sencillo, tan simple que incluso mi hijo de seis años pudiera entenderlo, porque la accesibilidad genera curiosidad y confianza”.

— Líder sénior del sector consumo.

Definir nuevas normas en contextos de incertidumbre.

Varios líderes señalaron que la vacilación inicial frente a la IA tenía menos que ver con la capacidad tecnológica y más con la ambigüedad. La falta de claridad sobre normas relacionadas con riesgo y responsabilidad hacía que las personas esperaran señales de tranquilidad antes de involucrarse. Como respuesta, algunos líderes comenzaron a utilizar deliberadamente su propio comportamiento para establecer esas normas y hacer visible su proceso de aprendizaje.

“Me aseguré de usar las herramientas yo mismo de forma visible. Tomaba un documento de más de 100 páginas y mostraba cómo utilizaba ChatGPT para resumirlo. No porque fuera perfecto, sino para demostrar que no necesita ser técnico para obtener valor. Se trata de hacer las preguntas correctas. Eso cambió la conversación. La gente dejó de preguntar: ‘¿Esto está permitido?’ y comenzó a preguntar: ‘¿Esto podría ayudarme con las decisiones que estoy tomando?’”

— Vicepresidente sénior tecnológico del sector asegurador.

Construir confianza a través de la transparencia.

Un tema clave de discusión fue la respuesta emocional frente a la IA. El miedo por la seguridad laboral, la incomodidad frente a la incertidumbre y la preocupación por la identidad profesional eran comunes, junto con el entusiasmo. Lo importante, argumentaban los líderes, no era eliminar esas reacciones, sino la manera en que se gestionaban.

“En las colaboraciones, no puede simplemente decirle a la gente qué hacer. El cambio tiene que darse a través de influencia y ejemplo. Eso es complicado cuando las personas avanzan rápido, sienten presión por entregar resultados y, lógicamente, se muestran preocupadas por cómo podrían evolucionar sus roles”.

— Director de aprendizaje y desarrollo de una empresa de servicios profesionales.

A lo largo de las entrevistas, los líderes describieron los desafíos psicológicos y relacionales de integrar la IA: explicar qué está cambiando, aclarar qué es realmente importante y responder a reacciones mixtas dentro de sus organizaciones. En este entorno, el comportamiento del liderazgo se volvió más visible. La forma en que los líderes enmarcaban las prioridades y modelaban la adaptabilidad influía directamente en cómo los demás se involucraban. Aunque la inversión suele enfocarse en capacidades técnicas, los líderes impulsan la adopción a través de habilidades fundamentales: criterio, empatía y adaptabilidad. La IA puede estar transformando la forma en que se realiza el trabajo, pero los líderes todavía pueden moldear cómo se vive esa transformación. La IA no reduce la importancia del liderazgo; eleva el estándar de lo que significa liderar.

L

a capacidad de persuadir es quizá la habilidad más importante que le dará una ventaja competitiva en la economía del conocimiento: una era en la que las ideas importan más que nunca.

Piense en el papel de la persuasión en nuestra vida diaria:

— Los emprendedores persuaden a los inversionistas para que respalden sus startups.

— Los candidatos a un empleo persuaden a los reclutadores para que los contraten.

— Los políticos persuaden a las personas para que voten por ellos.

— Los líderes persuaden a los empleados para que sigan planes de acción específicos.

— Los CEOs persuaden a los analistas para que escriban reportes favorables sobre sus empresas.

— Los vendedores persuaden a los clientes para que elijan su producto en lugar del de un competidor.

En resumen, la persuasión ya no es una “habilidad blanda”, sino una habilidad fundamental que puede ayudarle a atraer inversionistas, vender productos, crear marcas, inspirar equipos y detonar movimientos.

Hace más de 2000 años, Aristóteles describió una fórmula sobre cómo dominar el arte de la persuasión en su obra Retórica. Muchos grandes comunicadores la han utilizado a lo largo de la historia para ofrecer algunos de los discursos y presentaciones más influyentes, y compartir sus ideas con el mundo.

Para convertirse en un maestro de la persuasión y vender con éxito sus propias ideas, intente utilizar estos cinco recursos retóricos (que Aristóteles identificó) en su próximo discurso o presentación:

1. Ethos o “carácter”

Para mí, el ethos representa la parte de un discurso o presentación en la que su audiencia obtiene una idea de su credibilidad. Aristóteles creía que, si las acciones de un orador no respaldaban sus palabras, perdería credibilidad y, en última instancia, debilitaría su argumento.

2. Logos o “razón”

Una vez que se establece el ethos, es momento de hacer un llamado lógico a la razón. ¿Por qué debería importarle su idea a su audiencia? ¿Cómo ayudará su idea a que sus oyentes generen ganancias? ¿Qué pasos deben seguir a continuación? Todos estos son llamados lógicos que le ayudarán a conseguir apoyo. Use datos, evidencias y hechos para construir un argumento racional.

3. Pathos o “emoción”

Aristóteles creía que la mejor manera de transmitir emociones de una persona a otra era mediante el recurso retórico de contar historias. Más de 2000 años después, los neurocientíficos han comprobado que su tesis era correcta. Los estudios han encontrado que las narrativas provocan una liberación de neuroquímicos en el cerebro, en particular la oxitocina, la “molécula moral” que conecta a las personas a un nivel emocional más profundo.

4. Metáfora

Aristóteles creía que la metáfora le da al lenguaje su belleza verbal. “Ser un maestro de la metáfora es, por mucho, lo más grandioso”, escribió. Cuando usted utiliza una metáfora o analogía para comparar una idea nueva con algo que es familiar para su audiencia, aclara su idea al transformar lo abstracto en algo concreto.

Quienes dominan la metáfora tienen la capacidad de convertir las palabras en imágenes que ayudan a otros a comprender mejor sus ideas y, lo que es más importante, a recordarlas y compartirlas.

5. Brevedad

La brevedad es un elemento crucial para lograr un discurso persuasivo. Un argumento, decía Aristóteles, debe expresarse “de la manera más compacta y con la menor cantidad de palabras posible”. También observó que la apertura de un discurso es la parte más importante. La lección aquí es: comience con su punto más fuerte.

E

l entusiasmo en torno a la IA ha dominado las conversaciones entre los altos ejecutivos. Sin embargo, la mayoría de las organizaciones siguen teniendo dificultades para obtener rendimientos significativos de sus iniciativas de IA.

Para explorar estos desafíos con mayor profundidad, realizamos una investigación exhaustiva, combinando una encuesta a más de 100 ejecutivos de la C-suite con más de dos docenas de entrevistas en diferentes sectores. La encuesta reveló que el 45% de los ejecutivos consideraban que el ROI de la adopción de IA estaba por debajo de las expectativas, mientras que solo el 10% reportó resultados que superaban las expectativas. También destacó que las barreras más significativas son organizacionales, más que técnicas. A partir de estos hallazgos, identificamos un conjunto de obstáculos interconectados que tienen su origen en tres áreas: personas, procesos y política interna.

En este artículo, exploramos estos obstáculos interconectados y analizamos cómo los están abordando las empresas.

Cultivar la preparación de las personas para la IA

Al pensar en la preparación de los empleados para la IA, nuestra investigación identificó tres problemas: incertidumbre, miedo al reemplazo y el problema de la autoimagen.

1. Incertidumbre: “¿Qué hará realmente esta IA?”

La encuesta global realizada por Slack en 2024 a más de 17,000 trabajadores de oficina reveló que el 61% de los empleados había dedicado menos de cinco horas a aprender sobre IA y el 30% no había recibido ninguna capacitación. Ante la falta de conocimientos, las opiniones pueden polarizarse. Algunos empleados descartan la IA por considerarla una simple moda pasajera, mientras que otros dan por sentado que puede hacerlo todo.

Para abordar estas preocupaciones, las empresas deben integrar la gobernanza de la IA en el trabajo diario y hacerla intuitiva para cada empleado. Una gobernanza eficaz no solo protege contra consecuencias no deseadas, sino que también ayuda a desmitificar la IA.

2. Miedo al reemplazo: “¿Conservaré mi empleo?”

Cuando los empleados sospechan que están entrenando un sistema que los reemplazará, cumplen con lo mínimo. Se muestran reticentes cuando se les pide “etiquetar datos” o “nutrir al modelo”. Esta “trampa del entrenamiento” ralentiza la adopción de IA en empresas de servicios, retail y manufactura.

Las empresas pueden contrarrestar esto compartiendo los beneficios: ofrecer regalías de capacitación por el trabajo relacionado con los datos y el etiquetado, bonos de productividad vinculados a las ganancias obtenidas, y garantías profesionales que canalicen las mejoras de eficiencia hacia la recapacitación en lugar de los despidos.

El miedo al reemplazo también disminuye cuando la IA impulsa el crecimiento y no la reducción. Si la tecnología expande el negocio, las mejoras en eficiencia se sienten como una oportunidad, no como una amenaza.

3. El problema de la autoimagen: “¿Daré la impresión de ser competente?”

El miedo a la pérdida de estatus puede ser incluso más poderoso que el miedo a perder el empleo. Hemos observado a ingenieros que utilizan discretamente herramientas de IA, pero lo ocultan para no parecer menos competentes. A muchos les preocupa que admitir que utilizan IA pueda hacerles parecer perezosos, incompetentes o incluso deshonestos.

Una empresa de servicios financieros enfrentó este estigma lanzando un programa de “Máster en IA” que acelera la carrera profesional de los empleados que demuestran habilidades excepcionales en IA, sin importar su antigüedad.

Procesos: Rediseñar los flujos de trabajo

La adopción de IA a menudo fracasa cuando las organizaciones la tratan como una simple capa adicional sobre los procesos existentes. La verdadera transformación exige un cambio sistemático en tres niveles: el flujo de trabajo individual (nodos), las conexiones interfuncionales (bordes) y la coordinación a nivel de sistema (redes).

1. El nivel nodo: Transformar cómo trabaja cada persona

El equipo legal de una firma de consultoría inicialmente usaba la IA como una herramienta de corrección automática, ejecutándola al final de las revisiones tradicionales. El enfoque producía beneficios insignificantes, ya que la IA solo tenía una precisión del 100% en el 40% de los tipos de errores. Al reestructurar el flujo de trabajo para que la IA realizara la primera revisión (verificando solo los tipos de errores que manejaba mejor) los abogados pudieron centrarse exclusivamente en los restantes. Este rediseño demostró cómo replantear los flujos de trabajo permite aprovechar el valor de la IA.

2. El nivel borde: Rediseñar las conexiones

El nivel borde se centra en cómo la mejora del juicio local y los datos pueden transformar los procesos interdepartamentales y los flujos de toma de decisiones.

En una empresa japonesa de cosméticos, las asesoras de belleza de las tiendas solían ofrecer retroalimentación anecdótica y poco fiable. La IA generativa les ayudó a analizar las conversaciones con los clientes y los patrones de tráfico, proporcionando información estructurada. La sede central, que ahora confiaba en los datos, creó un bucle bidireccional: las campañas podían lanzarse más rápido y ajustarse en tiempo real. La frontera entre las operaciones locales y la planificación central se convirtió en un circuito receptivo en lugar de un comando unidireccional.

3. El nivel red: Orquestar el impacto a nivel sistémico

Para generar un impacto empresarial real a partir de la IA, las empresas deben considerar el nivel red, es decir, cómo interactúan las mejoras a través de múltiples nodos y bordes dentro del sistema más amplio. Sin esta perspectiva, la IA puede simplemente trasladar los cuellos de botella de una parte de la red a otra, limitando las mejoras de rendimiento.

Abordar estos desafíos a nivel red requiere acciones coordinadas en todos los nodos y bordes. La adopción de IA debe sincronizarse entre nodos interconectados para que las mejoras de capacidad se igualen en toda la red.

Política interna: Navegar por el poder y la influencia

La IA influye en quién gana y quién pierde dentro de las organizaciones. La política resultante (sobre datos, jerarquía y responsabilidad) suele resultar más formidable que los problemas técnicos. La adopción exitosa de la IA a menudo requiere rediseñar las estructuras de gobernanza, ajustar los mecanismos de incentivos y, en algunos casos, depender del liderazgo sénior para negociar acuerdos y eliminar barreras. He aquí tres problemas específicos que observamos en nuestra investigación:

1. Acaparamiento de recursos

Las organizaciones descubren rápidamente que el apetito de la IA por los datos y el conocimiento choca de frente con los instintos competitivos profundamente arraigados.

Entre unidades de negocio, las divisiones más grandes y exitosas, que poseen modelos de IA sofisticados y conjuntos de datos valiosos, suelen ver pocos incentivos como para compartirlos con unidades más pequeñas que podrían beneficiarse más. Compartir puede sentirse como habilitar a posibles competidores internos mientras se diluyen sus propios indicadores de rendimiento.

DBS Bank enfrentó esta resistencia diseñando una estructura de incentivos que recompensaba a las unidades por convertir los conjuntos de datos propios en activos reutilizables en la plataforma central. Una métrica clave rastreaba el porcentaje de los conjuntos de datos específicos de cada unidad que se habían transformado en recursos compartibles. Este enfoque derriba los silos al motivar a las unidades (grandes y pequeñas) a contribuir con datos accesibles y de alta calidad.

2. Disrupción de la jerarquía

La IA altera la jerarquía tradicional construida sobre dos pilares: experiencia y número de empleados. El primero se debilita cuando los empleados junior, armados con IA, superan a aquellos con más experiencia, y sienten que hacen más por menos. Algunas empresas responden ampliando los modelos de competencias para incluir explícitamente el dominio de la IA y acortando las escalas de promoción. Cuando los ciclos de ascenso se reducen de cinco años a uno o dos, y se recompensa el dominio de nuevas herramientas, los empleados más jóvenes ven una recompensa inmediata por aprender.

El segundo pilar, el poder a través del número de empleados y el control sobre los recursos, genera una resistencia aún mayor. Los gerentes son los guardianes de la adopción de IA, pero su autoridad suele depender del tamaño de sus equipos. Cuando la eficiencia amenaza con reducir esos equipos, sus intereses personales pueden descarrilar silenciosamente iniciativas de IA que, de otro modo, serían valiosas.

3. Atribución de responsabilidad

La IA también altera el equilibrio tradicional entre culpa y discreción dentro de las organizaciones. Su precisión convierte la responsabilidad difusa en datos concretos, y eso puede generar nuevas fricciones políticas.

En Dingdong Maicai, una empresa china de comercio electrónico de comestibles, los sistemas de IA comenzaron a rastrear cada queja de los clientes hasta el departamento exacto responsable. Cuando un cliente recibía fruta en mal estado, los algoritmos podían determinar con precisión si el problema se debía a una mala compra por parte del departamento de aprovisionamiento, a un mal manejo durante el almacenamiento o a daños sufridos durante la entrega. Lo que antes era incertidumbre compartida se convirtió en una responsabilidad explícita.

Dingdong eventualmente cambió su sistema de atribución, permitiendo que el juicio final fuera humano. El objetivo no era rechazar la transparencia, sino amortiguarla con confianza. La adopción efectiva de IA requiere saber cuándo la precisión mejora el rendimiento y cuándo solo alimenta las políticas internas.

Al final, el desafío no es adoptar la IA, sino evolucionar junto con ella. La verdadera ventaja radica en construir una organización capaz de aprovechar plenamente el poder de la IA. Las empresas que la vean solo como una mejora técnica inevitablemente se quedarán atrás.

C

uando tiene una pregunta difícil de responder, ¿consulta a varios expertos para conocer sus opiniones individuales o le pide a un grupo que delibere conjuntamente? Los estudios sobre el concepto de inteligencia colectiva sugieren que, cuando se gestiona adecuadamente, preguntar a un grupo puede llevar a estimaciones más precisas que las de simplemente promediar las recomendaciones de asesores independientes.

Sin embargo, nuestra reciente investigación sugiere que, aunque la deliberación en grupo puede, efectivamente, aumentar la precisión de las previsiones, también puede desviarlo a la hora de tomar una decisión final. Descubrimos que, cuando se trata de decisiones de tipo “sí/no”, la deliberación en grupo reduce la probabilidad de tomar la decisión correcta. Todavía hay sabiduría en la multitud, pero sólo si se hace la pregunta correcta, de la manera correcta, con la gestión adecuada. Específicamente, hemos descubierto tres estrategias que pueden ayudar a los directivos a cosechar las ventajas de la deliberación en grupo:

— Enfocarse en discutir datos, no en predecir resultados: Durante el debate, los directivos deben animar a la gente a compartir información relevante, como experiencias personales, hechos y datos, pero no estimaciones numéricas ni recomendaciones de decisiones. Los directivos también deben esforzarse por alejar a los grupos de los sondeos de opinión y las predicciones públicas. La tendencia humana natural a que la interacción social vuelva más parecidas las opiniones de los participantes mejora las estimaciones cuantitativas de los grupos, pero a menudo acaba minando la precisión en una votación final.

— Separar el “¿cuánto?” del “¿sí o no?”: Una forma de aprovechar las ventajas de la inteligencia colectiva sin dejar de optimizar la precisión en la toma de decisiones es separar explícitamente la discusión sobre la previsión (¿cuánto?) de la decisión (¿sí o no?). Considere pedirle a un grupo que discuta una previsión cuantitativa, y luego tome la media de sus predicciones y deje la decisión final en manos de un directivo.

— Capturar datos sobre la dinámica del grupo: Tanto en nuestra investigación reciente como en nuestro trabajo previo, encontramos que las personas que son más obstinadas (es decir, las que tienden a hacer menores revisiones de sus estimaciones iniciales después de la discusión en grupo) también tienden a ser más precisas.

Al registrar la evolución de las opiniones de los miembros del grupo y los resultados finales del proyecto, con el tiempo podrá aprender a qué opiniones hay que darles mayor importancia. Además, es probable que descubra que diferentes personas son mejores para estimar diferentes tipos de cuestiones. Usted podría, por ejemplo, descubrir que algunas personas de su equipo son realmente buenas para estimar la velocidad del proyecto, mientras que otras son buenas para estimar sus costos. También puede descubrir que las personas más seguras de sí mismas de su equipo suelen acertar, o puede descubrir que suelen equivocarse. El seguimiento de este tipo de información puede ayudarlo a hacer las preguntas adecuadas a las personas correctas.

El mismo proceso de influencia social que lleva a los grupos a gravitar hacia previsiones más precisas también puede empujar a los grupos hacia respuestas menos precisas a preguntas de sí/no. Los directivos deben tener cuidado de limitar las discusiones de grupo a los hechos y no a los juicios, separar las previsiones de la toma de decisiones y mejorar continuamente sus procesos de toma de decisiones basándose en los datos previos.