D

e todas las posibles aplicaciones de la IA generativa, la propuesta de valor de utilizarla para escribir código fue quizá la más clara. Programar puede ser un proceso lento y requiere experiencia, lo que puede resultar costoso. Además, la promesa de que cualquier persona que pudiera describir su idea en texto plano podría crear aplicaciones, funcionalidades u otros productos que aporten valor significaba que la innovación ya no estaría limitada a quienes tienen las habilidades para ejecutar, sino que podría ser realizada por cualquiera que tuviera una idea.

A medida que las empresas han anunciado despidos masivos en el sector de la ingeniería (algunos de los cuales se han atribuido directamente a la eficiencia impulsada por la IA), parece que los ejecutivos están experimentando con la reducción de sus departamentos de ingeniería y el uso de bots de IA para compensar la diferencia.

Dado el estado actual de la IA, los líderes deberían considerar tres reglas para utilizar con éxito las herramientas de codificación con IA: pruebas y verificación rigurosas, protección de la infraestructura y tratar a la IA como un posible adversario.

1. Pruebas y verificación rigurosas

El código generado por IA exige una verificación más rigurosa, no menos.

— Automatice la verificación con seguridad de tipos. Los lenguajes de programación con seguridad de tipos (como C++, Rust o Scala) aplican reglas sobre cómo fluyen los datos a través de su sistema en tiempo de compilación, detectando categorías llenas de errores antes de que el código se ejecute. Es fundamental destacar que esta verificación no depende de un LLM que pueda alucinar, sino que se trata de una comprobación determinista realizada por un compilador.

— La revisión de código impulsada por IA puede ser sorprendentemente potente. Utilice un agente de IA dedicado a revisar las ediciones de código. Aunque los LLM pueden alucinar durante la revisión, el agente revisor puede detectar problemas que el agente de codificación pasó por alto.

— Las pruebas unitarias le dan a la IA dos oportunidades de hacerlo bien. Las pruebas unitarias son pruebas pequeñas y automatizadas que verifican que los componentes individuales del código funcionen correctamente de manera aislada. Incluso cuando son escritas por un LLM, las pruebas unitarias reducen los errores de forma significativa.

2. Protección de la infraestructura

Escribir un código seguro es solo la mitad de la batalla. La ingeniería de software también requiere proteger y reforzar la infraestructura subyacente sobre la cual se ejecuta su código. Al igual que las pruebas y la verificación rigurosas, este es otro aspecto de la ingeniería que puede pasarse por alto fácilmente.

— Separe los entornos de desarrollo y producción. Los equipos profesionales de software mantienen una separación estricta entre los entornos de desarrollo (donde los desarrolladores experimentan en sus máquinas locales) y los entornos de producción (lo que ven los usuarios). Cada entorno utiliza una base de datos independiente, y la IA solo tiene acceso al entorno de desarrollo.

— Evite los depósitos de almacenamiento públicos y otras configuraciones incorrectas comunes. La filtración de la aplicación de citas Tea (que expuso 72,000 imágenes sensibles) fue resultado de un depósito de almacenamiento de Firebase sin protección. Este error de principiante es el equivalente digital de cerrar la puerta principal, pero dejar la ventana abierta.

3. Tratar a la IA como un posible adversario

En esta sección, destacamos cómo la amenaza de la IA puede ir más allá del descuido y volverse adversarial.

— No asuma que la IA seguirá las reglas. En ocasiones, los agentes de codificación no permiten la lectura de archivos que puedan contener secretos (como .env). A pesar de estas salvaguardas, yo mismo he visto cómo la IA elude estas medidas de seguridad para leer de forma encubierta un archivo .env.

— Debemos tratar los entornos en los que opera la IA como potencialmente hostiles. Afortunadamente, la solución existe. Tecnologías como Docker y la virtualización han protegido durante mucho tiempo el alojamiento de cargas de trabajo potencialmente hostiles en servidores en la nube.

El camino a seguir

El futuro probablemente implique la colaboración entre ingenieros humanos y herramientas de IA, con los humanos aportando la visión arquitectónica, las pruebas rigurosas y la protección de la infraestructura, mientras que la IA acelera las tareas de implementación. Los líderes que reconocen esta realidad e invierten en procesos de ingeniería rigurosos construirán sistemas más resilientes, seguros y sostenibles que aquellos que compran la narrativa exagerada y confunden la velocidad de generación de código con una productividad real.

H

oy en día, las empresas de todo el mundo están generando cantidades de datos sin precedentes. Durante más de una década, solo empresas como Facebook, Apple, Amazon, Netflix y Google estaban en condiciones de aprovechar la recopilación de datos a gran escala. Para estas empresas, los datos son el producto principal e inherente a su propuesta de valor, por lo que invirtieron desde el principio en equipos de inteligencia artificial, servidores, infraestructura de red y más.

Más recientemente, las plataformas de computación en la nube, las mejoras en las herramientas de IA y la democratización de los modelos de aprendizaje automático han puesto las capacidades avanzadas de datos al alcance de más empresas. A finales de 2021, más de la mitad de todas las empresas habían adoptado la IA en al menos una función comercial, y más de una cuarta parte de todas las empresas reportaron que al menos el 5% de sus ganancias antes de intereses, impuestos, depreciación y amortización, o EBITDA, fueron atribuible a la adopción de IA.

Con las herramientas de IA, las empresas no tecnológicas pueden usar los datos que ya tienen para mejorar las ventas, la logística y las operaciones. He aquí cómo optimizar sus datos y usarlos estratégicamente para obtener ganancias a largo plazo y una ventaja competitiva.

1. Infórmese sobre el uso de datos. El primer paso es comprender qué datos ya tiene. Haga un inventario de sus procesos de negocio. Pregunte:

— ¿Qué registra y graba la empresa?

— ¿Qué no registramos y por qué no?

— ¿Qué información estamos tirando y que podríamos conservar?

Luego, observe las formas en que otras empresas almacenan y utilizan datos similares para mejorar sus funciones comerciales. Por ejemplo, ¿están creando algoritmos de aprendizaje automático para descubrir qué argumentos de venta funcionan mejor y capacitando a sus representantes en función de lo que encuentran? ¿Qué pasa con la cadena de suministro y los datos de logística? ¿Otras empresas utilizan esos datos para crear programas de optimización que enruten el inventario de manera más efectiva?

2. Copie y pegue. Estudie cómo las más recientes empresas tecnológicas obtienen valor de los datos. Estas empresas pueden ofrecer una hoja de ruta para el uso de datos al ayudar a los líderes a comprender cómo las personas que trabajan con datos como su actividad principal están monetizándolos. Considere involucrar a las empresas emergentes en etapa inicial con contratos de prueba de concepto o crear acuerdos de intercambio de datos con empresas emergentes en etapa inicial, para comprender cómo están innovando.

3. Compre, no construya. Siempre que sea posible, usted debería comprar, en lugar de construir, las herramientas que necesita para estructurar y administrar datos. Construir internamente estas herramientas ralentizará el desarrollo de su modelo de aprendizaje automático, y ese es el producto que le ahorrará dinero y lo ayudará a mantenerse por delante de la competencia.

4. Comience a construir un foso de datos. Recopilar grandes cantidades de datos dentro de las funciones comerciales normales puede ayudar a las empresas a comenzar a construir un foso de datos estructurales que pueden utilizar para actividades que generan un mayor valor. Eventualmente, este foso podría llegar a ser tan grande que sea demasiado ancho para que otras empresas lo crucen, por lo que los datos le proporcionarán una ventaja competitiva.

No tire sus datos. Recopile y almacene sus datos para que pueda usarlos para cumplir objetivos comerciales futuros o monetizarlos más adelante.

Las empresas deben aprender cómo usar estratégicamente estas nuevas y poderosas herramientas de IA y aprendizaje automático, y cómo pensar en los datos que las impulsan. Ahí es donde encontrará la ventaja competitiva de la inteligencia artificial.

A

umentar los ingresos cada año es un objetivo básico de la mayoría de las empresas. Pero a medida que la globalización retrocede, las empresas se enfrentan a vientos en contra del crecimiento: las poblaciones de muchos países envejecen (y compran menos), y la preocupación por la sostenibilidad lleva a más personas a analizar la necesidad de cada compra.

Por lo tanto, surge la pregunta: ¿Cómo pueden las empresas crear un valor duradero sin crecimiento?

La estabilidad tiene sus ventajas

Para encontrar respuestas, estudiamos más de 10,000 empresas de América del Norte, Europa y Japón durante los últimos 20 años. De esa cohorte, identificamos 172 empresas estables, definidas por un crecimiento constante y cercano a cero en los ingresos durante todo el período.

Estas empresas utilizaron cuatro estrategias distintas para lograr un rendimiento superior en ausencia de crecimiento:

1. De productos a servicios: Cómo ganar con menos activos

Muchas empresas que se enfrentan a perspectivas de bajo crecimiento reaccionan tratando de captar nuevos clientes (a menudo a un costo elevado), pero las más estables tienen más probabilidades de maximizar el valor a partir de las relaciones con clientes existentes. Lo hacen pasando de productos físicos con demanda decreciente a servicios y software con bajo nivel de activos. Este enfoque no solo profundiza los lazos con los clientes, sino que también mejora los márgenes y reduce la intensidad de activos.

2. Apueste por la calidad: Más valor con mejores márgenes

Las empresas maduras a menudo se sienten tentadas a depender de una imagen de marca sólida mientras reducen costos. Sin embargo, mejorar la calidad puede ser un camino más sostenible hacia la creación de valor, lo que permite a las empresas establecer una posición difícil de erosionar y mejorar sus márgenes brutos.

3. Integre y crezca desde dentro: Fortalezca su balance

Cuando el crecimiento de los ingresos es inalcanzable, la expansión del balance general ofrece otra alternativa para crear valor. Las empresas estables con un rendimiento superior a menudo amplían su base de activos mediante la integración vertical para controlar una mayor parte del conjunto de ganancias y aumentar su valor añadido. Este enfoque también les ayuda a construir una cartera de activos única que fortalece sus propuestas de valor diferenciadas y sus fosos competitivos.

4. Valor seguro: Dividendos constantes para sus inversionistas

En lugar de perseguir el crecimiento de forma agresiva, las empresas estables y maduras a menudo priorizan la devolución de efectivo a sus accionistas. Nuestro análisis identificó una estrategia alternativa para la creación de valor a través de los dividendos: proporcionar pagos consistentes y predecibles que hagan que sus acciones se comporten como bonos.

Este enfoque “tipo bono” mostró una volatilidad en los dividendos equivalente a una desviación estándar por debajo del promedio del mercado, y ofreció a los inversionistas mayor estabilidad y menor riesgo, lo que permitió a estas empresas superar al mercado a pesar del crecimiento limitado de los ingresos, márgenes o dividendos.

¿Y qué hay del talento y la innovación?

Adoptar estrategias de bajo crecimiento conlleva desafíos. Para empezar, el crecimiento suele significar oportunidades para la progresión profesional, el desarrollo de nuevas habilidades y otras formas de avance. Si una empresa no está creciendo activamente, estas oportunidades pueden ser más limitadas, lo que podría dificultar la atracción y retención de los mejores talentos.

Para contrarrestar esto, las empresas que implementan un enfoque de bajo crecimiento deben ser intencionales al diseñar su estrategia de talento. Algunas de las empresas de nuestro estudio aprovechan su estabilidad para invertir en iniciativas y asociaciones a largo plazo que les permitan atraer y desarrollar talento.

Más allá de los canales de talento, las empresas estables también pueden fomentar el compromiso a largo plazo al reinventar su propuesta de valor para los empleados, por ejemplo, al destacar beneficios como oportunidades de movilidad horizontal en lugar de vertical y al enfocarse en la seguridad laboral, habilitada por la menor volatilidad de una estrategia de bajo crecimiento.

Las estrategias y el éxito de las empresas estables con un rendimiento superior demuestran que el crecimiento no es el único camino hacia la creación de valor.

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.

D

urante más de una década, las empresas han dejado atrás las relaciones meramente transaccionales con el mundo académico, destinadas a crear y comercializar innovaciones tecnológicas, para pasar a colaboraciones mucho más profundas y duraderas, diseñadas para hacer avanzar mutuamente la investigación. Para ayudar a desarrollar el tipo de fuerza laboral que la sociedad necesita con urgencia, algunas empresas y escuelas están dando un paso más: colaboran para crear planes de estudio y espacios donde los estudiantes puedan aprender, innovar y trabajar con las tecnologías de vanguardia que encontrarán cuando se incorporen al mundo industrial.

A partir de mi participación en los esfuerzos de mi institución (la Universidad de Boston) para crear este tipo de centros durante los últimos tres años, y de mi análisis de las prácticas de otras escuelas que emplean un modelo similar, he identificado los siguientes cinco principios que las empresas y las universidades pueden aplicar para crear relaciones de colaboración exitosas.

1. Crear juntas asesoras que incluyan una amplia gama de empresas.

Una sola empresa no debería desempeñar un papel preponderante en la configuración del plan de estudios. De lo contrario, se corre el riesgo de preparar a los estudiantes solo para un sector muy reducido del mundo laboral, lo que generaría resentimiento entre el profesorado y, posiblemente, entre los estudiantes en el futuro.

Por el contrario, un consejo compuesto por representantes de diferentes empresas genera un consenso más amplio sobre qué tecnologías y habilidades son necesarias para preparar a los estudiantes para el trabajo en el mundo real. Con ese fin, una junta asesora conformada por personas de nivel sénior, de entre seis y diez empresas, debería reunirse de tres a cuatro veces al año para asesorar al director de la facultad y a los líderes curriculares sobre qué tecnologías y habilidades se necesitan para preparar a los graduados de la mejor manera posible.

2. Crear una visión atractiva para que las empresas participen.

La propuesta de valor para las empresas debe ir más allá de la oportunidad de colaborar en la creación del plan de estudio y en la formación de la futura fuerza laboral. Debe incluir la posibilidad de ofrecerles acceso directo a una cartera de posibles contrataciones y la exposición regular a investigaciones e innovaciones emergentes, que puedan elegir de manera individual para los esfuerzos de investigación patrocinados por la empresa a través de un proceso separado.

Cada miembro debe ser capaz de proponer proyectos a los estudiantes para ser ejecutados en estas instalaciones e identificar a los estudiantes que trabajarán como pasantes de verano en la empresa. Las relaciones con sus pasantes deben mantenerse durante el año académico, periodo durante el cual los representantes de la empresa deben asesorarlos en los proyectos posteriores (como proyectos de titulación o de maestría) que pueden llevarse a cabo en las instalaciones prácticas de la universidad.

3. Abordar la propiedad intelectual desde el principio.

Bajo el antiguo modelo transaccional, las empresas solían buscar investigaciones emergentes en los laboratorios de las facultades que pudieran desarrollarse como productos. Sin embargo, a menudo surgían problemas relacionados con los derechos de propiedad intelectual durante las discusiones sobre transferencia de tecnología.

La Universidad de Boston evita este problema en las interacciones entre la industria y los estudiantes al acordar desde el principio que la empresa es propietaria de cualquier propiedad intelectual que pueda surgir, siempre y cuando ninguno de sus profesores haya participado en su desarrollo.

4. Contratar a directores de instalaciones con experiencia corporativa.

Deben saber cómo funcionan las empresas, qué habilidades valoran y cómo dirigir proyectos tecnológicos hasta su finalización.

5. Priorizar el equipamiento y las experiencias.

La mayoría de las principales universidades de investigación promueven la investigación básica y aplicada en etapas tempranas, pero también asumen su misión educativa de proveer una fuerza laboral valiosa para la sociedad. En campos STEM, esto significa que las universidades necesitan centros tecnológicos orientados a la práctica.

El modelo que propongo permite a los estudiantes poner en práctica la teoría al convertir sus ideas en productos que algún día podrían beneficiar a la sociedad, y todo ello con la guía explícita de las empresas.

L

as ventas son un arte en el que los resultados importan, por lo que la mayoría de los consejos para desempeñarse bien en este rol se centran en el resultado deseado: cerrar la venta. Sin embargo, un cierre es el resultado de acciones y decisiones que ocurren antes en el proceso, a medida que los gerentes de ventas y los representantes deciden cómo asignar su tiempo, dinero y esfuerzo.

Los equipos de ventas deben determinar cuánto esfuerzo dedicar al descubrimiento de clientes, la calificación de prospectos y la gestión del desempeño.

Este artículo analiza lo que hizo una empresa para mejorar la manera en que asigna sus esfuerzos en estas áreas y cómo esta práctica podría impulsar el crecimiento rentable en muchas otras empresas.

Cómo mejoró su estrategia la empresa

Framework IT es un proveedor de servicios administrados (MSP, por sus siglas en inglés) de primera calidad, que ofrece servicios en la nube, ciberseguridad, soporte técnico y gestión de proyectos informáticos. La empresa opera en un mercado caracterizado por la rápida evolución de la tecnología y una gran cantidad de competidores con una amplia gama de calidad y precios. (Aclaración: Uno de nosotros, Scott, prestó servicios de consultoría a Framework entre 2020 y 2022).

Framework no calificaba adecuadamente a sus prospectos, lo que le llevaba a dedicar mucho tiempo (improductivo) a la elaboración de múltiples propuestas y a problemas de previsión, ya que los altibajos en las ventas complicaban la contratación, incorporación y prestación de servicios postventa. Además, para cerrar acuerdos, Framework dependía cada vez más de sus vendedores más experimentados y costosos, lo que limitaba el tiempo de prospección y provocaba frustración y rotación entre los representantes nuevos y experimentados.

Esto fue lo que hizo la empresa para abordar estos problemas:

1. Recopilar y analizar los datos de los clientes.

Framework examinó qué tipos de clientes eran los más y menos rentables, cuáles eran más o menos propensos a renovar contratos, qué factores demográficos e indicadores aumentaban la probabilidad de cerrar una venta, y cuáles eran las señales de alerta que indicaban entornos tecnológicos que Framework no podía gestionar de manera eficiente o rentable.

2. Comprender quién compra y por qué.

En la mayoría de las empresas, una compra representa diferentes objetivos funcionales, intereses y riesgos. Framework identificó a las partes interesadas clave involucradas en las decisiones de compra dentro de sus clientes ideales. Luego, desarrolló perfiles detallados para las más relevantes, desde el CEO y el CFO hasta el gerente de operaciones y el líder de TI.

3. Clarificar y promover los diferenciadores.

Los diferenciadores de Framework involucraban varios factores, pero especialmente una propuesta de valor basada en incentivos compartidos y un modelo de precios. Por ejemplo, a lo largo de los años, Framework había identificado las mejores prácticas comprobadas que evitaban el tiempo de inactividad y mejoraban las operaciones de TI en sus clientes, reduciendo a la vez su propio costo de servicio. Estas prácticas aumentaban la eficiencia informática de los clientes y la productividad del personal, al mismo tiempo que disminuían el costo total de los servicios administrados.

Para comunicar mejor estos beneficios, Framework desarrolló una evaluación tecnológica como parte de su proceso de ventas. Utilizó esta herramienta para incluir en sus propuestas una hoja de ruta personalizada que mostraba las brechas en las mejores prácticas y brindaba recomendaciones secuenciales sobre cómo cerrarlas. Luego, Framework ofreció precios mensuales reducidos a aquellos clientes que adoptaran estas prácticas.

4. Comunicar el perfil del cliente ideal y las implicaciones.

Framework incorporó su análisis de descubrimiento en un manual de ventas para capacitar e integrar a los nuevos empleados, estableció pautas para las reuniones de calificación, diseñó una cadencia de divulgación y elaboró mensajes para la prospección. Todo esto se alojó en un sitio de SharePoint con plantillas, preguntas frecuentes sobre los servicios, datos sobre acuerdos, estudios de caso y otros recursos para difundir las mejores prácticas y reducir al mínimo la atracción de prospectos no calificados.

Para el equipo de servicio de Framework, la captación de prospectos mejor calificados que adoptaran las mejores prácticas optimizó la prestación continua de los servicios administrados y redujo los costos de operación.

D

ado que la IA generativa tiene la capacidad de mejorar las habilidades en una amplia variedad de categorías de trabajo del conocimiento, surge una pregunta clave: ¿hace que los trabajadores remotos nacionales y extranjeros sean más intercambiables? ¿Podrían, por ejemplo, las empresas estadounidenses sustituir a los trabajadores locales por talentos mejorados con la IA en regiones con menores costos laborales?

Para investigar esto, realizamos una serie de experimentos comparando el rendimiento de trabajadores de Estados Unidos y Sudáfrica en diversas tareas (con y sin ayuda de IA generativa). Elegimos Sudáfrica debido a que cuenta con la infraestructura avanzada necesaria para el trabajo remoto y una población bien educada y angloparlante. Los resultados mostraron que los trabajadores remotos extranjeros que utilizan IA generativa son más intercambiables con los trabajadores nacionales que aquellos que no la utilizan.

Estudio 1: Evaluación de la calidad y productividad del trabajo remoto

Nuestro primer estudio involucró a 200 participantes con educación universitaria, provenientes por igual de Estados Unidos y Sudáfrica, con la mitad de cada grupo utilizando IA generativa para completar tres tareas diferentes:

— La tarea 1 se centró en la comunicación y la sensibilidad cultural, requiriendo que los participantes redactaran un correo electrónico para un cliente potencial.

— La tarea 2 puso a prueba la creatividad, pidiendo a los participantes que crearan un concepto para un anuncio de 60 segundos para una marca global.

— La tarea 3 consistió en calcular las tasas de crecimiento trimestrales a partir de los datos de ventas y analizar las tendencias.

(Estas tareas fueron previamente probadas con un grupo más pequeño y ajustadas en función de la retroalimentación de los participantes).

Evaluamos el rendimiento de los participantes utilizando una rúbrica que medía el profesionalismo, la sensibilidad cultural, la precisión técnica y la velocidad de respuesta. Para analizar los resultados se utilizaron técnicas de Procesamiento del Lenguaje Natural (PLN) y evaluadores humanos.

Resultados e implicaciones

Los hallazgos mostraron que la IA generativa mejoró el rendimiento de los participantes, tanto de Estados Unidos como de Sudáfrica, evidenciando un efecto claro de mejora en todos los tipos de tareas.

La IA generativa redujo el tiempo de finalización de las tareas en un promedio de más del 40% en todos los participantes. No hubo una diferencia significativa en el tiempo ahorrado entre los trabajadores de Estados Unidos y Sudáfrica. Por lo tanto, la IA generativa proporcionó un aumento tanto en la productividad como en la calidad del trabajo en un tiempo significativamente menor.

Estudio 2: Evaluación de la sustituibilidad del trabajo remoto

En un segundo estudio, examinamos directamente la sustituibilidad de los resultados de los trabajadores de Estados Unidos y Sudáfrica desde la perspectiva de evaluadores estadounidenses con educación universitaria. Es decir, buscamos evaluar si estos evaluadores podían distinguir la diferencia entre el resultado de los trabajadores remotos de Estados Unidos y Sudáfrica de nuestro primer experimento.

Los resultados mostraron que los evaluadores no pudieron identificar si el contenido generado con IA provenía de trabajadores remotos de Estados Unidos o Sudáfrica.

Consideramos que esto es una evidencia directa de que la IA generativa hace que los trabajadores remotos extranjeros sean más intercambiables con los trabajadores nacionales y, por ende, más atractivos debido a su costo significativamente menor.

Para evaluar más a fondo la calidad percibida, les pedimos a los evaluadores que calificaran la calidad de cada respuesta en una escala del 1 al 5. Las respuestas asistidas por IA generativa no solo se calificaron como de mayor calidad, sino que también mostraron una menor variabilidad, es decir, la calidad de las respuestas fue más consistente después del uso de IA generativa.

Implicaciones futuras

Esta investigación sugiere que la IA generativa podría marcar un cambio significativo en los patrones de contratación de trabajo remoto. A medida que la IA generativa continúa cerrando las brechas en la calidad de los resultados del trabajo del conocimiento, la ventaja de costos de contratar trabajadores extranjeros se vuelve cada vez más atractiva. El efecto de mejora de la IA generativa aumenta la productividad de todos los trabajadores y, como resultado, fortalece la ventaja competitiva de los trabajadores remotos extranjeros, impulsando a las empresas a ampliar su búsqueda de talento a nivel mundial.

Las organizaciones deben prepararse para la transformación del trabajo remoto impulsada por la IA generativa considerando las siguientes estrategias:

1. Ampliar las reservas de talento.

Los hallazgos de esta investigación demuestran claramente el potencial que tienen las organizaciones para aprovechar la IA generativa y acceder a una reserva de talento global mucho más amplia. Sin embargo, la implementación de este cambio requiere considerar diversos factores:

— Identificación de los puestos adecuados: Si bien la IA generativa puede mejorar la productividad en diversas tareas, es esencial identificar los puestos en los que realmente puede cerrar las brechas geográficas y culturales. Las organizaciones deben realizar evaluaciones exhaustivas de sus necesidades de personal y priorizar los puestos en los que la IA generativa pueda mejorar el desempeño de los trabajadores remotos extranjeros hasta alcanzar los estándares requeridos.

— Replanteamiento de las estrategias de reclutamiento: Las organizaciones deben desarrollar canales sólidos de contratación global, aprovechando las plataformas en línea, las asociaciones internacionales y la experiencia en reclutamiento intercultural. Además, es fundamental adaptar los procesos de selección para dar cabida a diversos orígenes culturales y habilidades lingüísticas.

— Consideraciones legales y éticas: La contratación transfronteriza introduce complejidades legales y éticas relacionadas con leyes laborales, privacidad de datos, impuestos y derechos de propiedad intelectual. Las organizaciones deben garantizar el cumplimiento de las regulaciones pertinentes tanto en su país de origen como en los países donde contratan trabajadores remotos.

— Fomento de la inclusión y la colaboración: Puede ser necesario invertir en herramientas y plataformas de comunicación que superen las brechas geográficas y culturales. Promover la comprensión y la sensibilidad interculturales a través de programas de capacitación y actividades de formación de equipos es importante para la integración exitosa de una fuerza laboral global.

2. Empoderar a los trabajadores con ia generativa.

Las organizaciones desempeñan un papel crucial para facilitar la adopción y el uso efectivo de las herramientas de IA generativa por parte de sus trabajadores, tanto locales como remotos, para mejorar su desempeño y productividad. Esto implica un enfoque integral que abarque orientación personalizada, recursos adaptados y apoyo continuo.

Orientación personalizada y apoyo:

— Identificación de las necesidades individuales: Las organizaciones deben evaluar las necesidades individuales de los empleados y las brechas de habilidades para brindar orientación personalizada sobre la mejor manera de utilizar las herramientas de IA generativa en sus funciones. Esto puede implicar la identificación de aplicaciones de IA específicas relevantes para sus tareas o proporcionar recomendaciones personalizadas para aprovechar las capacidades de la IA.

— Capacitación y formación: Se pueden utilizar programas integrales de capacitación y formación para garantizar que los empleados comprendan las funcionalidades y los beneficios potenciales de las herramientas de IA generativa, incluyendo instrucciones claras, tutoriales y ejercicios prácticos para facilitar la adopción.

— Mentoría y apoyo: Establecer sistemas de mentoría o apoyo puede ayudar a los empleados a superar los desafíos y maximizar los beneficios de la IA generativa en sus flujos de trabajo. Esto podría implicar emparejar a usuarios experimentados con aquellos que son nuevos en la tecnología, o proporcionar acceso a canales de soporte dedicados para la resolución de problemas y orientación.

Recursos y herramientas personalizadas:

— Selección de herramientas de IA relevantes: Las organizaciones deben elegir cuidadosamente herramientas de IA generativa alineadas con sus objetivos y necesidades de los empleados, garantizando que cuenten con soluciones eficaces para sus tareas y responsabilidades específicas.

— Plataformas de intercambio de conocimientos: La creación de plataformas o comunidades internas de intercambio de conocimientos puede facilitar el intercambio de las mejores prácticas sobre el uso eficaz de las herramientas de IA generativa. Estas plataformas pueden fomentar un entorno de aprendizaje colaborativo donde los empleados pueden beneficiarse de las experiencias de los demás y optimizar su uso de la IA.

La integración estratégica de la IA generativa en las estrategias de desarrollo del talento puede ayudar a las organizaciones a obtener beneficios significativos, incluido un mayor acceso al talento global, una mayor productividad de los trabajadores y una fuerza laboral más adaptable y resiliente. Sin embargo, es esencial considerar las implicaciones éticas, legales y prácticas para una implementación exitosa. A medida que la IA generativa siga evolucionando, las organizaciones que adapten proactivamente sus estrategias de talento estarán mejor posicionadas para prosperar en un panorama global cada vez más competitivo.

¿

Qué pasaría si pudiéramos formular una propuesta de valor para la diversidad que enfatice el retorno de la inversión para la organización, beneficie a cada individuo y equipo, y esté fundamentada en la ciencia y respaldada por investigaciones empíricas? Afortunadamente, podemos hacerlo.

La diversidad es complejidad.

Primero, reformulemos el concepto de diversidad como “complejidad”. (No complicada, aclaro, sino compleja).

Según los psicólogos organizacionales, la diversidad puede entenderse como una combinación de rasgos inherentes y adquiridos. Los rasgos inherentes están fuera de nuestro control, (incluyen, por ejemplo, el lugar de nacimiento, la lengua materna, el hecho de ser diestro o zurdo, o la situación económica durante la primera infancia). Por otro lado, los rasgos adquiridos pueden variar a lo largo de nuestra vida, (como los idiomas que aprendemos, los roles que tenemos como cuidadores de adultos mayores o niños, o nuestra situación económica actual). Tanto los rasgos inherentes como los adquiridos tienen una poderosa influencia en la forma en que usted se entiende a sí mismo, a los demás y al mundo que lo rodea.

Al expandir nuestra definición de diversidad más allá de categorías estrechas y legalmente protegidas, como la raza y el género, a una comprensión más integral de los rasgos inherentes y adquiridos, desbloqueamos el poder de una nueva idea: Cada persona es una red de complejidad debido a sus rasgos inherentes y adquiridos. Esta complejidad influye considerablemente en la forma en que cada uno de nosotros se percibe a sí mismo, se relaciona con los demás y entiende el mundo. Si buscamos una mezcla verdaderamente diversa de empleados en nuestras organizaciones y equipos, aumentaremos la complejidad en estos últimos.

Pero, ¿por qué es útil la complejidad?

Complejidad = Alto desempeño.

La mayoría de las organizaciones existen para crear valor mediante el desarrollo de productos, procesos, ideas, personas o soluciones. Cuando las personas trabajan en equipos colaborativos para impulsar los resultados de una organización, se espera que produzcan soluciones innovadoras ante problemas complejos.

La complejidad actúa como una fricción y, en la ciencia de la innovación, la fricción puede ser una fuerza productiva. Los equipos complejos, cargados de rasgos diversos inherentes y adquiridos, tienen fricciones incorporadas que contribuyen a obtener mejores resultados. La diversidad de estos equipos puede ser una ventaja, ya que ofrece muchas oportunidades para cuestionar suposiciones, pensar de manera diferente y aprovechar los puntos de vista atípicos.

Por el contrario, los equipos más homogéneos tienen menos fricciones que los impulsen a innovar. Estos equipos corren el riesgo de caer en el pensamiento grupal, perjudicando la innovación. Los productos, ideas o servicios que crean carecen de la fuerza productiva de la fricción, y tienen un mayor riesgo de no cumplir con las expectativas.

La complejidad es un ingrediente clave para los líderes organizacionales que buscan optimizar el desempeño de sus equipos. Al formar equipos complejos, se aprovecha el poder de la fricción al servicio de los objetivos y resultados competitivos de la organización. Promover activamente la diversidad, más allá de la raza y el género, es una forma poderosa de acelerar la incorporación de las diferencias inherentes y adquiridas en nuestros equipos, sentando las bases para equipos que sobresalgan de manera constante.

La complejidad ofrece una forma clara de vincular la inversión en diversidad con la innovación y los equipos de alto rendimiento. Esta propuesta de valor permite a los líderes generar impulso para el cambio y lograr que cada miembro del equipo vea la diversidad como la inversión ganadora que es.