L

as organizaciones no pierden a grandes líderes porque sean difíciles. Los pierden porque interpretan erróneamente qué es lo que los hace parecer difíciles. A esto lo llamo la “trampa de la evaluación”.

En las revisiones de talento, los líderes suelen hacer preguntas conocidas: “¿Por qué este líder pasó de tener un desempeño sólido a enfrentar dificultades?” o “¿Qué necesita cambiar?”. Las respuestas casi siempre terminan en el mismo punto: un comportamiento que necesita corregirse.

El problema no es la falta de datos, sino cómo se interpretan esos datos. Las organizaciones tienden a enfocarse en lo más visible (el comportamiento), mientras que el contexto que moldea ese comportamiento es mucho más difícil de identificar. Esto refleja un sesgo bien documentado: tendemos a atribuir demasiado los resultados a las personas y a restarle peso al entorno que las rodea. Los modelos de competencias refuerzan este patrón. Traducen dinámicas complejas de liderazgo a un lenguaje conductual, lo cual resulta útil, pero incompleto. Con el tiempo, el comportamiento se convierte en el lente predeterminado para toda evaluación. Si hay fricción, la suposición es simple: el líder es el problema.

Y cuando esa suposición es incorrecta, las consecuencias son significativas. Las organizaciones no solo malinterpretan a los líderes, sino que también toman decisiones erróneas sobre ascensos, desarrollo y retención. Los líderes con más probabilidades de caer en esta trampa no son quienes tienen un bajo desempeño. A menudo son justamente aquellos de quienes más depende la organización: personas altamente productivas, muy capaces y frecuentemente descritas como “brillantes, pero…”.

Las cuatro fuentes de fricción en el liderazgo

Cuando un líder genera fricción, las organizaciones suelen llegar automáticamente a una sola conclusión: el líder necesita cambiar. Sin embargo, esa fricción rara vez proviene de una sola fuente. Generalmente está moldeada por una combinación de factores, aunque en la mayoría de los casos existe uno predominante. El desafío es que, en apariencia, estas fuentes pueden verse casi idénticas. Un mismo comportamiento puede ser señal de problemas subyacentes completamente distintos dependiendo del contexto.

Si no distinguen lo que es fundamental, las organizaciones corren el riesgo de abordar los síntomas en lugar de las causas, y de reforzar precisamente la fricción que intentan resolver.

1. Una verdadera carencia de habilidades

A veces, la explicación más simple es la correcta: el líder tiene una brecha de habilidades. Puede tener dificultades para priorizar, necesitar comunicarse con mayor claridad o delegar de manera consistente.

2. Reputación histórica

A esto lo llamo “deriva organizacional”, es decir, cuando el sistema se apoya en narrativas desactualizadas y no en evidencia actual. Con el tiempo, las etiquetas se endurecen, incluso cuando el comportamiento evoluciona. Los involucrados dependen de la memoria, no de la evidencia, y quienes tienen una interacción limitada suelen terminar teniendo una influencia desproporcionada.

3. Sobrevaloración de la identidad

Existe un patrón predecible: una fortaleza se convierte en hábito, esa fortaleza es recompensada, el hábito se convierte en identidad y, después, esa identidad termina convirtiéndose en una limitante.

4. El sistema como obstáculo

La organización dice querer una cosa, pero recompensa otra. A un líder se le pide pensar estratégicamente, pero se le evalúa por resultados a corto plazo. Se le pide delegar, pero no cuenta con un equipo lo suficientemente capaz.

¿Cómo diagnosticar el problema correcto?

Cuando el “comportamiento” de un líder comienza a verse como problemático, las organizaciones normalmente parten de la pregunta equivocada: “¿Qué comportamiento necesita cambiar este líder?”. Esto asume que el diagnóstico ya es correcto. He aquí cómo identificar qué es lo que realmente está causando la fricción.

1. Céntrese en ejemplos específicos.

2. Verifique qué tan reciente es la información.

3. Distinga entre una brecha de habilidades y una sobrevaloración.

4. Reinicie la conversación con el líder.

E

stas son algunas formas en las que los empleados molestos actúan contra sus empleadores: chismear, trabajar más lento, responder de mal modo, dañar productos de la empresa.

Entonces, ¿vale la pena que un jefe provoque posibles represalias con una evaluación de desempeño negativa? ¿Qué ocurre cuando una evaluación negativa conlleva una reducción salarial? En una era en la que existen foros como Glassdoor, donde los trabajadores califican a las empresas, muchos gerentes optan por minimizar los riesgos: otorgan evaluaciones promedio a la mayoría de los empleados y, con frecuencia, son reacios a señalar a aquellos que tienen un bajo rendimiento.

No se trata de un fallo de gestión. De hecho, los supervisores que exageran las valoraciones de los empleados con un desempeño deficiente lo hacen porque prevén una reacción negativa, por lo que toman la decisión consciente (o inconsciente) de evitar el drama y los costos asociados.

“¿Qué tan costosas son las represalias para su empresa?”, pregunta Henrique Castro-Pires, profesor adjunto de la Harvard Business School. “Si piensa mantener a los mismos empleados durante mucho tiempo, es muy importante contar con un equipo sano, y tener un entorno disfuncional puede resultar muy costoso”.

En el artículo “Management, Performance Reviews, and Retaliation”, publicado en la edición de febrero de Management Science, el modelo teórico de Castro-Pires examina el costo de la resistencia de los empleados, desde la renuncia silenciosa hasta el sabotaje abierto. En un momento en el que los sitios web de evaluación laboral amplifican el descontento, la investigación destaca los delicados equilibrios que enfrentan los gerentes entre las evaluaciones honestas y la armonía en el lugar de trabajo.

“Nuestros hallazgos sugieren que una empresa podría estar mejor si no penaliza los resultados negativos, incluso cuando sería posible hacerlo”, señala el artículo.

El sabotaje golpea a una fábrica de chocolate

Castro-Pires decidió estudiar las represalias en el lugar de trabajo después de que un amigo suyo, propietario de una fábrica de dulces en Brasil, le contara una historia difícil de asimilar. Indignado por una evaluación de rendimiento que había supuesto una reducción salarial, el trabajador vertió etanol en un tanque de chocolate derretido.

El amigo de Castro-Pires notó que algo andaba mal y tuvo que desechar toda la producción de un día. “Fue un costo enorme”, dice Castro-Pires.

Es difícil cuantificar las represalias porque muchos empleados no las reconocen y la mayoría de las empresas no admiten que se producen, explica. En el caso del chocolate, los directivos revisaron las cámaras de vigilancia y despidieron al empleado, pero la mayoría de los comportamientos son más sutiles.

“Hay muchas pequeñas cosas que puede cambiar en su trabajo diario que harían la vida de su jefe, o de la empresa en general, un poco más difícil”, afirma Castro-Pires.

Un estudio de 2022 que analizó un call center en Estados Unidos reveló que los trabajadores tomaban represalias ante una reducción salarial otorgando reembolsos elevados a los clientes, lo que provocó un aumento de 5.8 puntos porcentuales en las devoluciones y una reducción de ventas netas en aproximadamente 11 dólares por hora. Un libro de 1972 titulado “Working” describe cómo un trabajador siderúrgico descontento ocasionalmente «hacía una abolladura en [el acero]».

Por qué las evaluaciones no son suficientes

Un jefe no puede ver todo lo que hace un empleado, creando lo que los especialistas en ética llaman “riesgo moral”, es decir, una dinámica fácil de explotar. Muchas empresas utilizan recompensas (como aumentos o bonos) para incentivar a los trabajadores a cumplir objetivos (como metas de ventas u horas trabajadas), y algunas reducen el salario cuando el desempeño no alcanza las expectativas.

Sin embargo, cuando el rendimiento es difícil de medir, muchas empresas dependen de evaluaciones de desempeño verbales o escritas, que pueden ser propensas a sesgos o injusticias, explica Castro-Pires. Los críticos señalan la “indulgencia” (es decir, el hecho de inflar las calificaciones de los empleados con bajo rendimiento pese a un trabajo deficiente) y la “centralidad” (o la incapacidad de reflejar las variaciones reales en el desempeño de los empleados).

“No muestran diferencias sutiles en el rendimiento”, dice Castro-Pires. “Pero puede que eso sea lo mejor, incluso desde la perspectiva de la propia empresa”.

¿Cuánta represalia pueden tolerar los jefes?

Castro-Pires diseñó un modelo teórico para demostrar que esas “fallas” (la indulgencia y la centralidad) en realidad son características funcionales. Estas tendencias implican que los gerentes saben que las críticas severas pueden dar lugar a represalias, por lo que deciden que lo mejor para la empresa es evitar dar evaluaciones negativas.

Su modelo muestra que los empleados toman represalias cuando su salario es inferior al esperado, pero antes de que el gerente comparta una evaluación de desempeño negativa con la empresa. En ese punto, añadir comentarios negativos solo podría empeorar la reacción del trabajador.

“La idea central es que el responsable se enfrenta a una disyuntiva: utilizar más información [negativa] [sobre el empleado] y sancionar un bajo rendimiento, pero soportar las pérdidas derivadas de las represalias; o proporcionar incentivos únicamente tras obtener buenos resultados, pero desperdiciando información”, explica la investigación.

Castro-Pires señala que los gerentes pueden adoptar dos enfoques:

1. Usar “castigos e incentivos”. Vincular el salario al desempeño (recompensar con bonos y penalizar con reducciones salariales) ayuda a las empresas a medir el esfuerzo con mayor precisión, pero los gerentes deben esperar cierto nivel de represalia cuando sancionan a los empleados. Este enfoque funciona mejor para asignaciones a corto plazo, señala.

2. Usar solo los “incentivos”. Los gerentes pueden recompensar un buen resultado y pasar por alto un rendimiento deficiente, sabiendo que podrían surgir represalias. Sin embargo, eliminar la amenaza de recortes salariales puede llevar a algunos trabajadores a esforzarse menos, por lo que las empresas podrían terminar pagando de más por un mal trabajo.

Cómo restablecer la armonía en el trabajo

Para gerentes:

— Deje pasar los problemas pequeños. “Si su percepción del desempeño de un trabajador está por debajo del promedio, aunque sea solo un poco, quizá prefiera no reportarlo para evitar los costos de represalia”.

— Separe el salario de la retroalimentación negativa. “En una evaluación de rendimiento, si realmente puede generar esta sensación de ‘no, esto no está afectando directamente su compensación. Lo que intento hacer aquí es ayudarle a mejorar’, no veo una razón [para que un empleado] tome represalias”.

— Aclare las razones de una evaluación negativa. “Muchas represalias provienen de una sensación de injusticia”, afirma. “Es importante explicar a los empleados con qué criterios se les evalúa, lo que les ayuda a comprender el motivo y evita, en cierta medida, las represalias”.

Para los departamentos de recursos humanos:

— Apuéstele más a los incentivos y use los castigos con moderación. “Evite penalizar reduciendo el pago cuando el desempeño esté por debajo de cierto nivel para evitar detonar represalias”, señala. En su lugar, enfóquese en incentivos, como bonos por un alto rendimiento.

— Realice encuestas tanto a gerentes como a empleados para detectar represalias. “Es útil preguntar de forma anónima si han visto represalias dentro de la empresa. ¿Las han experimentado o les preocupa que ocurran?”

Para los empleados:

— Comunique, en lugar de tomar represalias. Cuando un empleado está inconforme con una evaluación o una reducción salarial, la comunicación honesta es la mejor forma de resolver el problema, señala.

— Considere seguir adelante. Si comunicarse no lleva a ninguna solución y los empleados sienten que fueron evaluados injustamente, podría ser momento de buscar otro puesto. “¿Este es el tipo de empresa en la que quiero permanecer o simplemente no encajo aquí? Considere encontrar una cultura y un ambiente laboral que se alineen más con lo que usted cree.”

D

esafortunadamente, la IA empresarial suele diseñarse con el objetivo de eliminar la necesidad de comprender. Los líderes se centran en facilitar la adopción y la comodidad, lo que, sin querer, merma la capacidad de asimilación de la organización. Por lo tanto, para proteger los incentivos a la innovación a largo plazo, los líderes deberían replantearse el hecho de centrarse únicamente en la facilidad de uso y empezar a reintroducir un poco de “fricción estratégica” en sus sistemas.

Introducción de la fricción estratégica

La clave no es hacer que el trabajo resulte pesado. Se trata de mantener un nivel de esfuerzo suficiente para que las personas sigan aprendiendo. La fricción estratégica debe reservarse para aquellas tareas en las que la organización necesita que las personas piensen y aprendan, no solo que produzcan.

En el contexto empresarial, esto implica pasar de un modelo de oráculo (en el que el usuario pregunta y recibe) a un modelo recíproco, en el que el usuario debe aportar sus conocimientos para obtener información. Existen diversas formas de lograrlo, que van desde simples cambios en las políticas hasta un diseño más ambicioso a nivel de sistema. Usted puede:

— Establecer una regla que exija esfuerzos independientes documentados. Por ejemplo, antes de utilizar IA para redactar un análisis de mercado, un analista debe presentar su propia evaluación preliminar (aunque esté incompleta) mostrando lo que ya sabe y en qué puntos se encuentra atascado.

— Diseñar la IA para que solicite la aportación del usuario antes de generar un resultado completo. Por ejemplo, si un analista solicita un análisis de la competencia, la IA le pide primero tres observaciones específicas sobre los últimos movimientos de precios del competidor. A continuación, la IA incorpora esta información actualizada en su resultado.

— Construir interfaces con acceso condicionado que desbloqueen la asistencia solo después de que el usuario aporte su propio contexto. Por ejemplo, antes de que un analista pueda pedirle a la IA interna que genere una evaluación de riesgos, la interfaz le exigiría cargar una hipótesis base y etiquetar tres variables o restricciones clave. El botón de “generar” permanecerá bloqueado hasta que se haya aportado el contexto humano.

Cómo distinguir a los creadores

La defensa contra el estancamiento puede comenzar incluso antes de que el empleado inicie sesión. Muchas empresas siguen contratando en función de “la respuesta correcta”. En un entorno saturado de IA, eso ya no es un factor diferenciador. Lo que importa es “el proceso adecuado”. Por lo tanto, en las entrevistas y las evaluaciones de desempeño, observe cómo los candidatos y los empleados utilizan las herramientas de IA. ¿Aceptan los resultados como un trabajo terminado o los cuestionan, comprueban las hipótesis y añaden observaciones originales?

Investigaciones recientes hacen visibles estos patrones. Un experimento de campo, liderado por Hila Lifshitz-Assaf y sus colegas de Harvard, MIT y Warwick, analizó cerca de 5,000 interacciones entre humanos e IA realizadas por 244 consultores de BCG. A partir de ello, identificaron tres estilos de colaboración distintos, que se diferencian a partir de dos preguntas clave: quién decide qué debe hacerse y quién decide cómo hacerlo. Los “centaurs” mantuvieron el control humano en ambas dimensiones, utilizando la IA solo para asistencia puntual. Por su parte, los “cyborgs” dejaron que el humano definiera el “qué”, pero otorgaron a la IA un control significativo sobre el “cómo”, participando en un diálogo continuo y crítico. En contraste, los “self-automators” cedieron el control de ambos aspectos a la IA y experimentaron lo que los investigadores denominan “no-skilling”, es decir, no desarrollaron ni experiencia en su campo ni habilidades en el uso de la IA. Dentro de este marco, los “centaurs” y los “cyborgs” representan a los creadores, mientras que los “self-automators” son los oportunistas sobre los que advierte este modelo.

Estos hallazgos sugieren dos comportamientos observables que distinguen a los creadores de los oportunistas:

— Delegación selectiva. Los creadores conocen los límites de lo que la IA hace bien y lo que no. Utilizan la IA para tareas que se encuentran dentro de esos límites y ellos mismos se encargan del trabajo que requiere un mayor criterio.

— Profundidad de análisis. Cuando los creadores utilizan la IA, la ponen a prueba. Le piden que explique su razonamiento, que señale inconsistencias y le proporcionan sus propios datos.

C

uando Larry Culp se convirtió en CEO de General Electric en octubre de 2018, fue la primera persona ajena a la empresa en dirigirla en sus 126 años de historia. Heredó una crisis que parecía irremediable. Las acciones de GE se habían desplomado, cayendo un 45% en 2017 y otro 58% en 2018. La deuda de la compañía superaba con creces su capitalización bursátil, y su calificación crediticia estaba deslizándose hacia grado especulativo (bono basura). La corporación que en 2020 había llegado a valer 594 mil millones de dólares en el año 2000, convirtiéndose en la empresa más valiosa del mundo, se había transformado, según la mayoría de los análisis de Wall Street, en un colapso a cámara lenta.

Culp recortó el dividendo y redujo 22 mil millones de dólares en la división de energía. Pero una de sus primeras prioridades estratégicas fue abordar un diagnóstico que parecía casi ingenuo: el problema más profundo de GE no era su cartera de negocios, sino sus creencias. La empresa había construido una cultura de culpa, en la que se ocultaban los problemas, se castigaban los errores y el señalar culpables se confundía con resolver problemas. Como dijo Culp más tarde, “una cultura de resolución de problemas es operativamente mucho más efectiva que una cultura de señalar culpables”. Esa convicción se convirtió en la base de uno de los giros corporativos más llamativos de la última década.

Hoy, GE Aerospace cuenta con una cartera de pedidos de 190 mil millones de dólares y registró un crecimiento de ingresos del 21% en 2025. El contrato de Culp ha sido extendido hasta 2027.

Lo que ocurrió en GE no fue solo una recuperación financiera. Fue una intervención en las creencias. Basándome en la investigación de mi libro Beyond Belief, denomino a esto “liderazgo de alta capacidad de acción”, es decir, la práctica de elegir e instalar deliberadamente creencias que hacen que el esfuerzo valga la pena, que la acción se sienta posible y que el progreso sea visible.

Esto va mucho más allá de los procesos de reestructuración. Cada vez que un equipo se estanca, ya sea por el fracaso del lanzamiento de un producto, una ronda de despidos, un cambio en la dirección o la creciente cautela que se va instalando en una organización madura, el problema subyacente suele ser el mismo: las personas han dejado de creer que su esfuerzo vaya a cambiar algo. El liderazgo de alta capacidad de acción es para cualquier líder que se enfrente a una brecha entre la estrategia plasmada en la pizarra y la energía que se percibe en la sala.

Cómo superar la respuesta predeterminada del cerebro

Durante décadas, los psicólogos, siguiendo el ejemplo de Martin Seligman, asumieron que la indefensión era un comportamiento aprendido. Sin embargo, Steven F. Maier y Seligman refutaron esa conclusión en un artículo publicado en 2016, utilizando técnicas de imagen cerebral que no estaban disponibles en la década de 1960. Demostraron que la pasividad es la respuesta predeterminada del cerebro ante la adversidad sostenida. Lo que debe aprenderse no es la pasividad, sino la creencia de que el esfuerzo importa. Maier identificó una vía neuronal clave para ese aprendizaje; Seligman la llama “optimismo”. Este debe construirse a través de la experiencia.

Las implicaciones para los líderes son inmediatas. Cuando los equipos parecen paralizados ante los cambios provocados por la inteligencia artificial, una reestructuración o la incertidumbre del mercado, el instinto es diagnosticar un problema de motivación o una brecha de talento. En realidad, el optimismo se ha desvanecido. Ni las presentaciones estratégicas ni las reuniones generales lograrán reactivarlo. Lo que sí lo hará es la evidencia directa de que la acción produce resultados.

Tres mecanismos de creencia que utilizan los líderes de alta capacidad de acción

Estos mecanismos (atención, anticipación y capacidad de acción) forman en conjunto una especie de sistema operativo para el liderazgo. Los líderes de alta capacidad de acción logran que los tres funcionen correctamente.

1. Cambian lo que la organización ve.

Las personas ven lo que esperan ver, ya sean sus expectativas positivas o negativas. La investigación de Richard Wiseman sobre la suerte, llevada a cabo durante una década en la Universidad de Hertfordshire, confirmó este patrón: las personas que creían que existían oportunidades, las detectaban con mayor frecuencia. Una organización predispuesta a buscar disfunciones seguirá encontrándolas, incluso después de que las cosas mejoren. Culp utilizó esta idea a la inversa: al replantear la premisa operativa de “los problemas significan que alguien cometió un error” a “los problemas son oportunidades para mejorar”, cambió aquello a lo que los filtros perceptivos de las personas estaban atentos. En lugar de ocultar los problemas, comenzaron a sacarlos a la luz.

2. Moldean lo que las personas esperan.

El neurocientífico Anil Seth describe la percepción como una “alucinación controlada”. El cerebro no recibe la realidad de forma pasiva; genera predicciones y las compara con los datos que recibe.

Para los líderes, esto significa que la forma en que enmarca una iniciativa de cambio influye en algo más que en la aceptación. Influye en la experiencia real que vive el equipo. Decir “la IA va a transformar su rol” activa una percepción de amenaza. Decir “ahora cuenta con un recurso que se encargará de las partes que menos le gustan de su trabajo” activa una percepción de oportunidad. Los hechos son idénticos; la respuesta neurológica no lo es. Culp lo entendió implícitamente en GE: presentó el enfoque lean como una filosofía de respeto por las personas (una forma para que los trabajadores de primera línea tomaran en serio su inteligencia) y no como un ejercicio de reducción de costos.

3. Concentran el esfuerzo donde tiene mayor impacto.

El liderazgo de alta capacidad de acción no consiste en creer que se puede controlar todo. Las investigaciones realizadas con enfermeras de cuidados intensivos sometidas a una presión constante revelaron que la flexibilidad cognitiva (la capacidad de distinguir entre lo que se puede controlar, lo que solo se puede influir y lo que está fuera de nuestro alcance) era uno de los principales predictores del compromiso sostenido y la satisfacción laboral. Se trata de la disciplina de dirigir la energía hacia aquello que influye en los resultados.

Cómo construir un liderazgo de alta capacidad de acción

He aquí cómo desarrollar la capacidad de acción en sí mismo y en sus equipos.

— Diseñe experiencias de dominio. El optimismo se activa cuando el cerebro encuentra pruebas directas de que el esfuerzo produce resultados. Los psicólogos denominan a estas condiciones “desafíos óptimos”, es decir, problemas que superan ligeramente la capacidad actual, pero que se pueden alcanzar con esfuerzo. Para los equipos que han atravesado un largo periodo de turbulencias, esto significa establecer hitos iniciales y alcanzables antes de abordar retos más ambiciosos. Las victorias no tienen por qué ser estratégicamente significativas; deben ser una experiencia real.

— Audite y sustituya sus creencias instaladas. La mayoría de los líderes nunca ha examinado las creencias centrales que impulsan sus decisiones más importantes. Escríbalas (“no podemos competir por talento” o “este mercado no recompensa la innovación”) y luego aplique lo que llamo la prueba de utilidad: esta creencia puede parecer cierta, pero ¿está produciendo el comportamiento que necesita?

— Reescriba la historia explicativa. La investigación sobre estilos explicativos muestra que la forma en que las personas explican los contratiempos determina si se recuperan o se estancan. La variable crítica es si un fracaso se interpreta como permanente o temporal, global o específico. “No somos una empresa innovadora” es permanente y global. “Calculamos mal el momento de lanzamiento de este producto” es temporal y específico. Ambas pueden ser defendibles, pero solo una preserva la capacidad de acción.

— Construya sistemas que hagan de la capacidad de acción el estándar. La capacidad de acción se sostiene con estructura, no solo con fuerza de voluntad. Culp no le pidió a la gente de GE que cambiara su forma de pensar y luego esperar lo mejor. Implementó el enfoque lean como sistema operativo (gestión diaria, visitas al lugar real, resolución estructurada de problemas) para que el comportamiento de alta capacidad de acción se volviera parte de la rutina. La metodología lean de Culp ahorró 1,000 millones de dólares en costos fijos solo en el negocio de energía a gas de GE. El sistema generó evidencia, la evidencia reforzó la creencia y la creencia impulsó la siguiente acción. La capacidad de acción se acumula.

Actualice el sistema operativo

En una era en la que la IA, la inestabilidad geopolítica y la reorganización constante hacen tentador concluir que nada de lo que haga cambiará lo que suceda después, los líderes de alta capacidad de acción tratan esa conclusión como lo que es: un software obsoleto. Se hacen la única pregunta que importa: ¿lo que creo en este momento está produciendo el liderazgo que necesito? Y cuando la respuesta es no, tienen la disciplina necesaria para actualizarse.

M

uchos ejecutivos se han esforzado por crear una “cultura de propiedad”, con la esperanza de que la responsabilidad personal impulse la productividad. Sin embargo, la mayoría omite el ingrediente más importante: la propiedad real. Hemos dedicado los últimos cuatro años a estudiar empresas que se han comprometido con esta pieza faltante, extendiendo la participación accionaria a todos los empleados.

Descubrimos que los incentivos económicos por sí solos no eran suficientes. El éxito dependía de tres prácticas de gestión específicas: transparencia financiera, empatía y una medición y gestión rigurosas de la cultura organizacional. Aunque estos comportamientos surgieron en entornos ricos en participación accionaria, son herramientas poderosas y replicables para cualquier ejecutivo que busque dar mayor significado a las tareas cotidianas de sus empleados, independientemente de su estructura salarial.

1. Priorice la transparencia financiera

Los comportamientos sólidos de propiedad se producen cuando los líderes comunican los resultados financieros de manera que se fomente una comprensión genuina, dando a los empleados una visión clara de la relación entre sus decisiones diarias, los resultados empresariales y las remuneraciones finales.

Las empresas de alto rendimiento mantienen un ritmo regular de comunicación financiera, a menudo a través de reuniones trimestrales en las que se explican no solo los resultados, sino también cómo se crea valor y en qué aspectos las acciones de los empleados contribuyen a crear valor o, por el contrario, lo destruyen. Muchas también invierten en educación financiera, enseñando a los empleados conceptos básicos como los ingresos operativos, la gestión del flujo de caja, la expansión de los márgenes, el MOIC y cómo las decisiones operativas se traducen en valor empresarial y resultados. Este lenguaje financiero compartido permite a los empleados interpretar los datos, cuestionar los supuestos y tomar mejores decisiones diarias.

La transparencia financiera también activa un poderoso motivador social: los empleados trabajan para mejorar el rendimiento no solo por beneficio propio, sino porque saben que mejores resultados también se traducen en mayores beneficios para sus compañeros cuando se materializa el valor de la empresa, lo que convierte la propiedad en una responsabilidad compartida.

2. Desarrolle una mentalidad de empatía

A medida que los programas de propiedad amplia (BBOP, por sus siglas en inglés) se vuelven más comunes, se observa un patrón claro. Algunos CEOs son mucho más eficaces que otros al crear una cultura de propiedad. El factor diferenciador no es la habilidad técnica ni la sofisticación financiera, sino la empatía. Los CEOs que escuchan a los empleados, tratan de comprender sus experiencias, generan confianza y asumen la responsabilidad por el bienestar de su fuerza laboral, obtienen sistemáticamente una menor rotación de personal y un mayor compromiso.

Los datos refuerzan esta idea. Un análisis de 30 empresas con BBOP en el portafolio de KKR reveló que las organizaciones lideradas por CEOs más empáticos lograron una retención de empleados 2.4 veces mayor y un nivel de compromiso 1.9 veces superior al promedio del portafolio.

Es importante destacar que la empatía no es un rasgo innato. Algunas empresas fomentan intencionalmente la empatía en CEOs y líderes sénior mediante formación en retroalimentación empática y toma de perspectiva, así como a través de experiencias inmersivas que exponen a los líderes a las realidades de la primera línea, como pasar tiempo en roles operativos o participar en experiencias comunitarias. También hemos observado que los inversionistas de capital privado valoran cada vez más la empatía a la hora de evaluar a los candidatos a puestos a nivel CEO y C-suite, tratándola como una capacidad de liderazgo fundamental junto con las habilidades estratégicas y operativas.

Un hallazgo contraintuitivo de nuestra investigación es que los líderes empáticos suelen ser mejores para exigir responsabilidad a los empleados. Debido a que la retroalimentación se percibe como proveniente de la buena voluntad y no del castigo, los empleados son más receptivos a corregir el rumbo, lo que refuerza tanto el compromiso como el desempeño.

3. Trate las métricas de cultura con el mismo rigor que los resultados financieros

Las empresas que logran las mayores mejoras en compromiso, retención, cultura de propiedad y rendimiento empresarial, tratan a las personas y a la cultura con el mismo rigor analítico que aplican a los resultados financieros y operativos. Estas organizaciones reúnen múltiples fuentes de datos sobre el personal para diagnosticar causas raíz, probar soluciones e impulsar cambios sostenidos.

En Charter Next Generation (CNG), líder en soluciones de ciencia de materiales sostenibles en América del Norte, esta disciplina es fundamental para el funcionamiento de la empresa. La propiedad de los empleados en CNG no es un beneficio ni una iniciativa aislada. Representa un doble cambio: la participación financiera a través del capital social y un cambio de mentalidad en la forma de pensar, actuar y liderar cada día. La propiedad es la forma en que la empresa funciona y crece, con métricas de personal y métricas de negocio en el mismo tablero de resultados.

La presidenta y CEO, Kathy Bolhous, otorga gran importancia a comprender la experiencia de los empleados a un nivel muy detallado. Después de lanzar un programa de propiedad amplia para empleados, reflexionó que “nunca había despertado cada día sintiendo más presión por tener éxito, porque sé lo que ese éxito significa para los miembros de nuestro equipo”.

Cuando Lisa Alteri se incorporó a CNG como directora de operaciones, identificó una clara oportunidad de fortalecer la sólida cultura de la empresa mediante una infraestructura de datos sobre el personal que ayudara a alcanzar sus ambiciones. Para ello, impulsó una transformación enfocada en habilitar a los líderes: desarrolló paneles de control que monitoreaban la rotación, el compromiso y la seguridad, y rediseñó los procesos para que los líderes pudieran usar los datos como base para orientar sus decisiones y reforzar la rendición de cuentas.

Los primeros análisis mostraron que la rotación voluntaria era más alta de lo deseado, concentrada en las primeras etapas de la permanencia de los empleados y fuertemente correlacionada con la distancia de traslado al trabajo. Al mismo tiempo, las entrevistas de salida eran inconsistentes, las encuestas carecían de especificidad y la contratación se basaba en preguntas de selección genéricas que no reflejaban plenamente la realidad de los turnos más largos o los puestos de fabricación especializados de CNG.

Lisa y su equipo rediseñaron tanto los procesos de salida como los de reclutamiento para generar información accionable. Los líderes visitaron los lugares con mayor rotación, hablaron directamente con los nuevos empleados, estandarizaron las razones de salida y capacitaron a los socios de recursos humanos para involucrarse de manera proactiva con empleados que mostraban señales tempranas de desconexión. Los reclutadores utilizaron estos hallazgos para ajustar sus preguntas de filtrado durante el proceso de selección y, al mismo tiempo, se implementó una transferencia formal desde el primer día del reclutamiento a un «compañero» designado para los nuevos empleados, asegurando que los nuevos empleados-propietarios contaran con la capacitación, las herramientas y el apoyo necesarios para tener éxito.

CNG comenzó a combinar los datos sobre el personal con la opinión de los empleados de una forma más sistemática. Lisa y Kathy establecieron un ciclo mensual de revisión de los datos sobre el personal, en la que los líderes examinaban las tendencias por ubicación y turno, analizaban las causas raíz, establecían objetivos explícitos y vinculaban los resultados a la responsabilidad del liderazgo, especialmente en momentos de cambio o presión. El propósito de CNG sirve como un filtro práctico para la toma de decisiones, que orienta a los líderes a la hora de priorizar al personal, el rendimiento y el valor a largo plazo.

Los hallazgos de una planta de manufactura revelaron un fuerte aumento en la rotación voluntaria en el turno nocturno, con la mayoría de las salidas ocurriendo dentro de los primeros seis meses. En lugar de reaccionar con soluciones rápidas, los líderes interactuaron directamente con los empleados para comprender qué estaba motivando su experiencia. Esas conversaciones dieron lugar a cambios sostenibles, como el aumento de los diferenciales por turnos, una mayor cobertura de supervisión, el rediseño de la incorporación y una mayor presencia de liderazgo en los turnos nocturnos. Las mejoras a largo plazo, como horarios más flexibles, también fueron diseñadas directamente a partir de los aportes de los empleados. Los datos identificaron el problema, pero la voz de los empleados dio forma a la solución.

En cuatro años, CNG redujo la rotación voluntaria en casi un 55% y aumentó el compromiso del percentil 32 al 90 entre las empresas manufactureras entre 2021 y 2025. Durante el mismo período, el rendimiento empresarial se aceleró significativamente, con un crecimiento del EBITDA superior al 40% y un aumento del valor de las acciones de más del 70% desde el lanzamiento del programa de propiedad para empleados. Los resultados reforzaron lo que CNG lleva tiempo creyendo: cuando las organizaciones invierten en las personas con el mismo rigor que en las operaciones y las finanzas, el rendimiento llega solo.

Las organizaciones con BBOP más sólidas tratan las encuestas de compromiso y las encuestas pulso como insumos de datos recurrentes dentro de un proceso de gestión disciplinado, que combina transparencia, una mayor amplificación de la voz de los empleados y un seguimiento responsable de las acciones. Los líderes comparten abiertamente los resultados de estas encuestas y los utilizan para poner en marcha procesos estructurados de planificación de acciones. No todas las ideas se adoptan, pero los líderes son claros al explicar qué recomendaciones avanzan, cuáles no y por qué. Las acciones se monitorean de manera visible, y los líderes cierran el ciclo con comunicaciones directas del tipo: “Ustedes dijeron… Nosotros hicimos…”.

L

as matemáticas son el lenguaje central de los negocios. Y ahora más que nunca es importante que los líderes empresariales las dominen.

Como cualquier idioma, es una habilidad que se puede aprender, pero que se pierde si no se practica. Dominarla puede incluso ayudar a liberar todo el potencial de la IA, guiada por humanos que saben exactamente lo que quieren obtener de ella.

Yo tengo una licenciatura en matemáticas por la Universidad de Cambridge, cuna de leyendas como Isaac Newton, Srinivasa Ramanujan y Alan Turing. Desde hace muchos años, soy miembro de Mensa, un grupo conocido por resolver ingeniosos acertijos de lógica. Y cuento con dos décadas de aprendizaje práctico en campos impulsados por números como la analítica de datos, la consultoría estratégica y la inversión.

Estas experiencias me han ayudado a perfeccionar un conjunto de herramientas matemáticas enfocadas en los negocios, que son atemporales en su utilidad y oportunas para la era de la IA. Se relacionan con verificar la coherencia de modelos computacionales, pensar de forma probabilística y ser consciente de las dinámicas multiplicativas. A continuación, las describiré como: TRY, DO y WIN.

TRY = Piense y razone por sí mismo

La ceguera por falta de atención, un concepto de psicología, dice que a veces estamos tan extremadamente enfocados en detalles irrelevantes que pasamos completamente por alto el panorama general que realmente importa. Tal vez usted ha visto el famoso video del “gorila en la habitación”.

Es fácil confiar “ciegamente” en números detallados que salen de un modelo sofisticado. Eso puede estar bien. Pero no sustituye el pensamiento y razonamiento propios.

La mejor forma de evitar esto es realizar siempre sus propios cálculos matemáticos básicos, guiados por el sentido común, para verificar que los resultados tengan lógica. Como dice una frase conocida: es preferible estar más o menos en lo correcto (por cuenta propia) que estar precisamente equivocado (por confiar en modelos defectuosos).

DO = Decisiones vs. resultados

Quizá la lección matemática más poderosa que he aprendido en mi carrera es esta: nosotros tomamos las decisiones, el mundo observa los resultados. Ambas cosas están relacionadas, pero no son lo mismo.

El uso de la lógica probabilística (como los árboles de decisión) con los mejores datos posibles sigue siendo la mejor manera de tomar buenas decisiones. De hecho, si usted hace esto de forma consistente, le irá bien. Pero casi con certeza habrá algunos apostadores que obtendrán mejores resultados, quizá mucho mejores que usted, simplemente por pura suerte. No hay nada que ganar envidiando, glorificando, copiando o estudiando esos resultados. La dinámica empresarial es probabilística y los resultados están sujetos al azar. Esa es la realidad de cómo funcionan las cosas, por muy difícil que sea de aceptar.

Aunque sus herramientas puedan parecer simples, el pensamiento probabilístico es un concepto increíblemente poderoso, central en casi todos los aspectos del razonamiento empresarial y de la toma de decisiones gerenciales.

WIN = Cuando no es lineal

A veces usted puede pensar que tiene el marco probabilístico correcto. Pero resulta ser peligrosamente erróneo. Esto sucede cuando se intenta aplicar el pensamiento “lineal” a problemas “no lineales”.

En algunas situaciones, el resultado promedio teórico sobre una población hipotética (un “conjunto”) puede ser muy diferente del resultado esperado real para cualquier persona individual dentro de esa misma población.

Esto puede resultar incómodamente contraintuitivo. La razón es que estamos acostumbrados a pensar en términos de sumas y restas, donde cada nuevo resultado parte del anterior. Pero muchos problemas de la vida real son de naturaleza multiplicativa.

Para maximizar las tasas de crecimiento a largo plazo, es necesario dimensionar inteligentemente las apuestas.

S

i su empresa tiene dificultades para ver resultados reales de su programa de datos, quizá sea momento de empezar de nuevo. He aquí cómo hacerlo y qué deben hacer personalmente los altos directivos dentro de ese proceso.

Cómo volver a poner en marcha su programa de datos

Para empezar de nuevo, las empresas deben avanzar en tres frentes de manera paralela:

1. Atacar la calidad de los datos

Las empresas se enfrentan a una amplia variedad de problemas comunes de calidad de datos.

La clave está en minimizar las “fábricas ocultas de datos” cometiendo menos errores en los puntos donde se crean los datos. Para lograrlo, es fundamental que el área de ventas tenga claridad sobre lo que necesita, que dialogue esas necesidades con marketing y que marketing elimine, una a una, las causas raíz de los errores. Los beneficios son fáciles de identificar y se obtienen rápidamente.

2. Iniciar su recorrido en ciencia de datos con técnicas más sencillas

La ciencia de datos es ideal para abordar todo tipo de problemas que enfrentan las empresas. En orden de complejidad creciente, algunos métodos (y los problemas que ayudan a resolver) incluyen:

— El control estadístico y la mejora de procesos no tienen comparación cuando se trata de reducir costos, tiempos de ciclo e incertidumbre en los procesos del negocio.

— El diseño experimental (incluidas las pruebas A/B) ayuda a mejorar la calidad del producto.

— El modelado estadístico ayuda a las empresas a comprender el comportamiento de los clientes, predecir las ventas del próximo mes, decidir dónde ubicar una nueva tienda y estimar el precio justo a pagar por una adquisición (entre otros ejemplos).

— El aprendizaje automático / inteligencia artificial se utiliza para analizar grandes conjuntos de datos, descubrir relaciones previamente desconocidas, ayudar a mejorar la toma de decisiones y automatizar muchos tipos de trabajo.

3. Poner los datos a trabajar para crear una ventaja competitiva

Aunque la IA ha acaparado la mayor parte de la atención durante el último año, existen muchas otras formas de generar beneficios empresariales a partir de los datos. Cuatro grandes ejemplos incluyen:

— Aumentar el valor de los productos y servicios mediante su “informatización”, es decir, haciéndolos más valiosos al incorporar más datos o datos de mejor calidad. Esto se puede hacer con casi cualquier producto. Mi ejemplo favorito es la lata de cerveza Coors: las montañas se vuelven azules cuando la cerveza está lo suficientemente fría como para beberla.

— Empaquetar y vender productos de datos.

— Crear una ventaja sostenida mediante la explotación de datos propios, es decir, datos que nadie más tiene. Un buen ejemplo es el CUSIP de S&P, que identifica de forma única los productos financieros.

— Incorporar más y mejores datos en la toma de decisiones, cumpliendo la promesa de la “toma de decisiones basada en datos”.

A largo plazo, las empresas deberán definir una o dos de estas opciones que mejor se adapten a ellas, en función de sus habilidades, los datos que poseen o pueden obtener, y los mercados en los que compiten. La informatización casi siempre es un buen punto de partida, en parte porque el trabajo es sencillo: pida a algunos de sus mejores especialistas en marketing que documenten su comprensión de lo que los clientes realmente quieren y necesitan. Luego, realice un “análisis de brechas” simple para determinar qué les gustaría recibir (y que no está ofreciendo). Busque llenar esas brechas con datos.

L

os gerentes toman alrededor de tres mil millones de decisiones cada año, y casi todas podrían tomarse mejor. Lo que está en juego es muy importante: las decisiones son la herramienta más poderosa que tienen los gerentes para lograr que las cosas sucedan. Establecer objetivos (otra herramienta) es aspiracional, pero tomar decisiones es lo que realmente impulsa la acción. Nuestra investigación ha demostrado que las personas, por lo general, hacen lo que deciden hacer. La buena noticia es que existen formas de tomar mejores decisiones de manera constante mediante prácticas y tecnologías basadas en la economía conductual.

En un estudio de tres meses con 100 gerentes, descubrimos que los gerentes que tomaban decisiones utilizando las mejores prácticas alcanzaban los resultados esperados el 90% de las veces; el 40% de ellos superó las expectativas. (A modo de comparación, las mejores prácticas para el establecimiento de objetivos ayudaron a los gerentes a lograr los resultados esperados solo en el 30% de los casos).

Sin embargo, aunque existe un gran potencial para utilizar las mejores prácticas y mejorar la toma de decisiones, muchas organizaciones no lo están haciendo. En un estudio de 500 gerentes y ejecutivos, encontramos que solo el 2% aplica regularmente las mejores prácticas al tomar decisiones, y pocas empresas cuentan con sistemas para medir y mejorar la toma de decisiones a lo largo del tiempo.

Entonces, ¿qué se puede hacer?

Durante el desarrollo del producto de Cloverpop, nuestra solución en la nube para aplicar la economía conductual a la toma de decisiones, realizamos cientos de experimentos con decenas de miles de tomadores de decisiones. Descubrimos que el enfoque más exitoso para tomar decisiones se reduce a una simple lista de verificación. Pero es importante señalar que comprender los elementos de la lista no es suficiente: esta lista debe usarse para que sea efectiva, ya que nuestros sesgos no desaparecen solo porque sepamos que existen. Por ello, cada vez que enfrente una decisión, utilice estos pasos como una herramienta para contrarrestar sus sesgos:

1. Escriba cinco objetivos o prioridades preexistentes de la empresa que se verán impactados por la decisión. Enfocarse en lo que es importante le ayudará a evitar la trampa de la racionalización, es decir, inventar razones para justificar sus decisiones después de haberlas tomado.

2. Escriba al menos tres alternativas realistas (pero idealmente cuatro o más). Puede requerir un poco de esfuerzo y creatividad, pero ninguna otra práctica mejora más las decisiones que ampliar sus opciones.

3. Escriba la información más importante que le hace falta. Corremos el riesgo de ignorar lo que no sabemos porque nos distrae lo que sí sabemos, especialmente en los negocios actuales, tan ricos en información.

4. Escriba el impacto que tendrá su decisión dentro de un año. Contar brevemente la historia del resultado esperado de la decisión le ayudará a identificar escenarios similares que puedan ofrecer una perspectiva útil.

5. Involucre a un equipo de al menos dos personas (pero no más de seis). Obtener más perspectivas reduce los sesgos y aumenta el compromiso. (Sin embargo, los grupos más grandes tienen rendimientos decrecientes).

6. Escriba qué se decidió, así como por qué y cuánto respalda el equipo la decisión. Dejar constancia de estos aspectos incrementa el compromiso y establece una base para medir los resultados de la decisión.

7. Programe un seguimiento de la decisión dentro de uno o dos meses. A menudo olvidamos revisar cuando las decisiones están yendo mal, perdiendo la oportunidad de hacer correcciones y aprender de lo ocurrido.

Necesitamos un nuevo enfoque y escalable para gestionar el desempeño de las decisiones. Debe reemplazar la teoría histórica de la elección racional. Debe reconocer que nuestra psicología a menudo nos lleva por el camino equivocado. Y debe utilizar herramientas simples y accesibles como esta, diseñadas para tener un impacto desmesurado en la forma en que los gerentes y los equipos toman decisiones.

C

uando las organizaciones no logran generar valor a partir de la IA, el problema rara vez es técnico. Con mayor frecuencia, es organizacional y cultural.

La mayoría de los equipos no se resisten a los datos por malicia o indiferencia, sino porque los comportamientos, incentivos y expectativas que los rodean no están alineados. Las personas no tienen claro cómo actuar con base en los datos, cuándo confiar en ellos o si su uso será recompensado. Otros recurren por defecto a hábitos heredados: gestionar por instinto, actuar a partir de anécdotas u optimizar su función local por encima de los objetivos organizacionales.

Estos cinco componentes están diseñados para corregir los puntos de falla más comunes en la implementación de la IA:

1. Roles

Este componente aclara quién es responsable de qué a lo largo del ciclo de vida del proyecto, reduciendo la complejidad interfuncional para que los proyectos piloto no fracasen por las diferencias entre equipos. Los roles incluyen al patrocinador del negocio, el responsable del producto, los científicos de datos, los traductores, las áreas de riesgo y cumplimiento, y los responsables de la experiencia del cliente. La definición de estos límites elimina entregas fallidas, responsabilidades perdidas y posibles conflictos entre los equipos técnicos y empresariales. Contar con roles claros garantiza que los incentivos estén alineados en toda la organización y también a lo largo del ciclo de vida del proyecto, de modo que los proyectos se lancen a tiempo y continúen hasta su ejecución.

2. Responsabilidades

Este componente define qué significa el éxito para cada rol más allá del lanzamiento inicial del proyecto, incluyendo la adopción del modelo, la responsabilidad sobre los KPIs, el seguimiento continuo y el reentrenamiento cuando sea necesario. La rendición de cuentas se asigna explícitamente al patrocinador del proyecto desde el momento en que la iniciativa es aprobada y se mantiene hasta que el valor generado es efectivamente medido, no solo hasta que se completa la ejecución.

Esto garantiza que exista un responsable claro después de la puesta en marcha y aborda una falla crítica en muchos proyectos de IA: cuando el valor desaparece tras los proyectos piloto o cuando los modelos se desvían con el tiempo sin que nadie sea dueño de su desempeño. Dado que los modelos que aprenden continuamente no son herramientas “plug-and-play”, definir responsabilidades claras asegura que la supervisión y el involucramiento constante sean responsabilidad directa de una persona o equipo específico.

3. Rituales

Este componente establece la cadencia constante de interacciones necesarias tanto para lograr el lanzamiento del producto como para monitorear y adoptar modelos de IA que tienden a aprender y cambiar con el tiempo. Estos incluyen el arranque del proyecto, revisiones operativas semanales, comités ejecutivos quincenales y reuniones críticas de seguimiento posteriores al lanzamiento. Establecer estos recursos compartidos crea hábitos de actualización constante entre los distintos miembros del equipo, garantizando el flujo de información y permitiendo la iteración y la escalación en tiempo real. Estos hábitos son esenciales para evitar que los bloqueos persistan y que los problemas salgan a la luz demasiado tarde.

4. Recursos

Este componente exige el uso de plantillas, marcos de trabajo y aceleradores reutilizables para evitar que los equipos comiencen desde cero y repitan el mismo esfuerzo en cada proyecto. Por ejemplo, contar con una arquitectura compartida de IA generativa (que simplifique la implementación de estas soluciones a escala y, al mismo tiempo, reduzca riesgos como la pérdida de información o las alucinaciones) ha sido clave para acelerar tanto la ejecución como la adopción. La estandarización de estos procesos reduce los tiempos de entrega en un estimado de entre 50 y 60% frente a proyectos improvisados dentro de la empresa y garantiza que la gobernanza y las prácticas de IA responsable se apliquen de forma consistente. De este modo, se evita la reinvención constante y se asegura una calidad homogénea entre los distintos equipos de la organización.

5. Resultados

Este componente requiere que los equipos definan métricas que combinen la adopción con el impacto en el negocio incluso antes de comenzar el proyecto. Esto garantiza que el éxito no se mida únicamente por el valor técnico (como la precisión del modelo) o por métricas de vanidad, sino por métricas que se traduzcan en valor real para el negocio. Ejemplos de estas métricas incluyen el porcentaje de interacciones gestionadas por IA generativa, la reducción de la rotación de clientes y las ganancias en EBITDA. Definir estas métricas desde el inicio elimina la práctica de desarrollar demostraciones sin KPIs medibles y mantiene la atención enfocada en la adopción y los resultados empresariales.

Las 5R también abordan un desafío que muchas empresas pasan por alto: cómo garantizar prácticas responsables de IA a gran escala. Esto hace que el marco no solo sea un impulsor de la productividad, sino también una garantía.

E

n la década de 1930, los ejecutivos del sistema Bell se dieron cuenta de que el creciente uso de los teléfonos pronto crearía desafíos de red tan complejos que sobrepasarían la capacidad de los interruptores mecánicos para mantenerse al día. Así que lanzaron una iniciativa para crear los transistores como una alternativa más rápida y mucho más barata.

A partir de la década de 1960, con la idea de la “oficina sin papel”, ha habido esfuerzos similares para abordar los retos relacionados con el flujo masivo de documentos en las organizaciones. La digitalización mejoró significativamente nuestra capacidad para gestionar ese flujo cada vez mayor, pero todavía hay una gran cantidad de papel circulando dentro y entre las organizaciones, y los documentos electrónicos siguen siendo, en gran medida, producidos, editados y procesados por personas. La promesa de la IA, especialmente de los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), es que pueden hacerse cargo de esas tareas.

Para comprender cómo podría suceder esto en la práctica, dos de nosotros (Peter Cappelli y Valery Yakubovich) estudiamos una iniciativa de una gran compañía de seguros médicos estadounidense que introdujo IA para procesar la organización de documentos y la extracción de información de los mismos como primer paso en el proceso de reembolso, en el otoño de 2024. Para obtener el permiso, tuvimos que comprometernos a no identificar a la aseguradora. El trabajo real de procesamiento de documentos se realizaba en las instalaciones por un proveedor, Ricoh, una empresa de servicios digitales que desempeñó el papel principal en el esfuerzo de implementación de IA. Dos de nosotros (Braj Thakur y Ashok Shenoy) participamos activamente en ese proyecto. Esta empresa no utilizaba la IA para tomar decisiones sobre la aprobación o denegación de las reclamaciones.

Estas son las lecciones generalizables que obtuvimos de este esfuerzo.

1. El objetivo no debe ser la automatización, sino realizar el trabajo de una manera rentable.

Actualmente existe una amplia gama de herramientas basadas en LLM disponibles, con diferentes capacidades, algunas de ellas muy sofisticadas. El equipo de desarrollo descubrió que una de las herramientas más avanzadas podía realizar una buena labor de extracción y clasificación. Sin embargo, resultó ser tan costosa que hacía inviable la solución.

Para reducir costos, el equipo decidió usar el modelo Claude LLM de Anthropic, pero los cargos de Amazon Web Services (AWS), el proveedor de servicios en la nube que ofrecía las herramientas necesarias, resultaron ser demasiado altos debido a los costos de almacenamiento y potencia de cómputo. En resumen, incluso un LLM eficiente no sirve si no es más barato que aquello que pretende reemplazar.

Otro intento consistió en enviar al modelo de IA generativa aquellos documentos que no habían sido clasificados o cuyos datos no habían sido extraídos correctamente, en lugar de devolverlos a los empleados. Un hallazgo importante fue una herramienta que capturaba campos a lo largo de múltiples páginas de un documento, pero los procesaba como una sola imagen, lo que reducía considerablemente los costos (que se calculan por imagen). Los documentos que no se procesaban con precisión se enviaban para una última revisión a una herramienta de IA más costosa.

Finalmente, algunos documentos aún tenían que enviarse a los indexadores para ser retrabajados (2.7% en comparación con casi el 90% antes de cualquier intervención), un enfoque conocido como “intervención humana”. Sin embargo, para identificar este pequeño número de errores, los indexadores debían revisar el 27% de los documentos en los que el modelo de IA generativa tenía menos del 97% de confianza en su clasificación.

En conjunto, la productividad aumentó tres veces, y el volumen máximo diario pasó de 10,000 a 30,000 documentos. El tiempo promedio por documento para un indexador ahora representaba solo el 10% del nivel previo, y el total de documentos procesados por día se triplicó.

2. Una aplicación exitosa de IA puede no significar menos empleos.

Como resultado del proceso asistido por IA, el número de indexadores solo se redujo aproximadamente un 20%. Ahora que la función procesa un volumen mucho mayor de apelaciones y quejas, su plantilla es casi la misma que antes del cambio. Esto contradice la suposición de muchos entusiastas de la automatización de que los ahorros al adoptar IA provienen de recortes o eliminaciones totales de personal.

El objetivo debe ser el resultado final (calidad, costo, eficiencia), no la reducción de la fuerza laboral en sí misma. Resultó que los empleados seguían siendo necesarios en la función de reclamaciones, aunque no para la tarea repetitiva de ingreso inicial de datos. Eran necesarios para resolver problemas que incluso las herramientas de IA más avanzadas no podían manejar, como datos faltantes o ilegibles, formularios nuevos con formatos diferentes que la lógica difusa y los modelos generativos no podían procesar, y otras particularidades.

Este nuevo proceso impulsado por IA también creó una nueva tarea humana: el control de calidad, que consiste en muestrear y revisar los resultados del sistema. Esto es especialmente necesario porque el formato en el que llegan los datos cambia constantemente entre la amplia gama de proveedores y clientes que los envían, lo que plantea desafíos de ejecución y calidad.

3. La IA puede hacer que los empleados se enfoquen en trabajos de mayor valor.

Las mejoras en la calidad de los datos, a medida que los documentos pasaban del manejo inicial y la entrada de datos a las etapas más sustantivas del procesamiento de reclamaciones de seguros, ahorraron una enorme cantidad de tiempo y esfuerzo más adelante. El trabajo de los indexadores cambió de las tareas repetitivas de ingreso de datos (que resultaban tan aburridas) a la tarea más interesante de detectar errores y encontrar soluciones. Este cambio redujo la rotación de personal y mejoró la satisfacción laboral. La empresa descubrió que cuanto más experimentados eran los indexadores, mejor eran para encontrar y corregir errores.

4. Los ahorros provienen de los aumentos de escala que se hacen posibles gracias a una mayor productividad y calidad.

Los ahorros provinieron de dos factores. El primero, el aumento de escala: el sistema ahora procesa aproximadamente tres veces más documentos por indexador. El segundo, la calidad: menos errores en el procesamiento de reclamaciones, lo que reduce los costos operativos en otras áreas. El número de apelaciones, quejas y solicitudes de seguimiento sigue creciendo, pero no el número de empleados, por lo que los ahorros provienen de distribuir los costos operativos entre más documentos procesados.

5. Involucrar a los empleados que han desempeñado la función en el proyecto de IA es esencial.

La integración exitosa de la IA en los procesos laborales requiere sin duda la ayuda de expertos que ya hayan hecho esto antes, pero trabajar con los empleados directamente involucrados también es esencial. Incluso con la participación de ocho científicos de datos, analistas y expertos en automatización con experiencia, la implementación descrita en este artículo estuvo lejos de estar “lista para usarse”. Entrenar las herramientas de lógica difusa y de IA requirió coordinación con lo que los indexadores veían realmente en los documentos que llegaban. Fueron necesarias dos iteraciones en un periodo de tres meses para lograr que el sistema funcionara correctamente.

La lección duradera de las innovaciones tecnológicas, incluida la IA generativa, es que las promesas iniciales de ahorros de costos y eliminación de puestos de trabajo suelen superar la realidad. El éxito de la IA generativa no radica en transformar la gestión o en recortar personal, sino en mejorar las tareas de manera rentable.