E

l hecho de que las empresas puedan disculparse más rápido y de forma más amplia no significa que siempre deban hacerlo. A medida que la detección se vuelve más precisa y generalizada, no toda desviación amerita una disculpa (y el costo de equivocarse en ese juicio puede ser alto). Nuestra investigación, publicada recientemente en el Journal of Consumer Research, cuestiona una de las suposiciones más arraigadas en el servicio al cliente: que las empresas siempre deben disculparse cuando algo sale mal. A través de cinco experimentos, incluido un estudio de campo a gran escala, encontramos que disculparse cuando los clientes no son conscientes de una falla en el servicio puede resultar contraproducente, al reducir la satisfacción, la confianza, las recomendaciones y las compras repetidas.

Para los altos directivos, la implicación es clara: las políticas de disculpa bienintencionadas, si no se ajustan de manera adecuada, pueden socavar sistemáticamente las relaciones con los clientes. A continuación, explicamos cuándo ayudan y perjudican las disculpas, y cómo los líderes pueden diseñar políticas más inteligentes.

Por qué disculparse puede ser contraproducente

Pregúntele a cualquier proveedor de servicios y probablemente dirá que la primera regla de atención al cliente es: siempre disculparse. De hecho, en nuestro estudio, preguntamos a 100 adultos en Estados Unidos que trabajan en roles de atención al cliente qué debería hacer un servicio de entrega de comida si un pedido llega con 10 minutos de retraso. El 74% dijo que la empresa debería disculparse, el 4% no estaba seguro y solo el 22% dijo que no debería hacerlo. La mayoría esperaba que una disculpa aumentara la satisfacción, la confianza, las recomendaciones y los pedidos repetidos en comparación con no disculparse.

Pero lo que parece ser un buen servicio al cliente no siempre es una buena estrategia. Este instinto casi universal, cuando se traduce en una política empresarial sin matices, es precisamente donde las empresas se equivocan.

Encontramos que las disculpas resultan contraproducentes porque aumentan la conciencia de que ocurrió una falla. Este patrón se mantuvo independientemente de la gravedad del problema: las disculpas redujeron la satisfacción tanto si los clientes solo tenían que volver a añadir algunos artículos a sus carritos como si tenían que volver a comprar una gran cantidad de productos.

Más allá de hacer que los clientes sean conscientes de un problema (por ejemplo, simplemente alertarlos de un retraso), las disculpas también señalan que el error representa una falla por parte de la empresa. Por esta razón, pueden ser contraproducentes de maneras en que otras estrategias de recuperación no lo son.

Cuando disculparse puede ayudar

Por supuesto, las disculpas no siempre son perjudiciales. Pueden transmitir honestidad y cercanía, cualidades que los clientes valoran. La cuestión es cuándo estos beneficios superan el riesgo de llamar la atención sobre una falla en el servicio.

Nuestros hallazgos sugieren que el contexto importa: cuando los clientes no son conscientes de una falla, las disculpas tienden a ser contraproducentes. Aumentar la conciencia del problema reduce la satisfacción más de lo que los efectos positivos de la honestidad y la cercanía pueden compensar.

Sin embargo, cuando los clientes ya son conscientes de una falla, la dinámica cambia. En estas situaciones, las disculpas no hacen que los clientes sean más conscientes del problema (porque ya lo saben). En cambio, aumentan la satisfacción al mejorar la percepción de honestidad y cercanía.

Por lo tanto, el imperativo estratégico para los líderes empresariales no es disculparse menos, sino hacerlo de manera más inteligente, e integrar ese criterio en los sistemas y políticas de la organización, desde la alta dirección.

Una forma más inteligente de gestionar la recuperación del servicio

A medida que las empresas mejoran en la detección y en la capacidad de disculparse por fallas en el servicio, es fundamental que acompañen esa capacidad con el criterio para decidir cuándo disculparse y cuándo no. Este es, en esencia, un desafío de diseño de políticas, y uno que requiere apropiación a nivel ejecutivo. Para ayudar a los líderes empresariales a navegar esto, destacamos un conjunto de preguntas:

1. ¿La falla ya ocurrió?

2. ¿Existen consideraciones legales o éticas?

3. ¿El cliente presentó una queja?

4. ¿El cliente es consciente de la falla?

C

on sus avanzadas capacidades generativas de tipo humano, las herramientas de IA generativa tienen el potencial de mejorar significativamente la productividad y la creatividad de los trabajadores del conocimiento. Sin embargo, sigue siendo un desafío la cuestión de cómo integrar la IA generativa en el trabajo del conocimiento para aprovechar con éxito estas ventajas.

Propongo un marco basado en los principios del “job crafting” (diseño de puestos de trabajo) para identificar las mejores prácticas en el aprovechamiento de las herramientas de IA generativa y apoyar el trabajo del conocimiento, con el objetivo de mejorar tanto la productividad de los trabajadores del conocimiento como la percepción de sus roles.

La IA generativa como herramienta del job crafting

El job crafting se refiere a un proceso iniciado por el empleado para ajustar y moldear los recursos y demandas predominantes de un trabajo con el fin de adaptarlos a sus necesidades y circunstancias.

Los estudios presentados en esta sección ponen de manifiesto el valor de la IA generativa como recurso para el job crafting en diversos ámbitos.

1. Servicio al cliente

En un experimento de campo en el que participaron más de 5,000 agentes de servicio al cliente que trabajan para un proveedor de software de procesos empresariales incluido en la lista Fortune 500, el uso de la herramienta de GenAI GPT-4 derivó en aumentos de productividad (medida por el número de incidencias de clientes resueltas por hora) y de satisfacción laboral. Además, el uso de IA generativa por parte de los agentes mejoró la percepción de los clientes, lo que sugiere que el apoyo de la IA generativa proporcionado a los agentes contribuyó a que las interacciones entre ellos y los clientes fueran más positivas.

2. Escritura y resolución de problemas

Más de 450 profesionales con estudios universitarios participaron en un experimento que consistía en una tarea de escritura, y a la mitad de los participantes se le dio acceso a una herramienta de IA generativa. Los usuarios que utilizaron IA generativa fueron un 40% más rápidos y alcanzaron una calidad de escritura un 18% superior a la de quienes no tenían acceso a la herramienta. El estudio también indicó que los participantes con menor nivel de habilidad tuvieron una mayor mejora en su desempeño al utilizar IA generativa.

3. Software y tecnología

Para evaluar el impacto de GitHub Copilot en los desarrolladores, los desarrolladores profesionales de software fueron divididos en dos grupos para realizar tareas idénticas. Los participantes de uno de los grupos utilizaron GitHub Copilot (un generador de código de software basado en IA generativa), mientras que los del segundo grupo no lo hicieron. Los desarrolladores que usaron la herramienta Copilot fueron un 55% más rápidos en comparación con aquellos que no la usaron. Además, el 59% reportó bajos niveles de frustración, el 60% reportó niveles más altos de satisfacción con su tarea y el 87% de los desarrolladores señaló un menor esfuerzo mental para las tareas repetitivas.

Perspectivas emergentes

De este conjunto de investigaciones surgen dos perspectivas clave:

1. El uso de herramientas de IA generativa quedó a criterio de los trabajadores del conocimiento, en lugar de pedirles que siguieran una secuencia prescrita de instrucciones o pasos. Esta flexibilidad se adapta a las características clave del trabajo del conocimiento que resisten métodos estrictos y predefinidos de ejecución de tareas: no estructurado, basado en el juicio y dinámico.

2. La IA generativa ha demostrado ser particularmente valiosa para cerrar las brechas de experiencia y habilidad que podrían obstaculizar el desempeño de los trabajadores del conocimiento. Estos primeros estudios demuestran que los trabajadores del conocimiento con menos experiencia pueden beneficiarse más del uso de la IA generativa para el job crafting. Esto, a su vez, puede conducir a un aprendizaje acelerado y a aumentos de productividad para los empleados que son nuevos en sus roles, al tiempo que reduce la carga de coaching y apoyo sobre sus colegas con mayor experiencia.

En general, el job crafting con IA generativa es un proceso dinámico y en evolución. Es crucial que los gerentes reconozcan que adoptar el job crafting con IA generativa no es un evento aislado, sino un camino continuo de aprendizaje, innovación y adaptación.

¿

Cómo pueden los ejecutivos determinar si deben invertir en robots humanoides? Hemos desarrollado cinco preguntas que deberían hacerse.

1. ¿Qué papel pueden desempeñar los robots humanoides en nuestro negocio?

Para empezar, los ejecutivos deben evaluar los roles específicos que los robots humanoides pueden asumir dentro de sus operaciones. Dos preguntas fundamentales deben guiar esta evaluación: ¿Qué pueden hacer los robots humanoides de manera más eficaz que los robots industriales tradicionales? ¿Dónde puede un robot humanoide ofrecer mayor valor que una persona?

Los robots humanoides son adecuados para entornos que exigen una movilidad similar a la humana con restricciones espaciales complejas y tareas que requieren destreza y toma de decisiones similares a las humanas. En la manufactura, la atención médica y el comercio minorista, los robots humanoides ya operan en espacios complejos, colaborando con personas de maneras que los robots tradicionales no pueden.

Ya están demostrando su valor en tres áreas:

— Manufactura y almacenamiento: En entornos industriales, los humanoides podrían abordar la escasez de mano de obra y realizar tareas propensas a causar lesiones.

— Atención médica: Los robots humanoides ofrecen una solución a la creciente demanda de cuidados, especialmente para personas mayores y aquellas con necesidades especiales. Los robots humanoides sociales se encargan de tareas rutinarias como revisar signos vitales, administrar medicamentos y limpiar. También están entrenados en patrones de comportamiento complejos para interacciones empáticas.

— Servicio al cliente: Incluso en industrias orientadas al cliente como el comercio minorista y la hospitalidad, los robots humanoides podrían resultar invaluables, especialmente para trabajos que requieren menos habilidades especializadas y que implican tareas percibidas como monótonas, peligrosas o repetitivas, las cuales tienen el mayor potencial de adopción de robots humanoides.

2. ¿Cuál será el retorno de nuestra inversión en robots humanoides?

Las inversiones en robots humanoides requieren un análisis exhaustivo de costo-beneficio. Este análisis debe considerar no solo los costos directos (como el precio de compra, los gastos de integración y capacitación), sino también los costos indirectos (incluyendo el tiempo invertido en configurar los robots y preparar a los equipos para trabajar junto a ellos).

3. ¿Cómo pueden los robots humanoides integrarse eficazmente en nuestros procesos y sistemas existentes?

Los robots humanoides se desperdician si se utilizan para optimizar tareas aisladas. Deben contribuir a agilizar y automatizar procesos organizacionales más amplios.

Los ejecutivos deben asegurarse de que los humanoides trabajen fluidamente con las personas, otros robots y máquinas. Esta integración mejora la eficiencia y permite una asignación versátil de tareas. Al integrar los robots humanoides en procesos inteligentes potenciados por IA, pueden ajustar dinámicamente los pasos del proceso y reasignar recursos en tiempo real.

4. ¿Cómo podemos garantizar una colaboración segura entre nuestra gente y los robots humanoides?

Las empresas que consideran desplegar robots humanoides junto a empleados humanos deben desarrollar una cultura de colaboración entre humanos y máquinas. Los ejecutivos deben investigar y adoptar las mejores prácticas emergentes para la integración de robots humanoides, que sean transparentes para los empleados e incluyan una rigurosa validación de seguridad.

No es negociable reforzar la seguridad y productividad en el lugar de trabajo para posicionar a los robots humanoides como recursos beneficiosos y no amenazantes. Para lograrlo, deben asegurar una comunicación transparente y proactiva en relación con las funciones y capacidades de los robots humanoides.

5. ¿Cómo entrenaremos a los robots humanoides para operar en nuestros entornos del mundo real?

Entrenar a los robots humanoides en entornos físicos presenta importantes desafíos: es costoso, difícil de escalar y está limitado por riesgos de seguridad y desgaste. Los gemelos digitales ofrecen una solución en dos áreas clave. En primer lugar, permiten a los desarrolladores probar virtualmente componentes y sistemas robóticos en cuanto a funcionalidad y precisión antes de construir los robots humanoides. En segundo lugar, los humanoides pueden aprender física del mundo real en una simulación, lo que garantiza una operación fluida cuando se despliegan junto a personas.

Con los gemelos digitales, se puede monitorear y optimizar a un robot humanoide durante todo su ciclo de vida para asegurar su eficiencia sostenida. Las empresas de manufactura y logística ya han adoptado gemelos digitales para rastrear el desempeño de los robots, prevenir tiempos muertos y garantizar una coordinación más fluida entre los equipos humanos y robóticos.

L

as personas de menos de 35 años de edad pasan cerca de cuatro horas al día en las redes sociales y cada vez más de ese tiempo lo invierten interactuando con las marcas. Además, el 17% de las personas mayores de 55 años prefieren las redes sociales a los teléfonos para recibir atención y casi la mitad de las personas que ganan más de 200,000 dólares al año prefieren las redes sociales por encima de la interacción en persona en cuanto al servicio al cliente.

Entonces, ¿Cómo pueden las compañías aumentar los rendimientos de sus inversiones en servicio al cliente a través de redes sociales? En nuestra experiencia, las mejores compañías están desarrollando la capacidad de sus redes sociales para capturar valor al enfocarse en hacer bien dos cosas: construir un sistema de manejo de relaciones con los clientes en redes sociales (conocidos como CRM) para incrementar la relevancia y enfocarse en la atención completa a los consumidores.

Construir un CRM social efectivo requiere que las compañías:

— Enlacen sus redes sociales con sus datos de CRM. Los números de cuenta e identificadores de clientes son fáciles de rastrear, pero enlazar los manejos de las redes sociales con sus números internos de cuenta no es tan sencillo. Las mejores compañías encuentran formas creativas de darle la vuelta a este obstáculo. Por ejemplo, una cadena líder de hoteles le pide a sus consumidores que envíen su número de cliente a través de un mensaje directo, de modo que la compañía pueda enlazar su atención social con la cuenta en el sistema CRM de la marca. Pequeños incentivos (como descuentos o cupones) pueden alentar a los consumidores a proveer esta información.

— Reúnan y rastreen la información correcta. Las redes sociales son, en efecto, un gigantesco “focus group” que puede proveer inteligencia acerca de la percepción de la marca, sus servicios, competidores y tendencias potencialmente disruptivas. Es fácil abrumarse por todo ello, así que las compañías deberían priorizar la recopilación de datos sociales que indiquen eventos detonantes. Estos señalan el momento cuando los consumidores están más abiertos a cambiar sus comportamientos y preferencias de comprar. Crear palabras clave para eventos de vida e intereses (por ejemplo, “matrimonio,” “nueva escuela” o “cambio de trabajo”) y rastrearlos activamente puede ayudarlo a confeccionar de mejor forma las interacciones con los clientes en momentos clave.

— Instalen procesos para actuar con base en las percepciones. Aproximadamente el 72% de las personas que se quejan de una marca en Twitter esperan que se les responda en la siguiente hora. Las compañías tienen que desarrollar directrices de cómo actuar cuando suceda un evento en particular. Responder a los temas de atención al cliente por medio de redes sociales puede costar tan solo una sexta parte de una interacción telefónica, al tiempo en que genera niveles más altos de satisfacción. Sin embargo, la información de Twitter muestra que cerca del 40% de los tweets de los consumidores nunca obtienen una respuesta de la compañía.

En una era donde el cambiar la experiencia del consumidor de un “mediocre” a un “wow” vale un incremento del 30 al 50% en términos de aumento en la posibilidad de recomendar a una compañía y hacer nuevas compras, la atención proactiva en redes sociales es indispensable.

Para construir lealtad con los consumidores actuales y con los nuevos, comience a pensar en cómo sorprenderlos y deleitarlos. Por ejemplo, una cadena líder de hoteles ofrece consejos de viaje a los turistas, incluso cuando no se hospedan con ellos, para avanzar en su misión de hospitalidad. Usan una herramienta que busca palabras clave y le brinda a los agentes una serie de lineamientos de cómo seleccionar los tips.

Aunque todavía estamos en las primeras etapas de la construcción del musculo de las compañías en redes sociales, las más fuertes de entre ellas están poniendo en marcha las herramientas, procesos y personas para desatar su amplio rango de valor potencial.

S

egún las predicciones de PwC para 2025, la IA es el principal factor que cambiará fundamentalmente la manera de hacer negocios y crear valor este año. La IA se está integrando rápidamente en la forma en que los empleados ejecutan las tareas esenciales en organizaciones de diversos sectores, desde la optimización del servicio al cliente hasta el apoyo en la toma de decisiones y la mejora de la eficiencia. Esta tecnología también está a punto de transformar la forma en que se gestiona a los trabajadores. Los sistemas y agentes de IA son cada vez más capaces de supervisar el flujo de trabajo, y cómo los empleados y la IA colaboran en dichas tareas.

Sin embargo, aunque el porcentaje de organizaciones que adoptan IA ha pasado del 55% en 2023 al 78% en 2024, según McKinsey, los empleados muestran un entusiasmo significativamente menor respecto al uso de la IA en sus actividades diarias. Esto plantea una pregunta importante: ¿Los empleados confían en estas tecnologías?

La evidencia sugiere que la confianza es escasa. En una encuesta reciente de Pew Research, los encuestados informaron sentirse reticentes respecto a la IA: el 52% afirmó sentirse “preocupado” por el impacto de la IA en el lugar de trabajo, y el 33% dijo sentirse “abrumado”, en comparación con el 36% que se describió como “esperanzado”. A nivel global, Edelman descubrió que el 35% de los encuestados dijo rechazar la IA, frente al 30% que la adoptó. Según otra encuesta de Pew Research, el 71% de los estadounidenses se oponía a que las empresas utilizaran IA para tomar decisiones finales de contratación, y el 61% se oponía a su uso para rastrear los movimientos de los trabajadores.

Investigaciones recientes sobre gestión también han demostrado que una de las principales razones por las que los empleados no confían en la IA es que consideran que estas herramientas carecen de benevolencia al hacer recomendaciones y tomar decisiones, y dudan que la IA “se preocupe” y tome en cuenta sus intereses. La benevolencia (la disposición a adoptar una orientación positiva para servir a los intereses de otro interdependiente) es un concepto importante en este contexto, porque representa la característica fundamental del fideicomisario (la IA) para hacer el bien al fideicomitente (los empleados), como base para que surja la confianza.

Estas preocupaciones de los empleados también envían una señal a los líderes organizacionales de que la confianza en ellos también podría estar faltando. Los empleados desean saber si la adopción de la IA promoverá sus intereses o conducirá a su despido; si potenciará o reemplazará sus contribuciones.

A medida que las organizaciones consideran integrar sistemas de IA en su gestión y toma de decisiones, deben preguntarse cómo la IA influirá en la forma en que los empleados perciben la benevolencia. Al pensar en esto, deben considerar cómo estos sistemas pueden afectar la experiencia de los empleados y su visión del trabajo, así como qué rol debe desempeñar la gerencia en la mediación de las recomendaciones de la IA para abordar las preocupaciones de los empleados.

La IA y la capacidad de ser benévola

Los sistemas de IA son cada vez más hábiles para reconocer patrones en las interacciones humanas. Esta capacidad es lo que los hace tan efectivos para funcionar de manera (semi)autónoma en áreas como el servicio al cliente, las recomendaciones personalizadas y la gestión del flujo de trabajo. Al analizar grandes conjuntos de datos sobre comportamiento humano, los sistemas de IA pueden hacer inferencias matizadas sobre las preferencias, estilos de comunicación y respuestas humanas, y posteriormente tomar decisiones. Debido a esto, estos sistemas también pueden comunicarse de maneras que parecen humanas.

Dado que la IA refleja lo que ve en los datos y toma señales de quien le da instrucciones, puede reflejar tanto los valores vividos como los declarados de una empresa. Las organizaciones pueden entrenar a la IA que proporciona recomendaciones para que parezca benévola mediante el uso de indicaciones y solicitudes específicas. Por ejemplo, una IA puede recibir instrucciones para que identifique y priorice los intereses de las partes involucradas en una decisión empresarial.

Las empresas ya están haciendo esto. Por ejemplo, en 2017, Salesforce utilizó su sistema interno de IA para asesorar a los líderes cuando tomaban decisiones. En esos casos, la IA se empleó para reducir el sesgo en las reuniones y disminuir la política interna o las agendas personales. Ayudó a defender los intereses de las partes interesadas, a que los líderes tomaran decisiones benévolas y a demostrar que la IA puede ser una herramienta que ayuda a promover la benevolencia en la toma de decisiones.

Es poco probable que los empleados experimenten estas intervenciones como evidencia de la benevolencia de la IA (ni deberían hacerlo), porque generalmente consideran que esa es una cualidad humana y que está fuera del alcance de estas herramientas.

Esto se debe a que los sistemas de IA no son ni pueden ser benévolos. De hecho, estos sistemas operan a través de algoritmos que siguen patrones estadísticos y objetivos predefinidos sin ningún propósito autoimpuesto; y, como tal, no existe intención en la lógica interna del motor de IA. Sin la capacidad de tener una opinión y tomar una decisión basada en el juicio, los sistemas de IA tienen una comprensión limitada del mundo y de lo que motiva a los humanos en ese mundo. Y, por esa razón, los sistemas de IA no poseen la disposición genuina de cuidar los intereses de las personas.

Recomendaciones

Para fomentar la confianza en la IA, es importante que las organizaciones comprendan que esto no es solamente un ejercicio de ingeniería donde se necesitan intervenciones a nivel de la tecnología en sí, como el código abierto y la promoción de una IA explicable. Garantizar que la IA sea aceptada por los empleados requiere que estos puedan comprenderla y saber cómo funciona. Lograr este tipo de confianza requiere intervenciones tanto a nivel de la IA como del liderazgo. He aquí cómo hacerlo:

1. Para construir un entorno donde los empleados puedan adoptar la IA con confianza, las organizaciones deben promover los factores de confianza cognitiva de la IA: fiabilidad, precisión y transparencia. Las investigaciones demuestran que los sistemas percibidos como confiables y comprensibles fomentan una mayor aceptación entre los usuarios. Este tipo de confianza puede lograrse interviniendo en la tecnología misma. Por ejemplo, la realización de auditorías periódicas sobre la precisión de la IA, los esfuerzos de mitigación de sesgos y el seguimiento del desempeño pueden tranquilizar a los empleados sobre la fiabilidad de la IA, animándolos a comprometerse plenamente con la tecnología.

2. Los líderes deben demostrar una preocupación genuina por el bienestar y la equidad de los empleados, porque la IA no puede hacerlo. En última instancia, el liderazgo será quien decida cómo se usa y se empodera la IA, y dónde no. Al involucrar a los empleados en discusiones sobre el papel de la IA en su trabajo y abordar sus preocupaciones con transparencia, los líderes pueden ayudar a crear una cultura laboral donde los empleados se sientan valorados y perciban la IA como una solución que se adopta con el objetivo de empoderarlos y hacerlos crecer, en lugar de reemplazarlos.

3. La solución óptima para la falta de confianza en la IA requiere una “combinación IA-líder” que garantice que los empleados se sientan no solo técnicamente seguros con la IA, sino también que tengan la seguridad de que servirá a sus intereses de manera respetuosa y justa. Para promover la aceptación de esta combinación (IA-líder) y mejorar la confianza en la IA en toda la organización, es necesario desarrollar e implementar programas de capacitación. Estos programas existen para ayudar a que los empleados se sientan menos amenazados por la adopción de la IA, al tiempo que se sienten empoderados por sus supervisores. Esto puede lograrse promoviendo la alfabetización digital y la comprensión del funcionamiento de la IA. Una mejor comprensión de la IA, combinada con discusiones lideradas por el liderazgo que presenten a la IA como una herramienta de apoyo para contribuir al propósito de la empresa y a los intereses de todos los involucrados, empoderará aún más a los empleados para ver cómo la IA puede contribuir a sus funciones y al crecimiento de su carrera.

L

a manera en que los humanos interactúan y colaboran con la IA está dando un salto dramático hacia adelante con la IA agéntica. Mientras que los asistentes de IA anteriores se basaban en reglas y tenían una capacidad limitada para actuar de forma independiente, la IA agéntica estará capacitada para hacer más en nuestro nombre. Pero, ¿qué es exactamente la IA agéntica?

«Se puede definir la IA agéntica con una palabra: proactividad», dijo Enver Cetin, experto en IA de la firma global de ingeniería de experiencias Ciklum, a quien entrevisté. «Se refiere a sistemas y modelos de IA que pueden actuar de forma autónoma para alcanzar objetivos sin la necesidad de una guía humana constante. El sistema de IA agéntica comprende cuál es el objetivo o la visión del usuario y el contexto del problema que están tratando de resolver».

Para lograr este nivel de toma de decisiones y acción autónoma, la IA agéntica se basa en un complejo conjunto de diferentes tecnologías de aprendizaje automático, procesamiento de lenguaje natural y automatización. Aunque los sistemas de IA agéntica aprovechan las capacidades creativas de los modelos de IA generativa como ChatGPT, difieren en varios aspectos. En primer lugar, se centran en la toma de decisiones más que en la creación de contenido. En segundo lugar, no dependen de indicaciones humanas, sino que se configuran para optimizar objetivos o metas particulares. Y, en tercer lugar, a diferencia de la IA generativa, también pueden llevar a cabo secuencias complejas de actividades, buscando de manera independiente en bases de datos o activando flujos de trabajo para completar tareas.

Las ventajas de trabajar con IA agéntica

Con sus capacidades potenciadas de razonamiento y ejecución, los sistemas de IA agéntica prometen transformar muchos aspectos de la colaboración entre humanos y máquinas, especialmente en áreas de trabajo que anteriormente estaban aisladas de la automatización basada en IA, como la gestión proactiva de sistemas de TI complejos para prevenir fallas; la reconfiguración dinámica de cadenas de suministro en respuesta a interrupciones geopolíticas o meteorológicas; o la interacción realista con pacientes o clientes para resolver problemas.

Tres de los principales beneficios serán una mayor especialización de la fuerza laboral, una mayor confiabilidad de la información y una innovación mejorada.

1. Mayor especialización

La importancia de la especialización de la fuerza laboral (la «división del trabajo») se comprende desde la célebre visita de Adam Smith a una fábrica de alfileres en los primeros párrafos de «La riqueza de las naciones«. La especialización aporta mayor eficiencia y aprendizaje a través de la práctica e innovación, sin embargo, puede ser difícil de implementar cuando las empresas se enfrentan a la escasez de mano de obra y a la falta de adecuación entre las funciones y las capacidades humanas disponibles. Dado que los modelos agénticos están diseñados explícitamente para realizar tareas muy detalladas, permiten una mayor especialización de los roles en comparación con los anteriores sistemas de automatización más generales.

2. Innovación

Con su juicio mejorado y sus capacidades de ejecución, los sistemas de IA agéntica son ideales para la experimentación y la innovación. Los modelos de IA multiagente también pueden escanear y analizar vastos espacios de investigación (como artículos científicos y bases de datos) en una fracción del tiempo que le tomaría a equipos de científicos e investigadores humanos.

3. Mayor confiabilidad

El mayor razonamiento cognitivo de los sistemas de IA agéntica significa que es menos probable que sufran las llamadas alucinaciones (o información inventada) comunes en los sistemas de IA generativa. Los sistemas de IA agéntica también tienen una capacidad significativamente mayor para filtrar y diferenciar las fuentes de información según su calidad y fiabilidad, aumentando el grado de confianza en sus decisiones. Por ejemplo, mientras que la información del cliente a menudo se encuentra dispersa en diferentes formatos en distintas partes de una empresa (correos electrónicos, bases de datos, hojas de cálculo y similares), un sistema de IA agéntica puede discernir rápidamente que la información más fiable y actualizada probablemente se encuentre en los sistemas de gestión de relaciones con los clientes (CRM) de la empresa.

Casos de uso potenciales

Aunque muchas aplicaciones de la IA agéntica siguen siendo experimentales o están en fase piloto, ya están empezando a emerger aplicaciones potenciales en diferentes industrias y funciones. Algunos ejemplos incluyen:

Servicio al cliente

A diferencia de los bots de servicio al cliente tradicionales que estaban preprogramados con un rango limitado de respuestas y acciones, los agentes de servicio al cliente agénticos pueden captar rápidamente las intenciones y emociones de los clientes y tomar medidas independientes para resolver consultas y problemas.

Manufactura

Desde el control del flujo de las líneas de producción hasta la personalización de productos y la formulación de sugerencias para mejorar el diseño de los productos, es probable que la IA agéntica tenga múltiples aplicaciones en la manufactura inteligente. Los datos de sensores conectados a máquinas, componentes y otros activos físicos en fábricas y transportes pueden ser analizados por sistemas de IA agéntica para predecir el desgaste y las interrupciones de producción, evitando el tiempo de inactividad no programado y los costos asociados para los fabricantes.

Soporte de ventas

Para los agentes de ventas, el objetivo crucial de encontrar y desarrollar oportunidades comerciales a menudo queda enterrado bajo una avalancha de correos electrónicos, papeleo y otras tareas administrativas mundanas pero necesarias. Los sistemas de IA agéntica podrían liberar significativamente a los equipos de ventas de gran parte de esta actividad que consume mucho tiempo.

Salud y cuidados sociales

Su capacidad para adaptarse a diferentes entornos, interpretar emociones humanas y mostrar empatía hace que los sistemas de IA agéntica sean ideales para trabajos no rutinarios que requieren habilidades interpersonales, como la atención médica y el cuidado de personas.

Los desafíos por delante

A pesar de su gran potencial para transformar la colaboración entre humanos y máquinas, y aumentar la eficiencia y el crecimiento empresarial, los sistemas de IA agéntica aún se encuentran en una etapa relativamente temprana de desarrollo. Además, pese a sus mayores capacidades de razonamiento y ejecución, no eliminan los desafíos tradicionales de la gestión de equipos; más bien, los transforman. Al igual que con los equipos humanos tradicionales, los gerentes deben seguir prestando atención a la composición del equipo, la asignación de funciones y la definición de metas adecuadas para garantizar el éxito de los equipos híbridos o de los sistemas de IA agéntica.

Claves para el éxito

Para aprovechar las oportunidades que ofrece la IA agéntica y, al mismo tiempo, mitigar los riesgos, los gerentes deben considerar las siguientes acciones clave:

Establecer objetivos SMART

Al igual que el rendimiento de los equipos humanos puede verse obstaculizado por objetivos mal definidos o poco claros, los sistemas de IA agéntica también pueden desviarse si no se establecen metas precisas. Cetin, de Ciklum, destaca la importancia de fijar objetivos exhaustivos: «Para que la IA agéntica tenga éxito, los modelos deben tener objetivos y subobjetivos SMART (específicos, medibles, alcanzables, relevantes y con tiempo definido) y saber cómo medirlos. Como gerentes, necesitamos establecer bucles de retroalimentación para ajustar los modelos a medida que aprendemos más sobre su desempeño».

Prestar atención a la selección del equipo

En comparación con la IA generativa, que se basa en gran medida en hacer preguntas concretas a modelos de lenguaje de gran tamaño, la IA agéntica es mucho más un esfuerzo de equipo. Al igual que en los equipos humanos, es probable que surjan problemas de coordinación, conflictos y gestión de recursos. Los gerentes que utilicen sistemas de IA agéntica deberán prestar especial atención a la selección del equipo, asegurándose de contar con la combinación adecuada de roles agénticos que lleven a cabo las tareas correctas de manera eficiente.

Estructurar el espacio de decisión

Aunque los modelos de IA agéntica están diseñados explícitamente para evaluar opciones y ejecutar secuencias complejas de acciones, no son infalibles y pueden cometer errores, al igual que los humanos. La ciencia del aprendizaje destaca la importancia del «andamiaje» en el aprendizaje, que consiste en exponer a los aprendices a la práctica del mundo real con salvaguardas que se retiran progresivamente a medida que aumenta la experiencia.

Desde los primeros días de los autómatas mecánicos hasta los bots conversacionales más recientes, los científicos e ingenieros han soñado con un futuro en el que los sistemas de IA puedan funcionar y actuar de forma inteligente e independiente. Los avances recientes en la IA agéntica acercan ese futuro autónomo un paso más a la realidad.

L

a inteligencia artificial está generando avances impresionantes para muchas empresas: automatiza el servicio al cliente, optimiza las cadenas de suministro y potencia el marketing. Sin embargo, aunque este progreso incremental es valioso, no prepara a las empresas para las grandes olas de disrupción impulsadas por la IA que se avecinan.

Los riesgos y costos de oportunidad de centrarse únicamente en el incrementalismo están bien documentados. La revolución digital que cobró impulso a finales de la década de 1990 es un ejemplo de advertencia. Las cadenas hoteleras digitalizaron sus operaciones e interfaces con los clientes, pero cedieron valor a nuevos competidores con modelos de negocio que daban prioridad a lo digital, como las agencias de viajes en línea y las plataformas de alojamiento y experiencias entre particulares. Las empresas de medios tradicionales digitalizaron su contenido, pero perdieron audiencia e ingresos publicitarios frente a las redes sociales, que transformaron la forma de crear, compartir, interactuar y monetizar los contenidos.

Con la IA avanzando más rápido que cualquier otro cambio tecnológico anterior, hoy en día los riesgos son aún mayores. Las empresas que se limiten a un enfoque incremental de la IA caso por caso corren el riesgo de quedarse rezagadas a medida que sus competidores redefinen rápidamente las industrias.

Un enfoque estratégico que combine dos caminos paralelos ofrece una solución viable. La «transformación A» aprovecha la IA para optimizar el modelo de negocio actual, refinando procesos, reduciendo costos y mejorando la experiencia del cliente. La «transformación B» crea nuevos modelos de negocio impulsados por IA, desbloqueando oportunidades y redefiniendo los mercados. Cada una de estas transformaciones sigue una estructura diferente. La transformación A se implementa dentro de la organización existente, aprovechando las capacidades establecidas y siguiendo los procesos tradicionales de presupuestación anual diseñados para ejecutar y mejorar continuamente un modelo de negocio predecible. La transformación B, en cambio, se beneficia de una estructura separada, similar a una empresa emergente, con talento emprendedor y una cultura diferenciada, además de métricas de éxito y financiamiento enfocados en el descubrimiento y desarrollo de nuevos motores de crecimiento.

Existen pasos prácticos que los líderes pueden seguir para superar los obstáculos y llevar a cabo una transformación dual de manera efectiva. A continuación, exploraremos cómo las empresas líderes están aprovechando tres enfoques clave para impulsar sus propias transformaciones con IA.

1. Llevar a cabo la planificación de escenarios para anticipar cambios disruptivos

La IA avanza a una velocidad sin precedentes, lo que significa que las organizaciones que no logren anticiparse a las disrupciones corren el riesgo de ser sorprendidas por la competencia. La planificación de escenarios permite a los líderes explorar múltiples futuros posibles, poner a prueba sus estrategias actuales e identificar oportunidades emergentes antes de que se conviertan en tendencias dominantes.

Una importante aerolínea llevó a cabo un extenso ejercicio de planificación de escenarios para explorar cómo las tecnologías emergentes (como el aprendizaje automático, la IA generativa, la visión por computadora y la robótica avanzada) podrían transformar su modelo de negocio y la industria de viajes en general. Al analizar diversos escenarios futuros, la aerolínea buscaba anticiparse a las necesidades de los clientes, identificar oportunidades operativas y detectar posibles disrupciones en los próximos años.

El proceso comenzó con un análisis de las partes interesadas y del ecosistema, identificando las necesidades de clientes, reguladores y socios, como aeropuertos y control del tráfico aéreo, al tiempo que se consideraban las restricciones que estos grupos podrían imponer a la adopción de la IA. Las evaluaciones tecnológicas analizaron la madurez y escalabilidad de las soluciones de IA para definir qué aplicaciones estaban listas para implementarse a corto plazo y cuáles requerían inversiones a largo plazo. El equipo también analizó las innovaciones en industrias adyacentes y no relacionadas para detectar señales tempranas de cambio.

Esto se complementó con un proceso de ideación centrado en la «posibilidad», en el que la aerolínea imaginó cómo la IA podría redefinir la productividad, la eficiencia operativa y la experiencia del cliente, desde la optimización de rutas hasta la personalización de servicios.

Los hallazgos revelaron dos caminos claros de transformación. Para el negocio principal (transformación A), la aerolínea priorizó los casos de uso de IA con impacto inmediato, respaldados por tecnologías como el mantenimiento predictivo, los chatbots de IA generativa y la visión por computadora para mejorar los servicios de asistencia en tierra. Al mismo tiempo, la aerolínea desarrolló una innovación en su modelo de negocio (transformación B) mediante el desarrollo de agentes de viaje inteligentes impulsados por IA, capaces de planificar y reservar itinerarios personalizados en vuelos, hoteles y experiencias, lo que le permitió generar ingresos a través de comisiones en todo el ecosistema de viajes.

2. Alinear el liderazgo con el potencial transformador de la IA

Establecer una visión compartida en el liderazgo es fundamental para la transformación de la IA. Sin ella, las empresas corren el riesgo de fragmentarse: algunos líderes avanzan, otros dudan y el impulso se ralentiza. Aunque la verdadera alineación es un proceso que consta de varias etapas, realizar un ejercicio de alineación del liderazgo puede acelerar el proceso al revelar diferentes puntos de vista, fortalecer la convicción y definir una dirección clara.

En una empresa de tecnología industrial de la lista Fortune 500, el equipo directivo tenía perspectivas muy diferentes sobre la IA. Algunos la consideraban transformadora y vislumbraban un futuro en el que las cámaras con IA sustituirían a los costosos y sofisticados sensores de sus productos de medición. Otros se mostraban escépticos, tachando a la IA como una «moda pasajera» que distraía la atención de las prioridades del negocio. Un tercer grupo se mostraba curioso pero inseguro, luchando por comprender su verdadero potencial y sus implicaciones.

Estas diferencias plantearon cuestiones críticas sobre el verdadero potencial de la IA, la rapidez con la que la empresa debería actuar y las áreas en las que debía enfocarse. Para alinear las perspectivas y fortalecer la convicción, los 50 principales ejecutivos de la empresa se reunieron en una sesión estratégica de medio día dedicada a la IA.

La reunión dejó en claro la necesidad de actuar con urgencia tanto en las operaciones centrales como en las nuevas áreas de crecimiento. Al finalizar la sesión, los ejecutivos se alinearon en una serie de proyectos piloto «faro» diseñados como prototipos para una adopción más amplia, marcando un punto de inflexión significativo en la estrategia de IA de la compañía. También crearon un centro de capacidades para proporcionar los procesos, recursos y gobernanza necesarios para ampliar la IA. Este centro apoya el desarrollo de estrategias y casos de uso, al tiempo que colabora con los grupos de productos para dotar de recursos y avanzar en los proyectos piloto de transformación (A y B).

Para la transformación A, el liderazgo se comprometió a implementar soluciones impulsadas por IA en su centro de contacto para mejorar la eficiencia de las ventas y la interacción con los clientes. Para la transformación B, priorizaron el desarrollo de sensores definidos por software impulsados por IA, lo que cambiaría el modelo de negocio de la empresa de la venta de hardware a la venta de software.

3. Convertir las capacidades internas en oportunidades de mercado

Construir nuevos modelos de negocio impulsados por IA es un reto, pero las empresas no tienen que empezar desde cero. Al aprovechar su experiencia, datos e infraestructura interna, pueden expandir la IA más allá de sus propias operaciones, convirtiendo las capacidades internas en ventajas competitivas en nuevos mercados.

Para Shell, la IA no era solo una herramienta de eficiencia, sino una prioridad estratégica. El liderazgo se comprometió a integrarla en todas sus operaciones globales, centralizando recursos, infraestructura y talento para coordinar más de 100 aplicaciones desarrolladas y destinar sus inversiones en las oportunidades de mayor impacto dentro de su transformación A.

Más allá del ahorro de costos, cada implementación amplió el alcance y la profundidad de sus datos, mejoró la capacidad predictiva de la IA y fortaleció su base para futuras aplicaciones. Por ejemplo, cada solución de mantenimiento predictivo recién implementada generó flujos continuos de datos sobre el rendimiento de los equipos, lo que permitió ampliar los conocimientos y potenciar nuevas aplicaciones basadas en IA.

Sobre esta base, Shell colaboró con C3 AI, Microsoft y Baker Hughes para lanzar la Open AI Energy Initiative, una plataforma diseñada para establecer estándares en la industria y comercializar soluciones impulsadas por IA. Este esfuerzo fue un elemento clave en la transformación B, ya que la empresa buscó aprovechar las capacidades internas de IA para obtener una ventaja competitiva en nuevos mercados.

La IA está reescribiendo las reglas de la competencia, presentando tanto oportunidades extraordinarias como desafíos existenciales. Para las empresas establecidas, el camino a seguir no siempre es claro, pero al adoptar una transformación dual, pueden fortalecer sus operaciones actuales mientras dan pasos audaces para prosperar en esta nueva era.

E

l Departamento de Vehículos Motorizados (DMV, por sus siglas en inglés) de California era un desastre en 2019. El entonces nuevo gobernador del estado, Gavin Newsom, describió a los clientes como «indignados» por sus experiencias en el DMV. Podría tomar varias horas completar tareas simples, como renovar una licencia de conducir. Los sistemas de TI obsoletos implicaban que muchas transacciones que podrían haberse automatizado se convirtieran en experiencias desalentadoras que debían hacerse en persona. Además, la desconfianza y los silos dentro del departamento socavaban la colaboración y el cambio. Y los empleados de primera línea estaban desmoralizados y angustiados.

Ese año, el gobernador Newsom contrató al veterano ejecutivo de tecnología Steve Gordon para transformar el DMV, con el objetivo de aumentar los servicios en línea, mejorar el servicio en las oficinas locales y reforzar la moral de los empleados.

La administración de Newsom esperaba que Gordon implementara mejoras generalizadas en este departamento grande, complicado y problemático, y que lo hiciera rápidamente. Esa era una tarea difícil, considerando que el DMV cuenta con unos 10,000 empleados, 180 oficinas y un presupuesto anual de 1.3 millones de dólares, en un estado con 27 millones de conductores con licencia y 36 millones de vehículos registrados. La presión sobre el equipo de Gordon se vio amplificada por un aumento presupuestario único de 242 millones de dólares para acelerar la transformación del DMV.

Estuvieron a la altura del desafío.

Este artículo se centra en cómo el equipo logró mejorar tanto y tan rápido el DMV, gracias, en parte, a que Gordon comenzó su gestión haciendo algo aparentemente ineficiente: recorrer personalmente el terreno.

Durante sus primeros meses en el cargo, Gordon visitó las 180 oficinas locales del DMV, recorriendo aproximadamente 50,000 millas en su automóvil. Durante cada visita, que duraba entre 30 minutos y una hora, Gordon explicaba sus planes para aliviar las cargas de los clientes y empleados, y pedía al personal que identificara los problemas y propusiera soluciones.

Virtudes de la gestión al estilo “conduciendo por el terreno”

Para 2024, el equipo de Gordon había acelerado el servicio en el DMV, creado una cultura más innovadora y centrada en el cliente, y aumentado la satisfacción del cliente. En 2024, el doble de los servicios del DMV estaban disponibles en línea, en comparación con 2019. Las filas en las oficinas eran más cortas y avanzaban más rápido. Y las encuestas realizadas en las 180 oficinas locales del DMV revelaron que la satisfacción de los clientes con las visitas en persona pasó de 2.5 en 2018 a 4.25 en 2023 (en una escala de 5 puntos).

Las visitas en persona de Gordon a las 180 oficinas del DMV ayudaron a su equipo a implementar cambios que se extendieron, se mantuvieron y permitieron brindar un servicio más rápido a los clientes. He aquí cómo lo lograron.

Les dio tiempo para hacer los cambios correctos.

Gordon actuó rápidamente para establecer altos estándares para los 10,000 empleados del departamento, y para comenzar a construir una cultura en la que, cuando “reconocemos lo que se debe hacer, lo hacemos, y lo hacemos ahora”.

Sin embargo, había muchas soluciones para la crisis del DMV que el equipo de Gordon sabía que tardarían tiempo en descifrar. El equipo se dio cuenta de que, ante tales incógnitas, se encontraban en lo que el ganador del Premio Nobel Daniel Kahneman llamó un “campo minado cognitivo”, es decir, una situación en la que las personas están confundidas o abrumadas, debido a que las cosas se están desmoronando y, aunque quieren mejorar, no comprenden completamente las causas ni las soluciones. En esos casos, es prudente hacer una pausa y evaluar la situación en lugar de actuar de manera precipitada e incorrecta.

Todo ese tiempo recorriendo el terreno le dio a Gordon y a su equipo un valioso tiempo para pensar, descubrir y desarrollar mejores soluciones. Por ejemplo, Gordon y el director de transformación digital, Ajay Gupta, encontraron inaceptable que el cliente promedio pasara 28 minutos en la ventanilla para obtener un Real I.D. (una forma de identificación que pronto será obligatoria en los viajes aéreos para todos los residentes en Estados Unidos), pero necesitaban tiempo para determinar las causas y las soluciones. Las visitas de Gordon a las oficinas locales le ayudaron a identificar pasos innecesarios que el personal de la sede del DMV había añadido. Según Gordon, pudieron simplificar el proceso de manera significativa porque “cuestionaron cada uno de esos pasos”, haciendo preguntas como: “¿Proviene de un estatuto? ¿De una regulación? ¿De una política? ¿Es una buena idea? ¿Es una mala idea?”

Generó confianza entre los empleados de primera línea.

En sus primeros días en el DMV, Gordon descubrió que “la cultura predominante en aquel momento no alentaba a los empleados a cuestionar el statu quo o la sabiduría de los sistemas y procesos que estaban impactando negativamente en la experiencia del consumidor”. Gordon creía que visitar todas esas oficinas ayudaría a generar confianza entre los empleados de primera línea; permitiéndoles sentir una conexión personal con su nuevo jefe, ser vistos, escuchados y comprendidos, y sentirse más seguros para hablar.

Les proporcionó ideas sin filtros.

Cuando Gordon visitaba las oficinas locales, los empleados le hablaban de sistemas defectuosos y, a veces, ofrecían ideas para reparaciones que nunca habría descubierto si hubieran sido filtradas por la jerarquía del DMV. Durante una visita, Gordon pidió a dos empleadas de primera línea (Andrea y Samantha) que le dijeran cuál era el problema más frustrante o confuso para los clientes del DMV. Ellas identificaron de inmediato las preguntas confusas sobre donación de órganos en la solicitud de licencia para conducir. Luego, ambas esbozaron en notas adhesivas las propuestas de cambio en la redacción y el formato. Gordon llevó las notas a los ingenieros de la sede central del DMV en Sacramento, quienes implementaron los cambios.

Activó las emociones que impulsaron el cambio.

Steve Gordon era experto en contar historias que despertaban emociones entre los empleados y los inspiraban a ayudar a implementar (en lugar de socavar) mejoras generalizadas en el servicio al cliente. Las visitas que Gordon hizo a las 180 oficinas, así como la forma en que hablaba sobre los pequeños reveses y triunfos, hacían alusión al “viaje del héroe”, descrito por el escritor Joseph Campbell. (El personaje principal, que atrae a la audiencia y tiene un objetivo deseable, emprende un viaje difícil, encuentra obstáculos y reveses, recluta aliados y reúne recursos a medida que avanza. Y al final, el héroe alcanza su objetivo).

Gordon contó la historia de Andrea y Samantha en un video de tres minutos del “Director’s Corner”, titulado “Speak Up”, que se compartió con todos los empleados del DMV. El video incluía entrevistas con el dúo para ilustrar cómo, al mirar a su alrededor, los empleados que sienten curiosidad por su trabajo, prestan atención a los obstáculos y se percatan de las frustraciones que enfrentan los clientes (y dicen algo al respecto), pueden mejorar los servicios del DMV. En el video, Gordon instaba a los empleados a hablar con sus supervisores sobre dichos obstáculos y frustraciones, o a enviarle un correo electrónico directamente.

Los líderes y equipos que facilitan hacer lo correcto (y dificultan hacer lo incorrecto) en las organizaciones tratan la resolución de conflictos como un estilo de vida. Como nos dijo un CEO sobre los esfuerzos de su empresa por eliminar las reuniones innecesarias, ese trabajo es como “cortar el césped”, se requiere un mantenimiento constante; no es algo que se haga “una sola vez y ya”.

S

i bien está claro que lo que dicen las empresas, los empleados y los consumidores importa, el momento en el que lo dicen también desempeña un papel fundamental. Por ejemplo, una estrategia de persuasión muy conocida en los encuentros de ventas es hacer muchas preguntas al cliente, especialmente al principio, para recopilar información sobre los problemas que deben resolverse de manera oportuna. Pero ¿podría haber ciertos momentos en los que se deba utilizar otro tipo de lenguaje?

Para estudiar el impacto del uso de diferentes estilos de lenguaje y comunicación, nos embarcamos en un estudio que analiza decenas de miles de momentos conversacionales en dos industrias diferentes, junto con las respuestas de más de 1,000 participantes del experimento. Ambos conjuntos de resultados conducen al mismo hallazgo: el uso del lenguaje influye en la satisfacción del cliente y el volumen de compras.

Investigación sobre la sincronización lingüística.

Nuestro método de investigación trata el contenido de la comunicación como una serie temporal, donde el costo o beneficio del lenguaje utilizado forma picos o valles a lo largo de la secuencia de palabras. Para examinar el impacto potencial del método en los negocios, analizamos una variedad de características importantes del lenguaje, incluidos los pronombres personales, las preguntas formuladas, y las señales de cordialidad y competencia.

Considere, por ejemplo, un lenguaje competente frente a un lenguaje cordial en el servicio al cliente. Los empleados de primera línea inicialmente podrían saludar a un cliente con «¿Cómo está?» o «¿Cómo puedo ayudarle?» Ambas son formas habituales de iniciar una conversación, sin embargo, la primera es más cordial, y la segunda se centra en resolver las necesidades del cliente. Del mismo modo, los empleados podrían utilizar un lenguaje más cordial u orientado a la competencia al final de una conversación (por ejemplo, «Fue un placer. Cuídese» o «Me alegra haber solucionado el problema. Hasta luego»).

Hasta ahora, en ventas y servicio al cliente, académicos y gerentes han coincidido en gran medida en que es más rentable ser percibido como competente, y que puede resultar costoso centrarse en la cordialidad. Por lo tanto, debería priorizarse un estilo de comunicación competente.

Resultados reales de un minorista y una aerolínea

Primero recopilamos más de 20,000 momentos conversacionales (turnos) en más de 400 conversaciones de servicio al cliente de dos empresas diferentes con sede en EE. UU., un minorista de moda y una aerolínea. Las conversaciones fueron anonimizadas y transcritas, y luego sometidas a análisis de texto.

El lenguaje cordial incluye palabras como “esperanza”, “sentir” y “cuidar”, mientras que palabras más activas como “resolver”, “encontrar” y “explicar” tienen vínculos validados con percepciones de competencia. A continuación, analizamos las relaciones momento a momento entre estas dos características del lenguaje y resultados, como la satisfacción del cliente y el volumen de compras, combinando un enfoque de modelado dinámico con un método de aprendizaje automático.

En ambos entornos industriales, los clientes estaban más satisfechos (y gastaban más) cuando los empleados hablaban cordialmente al principio y al final de la conversación. El lenguaje competente funciona a la inversa: es costoso comenzar y terminar la conversación utilizando un lenguaje orientado a la competencia, pero beneficioso (para el negocio) al resolver las necesidades del cliente en medio de la conversación.

Además, nuestras simulaciones sugieren que, en el extremo superior, el uso de un lenguaje cordial y competente, en el momento adecuado (y no en todo momento), podría resultar en una mejora de hasta 1.5 puntos en una escala de satisfacción del cliente de siete puntos, y casi tres compras adicionales en los 30 días siguientes a la interacción.