S

egún una encuesta global realizada a 500 ejecutivos por el Capgemini Research Institute, se prevé que el uso activo de IA en reuniones de equipo se triplique en los próximos tres años. Introducir IA en las reuniones sin sentar las bases adecuadas puede reducir la participación, fragmentar las discusiones o desplazar el sentido de pertenencia y responsabilidad fuera del equipo.

Afortunadamente, existe un enfoque que ayuda a superar estos obstáculos: lo llamamos “química humano-IA en los equipos”. Nuestra investigación señala tres prácticas que pueden ayudar a desarrollar esta nueva capacidad a medida que la IA se integra cada vez más en las organizaciones.

Estas recomendaciones surgieron de un experimento de cinco meses en el que participaron 60 directivos de 12 empresas de diversos sectores. Para garantizar la consistencia, todos los equipos siguieron la misma metodología y utilizaron el modelo ChatGPT de OpenAI. Observamos en tiempo real las interacciones de los equipos con la IA, analizamos las transcripciones completas del chat y realizamos encuestas posteriores a las sesiones para conocer la opinión y experiencia de los participantes.

Sesión uno: Falsos comienzos y potencial desaprovechado

En la primera sesión, los equipos comenzaron a guardar más silencio, adoptaron una actitud más pasiva y empezaron simplemente a observar la pantalla mientras la IA generaba respuestas. En lugar de potenciar la colaboración, la IA parecía, al menos al principio, debilitarla.

Una revisión más detallada de las transcripciones del chat reveló la raíz del problema. Al interactuar con la IA, los equipos no seguían las mismas normas. Al no tener conocimiento del contexto del equipo, de sus distintos roles, experiencia y puntos de vista, la IA recurría por defecto a una perspectiva limitada y centrada en el individuo.

También surgió otro patrón interesante: la mayoría de los equipos asignaba a la IA un único rol estático (generalmente el de “investigador” o “experto en la materia”) y mantenía ese mismo papel durante toda la sesión. Además, observamos que las instrucciones que los equipos daban a la IA solían ser breves y transaccionales. La IA con frecuencia se adelantaba proponiendo “siguientes pasos” no solicitados u opciones ya preparadas, empujando al equipo hacia simples confirmaciones de un solo clic.

Sesión dos: Construyendo la química entre el equipo y la IA

Para ayudar a los equipos a evitar los problemas que enfrentaron en la primera sesión, desarrollamos un marco de trabajo de tres elementos:

1. Interactuar con la IA como equipo.

2. Aprovechar la flexibilidad de roles de la IA.

3. Mantener la responsabilidad colectiva.

Introdujimos una lista práctica de preguntas para guiar su análisis y ayudarles a identificar los patrones de interacción que estaban limitando su efectividad. Al trabajar con este conjunto de preguntas, los participantes reflexionaron sobre la forma en que interactuaban con la IA como equipo. Después de la segunda sesión, los equipos parecían más animados. La mayoría comenzó a presentarse de forma grupal, y la IA empezó a considerar los matices de los diferentes roles y niveles de experiencia. Los equipos también comenzaron a utilizar la IA de manera mucho más flexible. Dependiendo de la etapa de la discusión, se le pedía a la IA que actuara como socia para generar ideas, como una voz crítica para cuestionar supuestos, como un “prototipador” para crear materiales y como narradora para perfeccionar presentaciones.

Sin embargo, en las sesiones posteriores, la dinámica cambió gradualmente. Antes de enviar una instrucción, los equipos hacían una pausa para discutir entre ellos cómo plantear la siguiente iteración. Estas pausas resultaron fundamentales: evitaron que el equipo cayera en un “modo espectador” y les ayudaron a mantenerse firmemente al mando de la conversación. La participación promedio aumentó un 30%, y los participantes señalaron que la IA estaba aportando un apoyo mucho más significativo a las discusiones del equipo.

Construyendo química entre el equipo y la IA en sus reuniones

Como muestra nuestro experimento, este tipo de química entre equipos e IA no surge de manera natural, y rara vez aparece en el primer intento. Para la mayoría de los equipos, necesita cultivarse deliberadamente e integrarse intencionalmente en su forma de trabajar. ¿Cómo hacerlo en la práctica? He aquí tres recomendaciones:

1. Planifique la agenda de la reunión incluyendo espacios específicos para el uso de IA.

2. Prepare algunas instrucciones para recurrir a la IA en un rol determinado.

3. Después de la sesión, revise el historial del chat.

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.

L

a IA puede ayudar a los empleados a trabajar más rápido, pensar en grande e innovar más. En el proceso, estamos viendo que también puede generar sobrecarga cognitiva, con las consecuencias personales y empresariales que esto conlleva. Nuestros hallazgos sugieren que la diferencia entre ambos escenarios no radica en la cantidad de IA que utiliza una persona, sino en cómo los trabajadores, equipos, líderes y organizaciones moldean su uso. Algunas lecciones para los líderes son:

Rediseñar los puestos, el trabajo y las herramientas de forma integral bajo una responsabilidad humano + IA.

La supervisión de la IA no puede simplemente añadirse encima de la supervisión humana; tampoco se pueden acumular agentes de IA sobre un mismo usuario de manera indefinida. Así como existen normas sobre los tramos de control para gestionar personal, también es necesario definir límites para la supervisión humano + agente y para los agentes por sí solos. Nuestra investigación sugiere que, al utilizar tres agentes de IA al mismo tiempo, comienzan a observarse efectos negativos en la productividad. En cambio, cuando los equipos integran profundamente la IA en sus flujos de trabajo y tratan la tecnología como una capacidad colectiva (y no como un diferenciador individual), la carga cognitiva disminuye. Además, quienes diseñan nuevas herramientas de IA deberían hacerlo teniendo en cuenta la neurobiología. Las herramientas que requieren menos atención intensa o memoria de trabajo (y que, en su lugar, favorecen la divagación creativa, fomentan la interacción social o apoyan el desarrollo de habilidades) pueden generar aún más valor empresarial, pero de forma sostenible, al tiempo que impulsan la innovación, promueven el crecimiento y generan satisfacción en los usuarios.

Establecer expectativas explícitas sobre la IA y la carga de trabajo.

Cuando las organizaciones celebran las “ganancias de productividad” sin aclarar sus implicaciones en la carga de trabajo, los empleados lo interpretan como una intensificación del trabajo. Esa ambigüedad, por sí sola, puede aumentar el estrés. Los líderes reducen la presión cuando definen claramente el propósito de la IA dentro de la organización, explican cómo redefine el alcance de los roles, establecen lineamientos sobre la supervisión y aclaran cómo evolucionará la carga de trabajo. El 70% de los esfuerzos de transformación de la IA debería dedicarse a las personas y los procesos, proporcionando la claridad necesaria para que los empleados puedan prosperar.

Cambiar las métricas: De la actividad (y la intensidad) al impacto.

Incentivar la cantidad de uso conducirá a desperdicio, trabajo de baja calidad y una carga mental innecesaria. Parta de un objetivo claro y estratégico, con resultados medibles. Actúe con cautela al responder a la innovación en materia de eficiencia. No se apresure a rellenar con más trabajo aquello que un colaborador ingenioso acaba de automatizar; hacerlo de inmediato se percibirá como un castigo y desincentivará futuras iniciativas de innovación.

Desarrollar habilidades en los trabajadores para gestionar la carga de trabajo con IA.

Algunas personas están “trabajando más para gestionar las herramientas que para resolver realmente el problema”. En nuestro trabajo con desarrolladores de software, hemos encontrado que quienes están más avanzados en el uso de IA comienzan a sentirse bloqueados en su progreso si no desarrollan nuevas habilidades críticas, como la correcta definición del problema, la planificación del análisis y la priorización estratégica. Este tipo de habilidades puede fortalecerse mediante la capacitación y el desarrollo del talento, como una forma de reducir una gran cantidad de trabajo innecesario generado por la IA. El hecho de que un trabajador pueda seguir iterando con IA a un costo marginal bajo no significa que deba hacerlo.

Gestionar estratégicamente la atención humana como un recurso finito.

Algunas de las habilidades humanas más valiosas hoy en día (como el discernimiento, la toma de decisiones y la planificación estratégica) requieren atención enfocada. Si bien el agotamiento laboral se ha convertido en una preocupación en muchos entornos de trabajo, la fatiga mental es más difícil de detectar en las encuestas tradicionales. Las organizaciones deberían desarrollar medidas de análisis de datos sobre el personal para supervisar la carga cognitiva en general y prevenir la fatiga mental, ya que el uso de la IA supone un nuevo riesgo laboral. Las culturas, los equipos y los líderes que den prioridad al bienestar cognitivo pueden esperar una mejora en la capacidad de juicio, una reducción de los errores y mayores tasas de retención del talento clave.

L

os líderes se enfrentan a una cruel paradoja en la adopción de la IA. Han hecho lo que se supone que debían hacer: implementar las herramientas adecuadas, invertir en capacitación e integrar la IA en los flujos de trabajo cotidianos. Sin embargo, la adopción real sigue siendo desigual y difícil de escalar. El manual que funcionaba para las olas tecnológicas pasadas ya no es suficiente.

Lo que separa a las organizaciones donde la IA realmente se adopta de aquellas donde no ocurre no es contar con mejor infraestructura ni imponer mandatos desde la dirección, sino la influencia entre pares. Los empleados que ven a colegas de confianza experimentar con la IA, adaptarla a sus funciones reales y compartir lo que funciona, tienen muchas más probabilidades de utilizar la IA con frecuencia, emplear agentes para automatizar flujos de trabajo y transmitir ese conocimiento a otros. El aprendizaje entre pares hace lo que la formación formal por sí sola no puede: ofrece evidencia convincente de que la IA es segura, relevante y utilizable en funciones reales.

La investigación

Somos investigadoras de Microsoft, estudiamos cómo la IA está transformando el trabajo. A través de nuestros estudios y de conversaciones continuas con empresas que están atravesando procesos de adopción de IA, escuchamos repetidamente la misma preocupación: a pesar de tener acceso a las herramientas y de recibir incentivos para usarlas, el uso de la IA no se estaba extendiendo tan rápido como los líderes esperaban. Queríamos entender por qué, específicamente, cómo las dinámicas sociales dentro de las organizaciones influyen en las decisiones de los empleados sobre el uso de la IA.

Medimos la adopción de la IA de tres maneras: con qué frecuencia las personas decían utilizar IA, si habían creado o utilizado un agente de IA y si alguna vez habían mostrado a sus colegas cómo utilizan la IA. Nuestro equipo también retomó décadas de investigación sobre la adopción organizacional de nuevas tecnologías realizada por numerosos especialistas de distintas disciplinas, lo que señalaba cinco variables sociales que esperábamos que actuaran de forma conjunta para impulsar la adopción de la IA:

1. Cultura organizacional: qué tan innovadora y tolerante al riesgo perciben los empleados que es su empresa, y qué tan colaborativo, estable y seguro sienten su entorno de trabajo.

2. Impulso desde el liderazgo: de qué manera los líderes y la alta dirección apoyan y fomentan el uso de la IA.

3. Condiciones facilitadoras: la provisión de recursos, capacitación e infraestructura para el uso de IA, como por ejemplo canales de aprendizaje.

4. Capital social: el grado en que las personas cuentan con colegas de confianza a quienes pueden recurrir dentro y a través de su organización.

5. Influencia entre pares: en qué medida los colegas normalizan, fomentan y se enseñan mutuamente a utilizar la IA.

Esperábamos que el uso de la IA fuera mayor cuando las personas trabajaban en culturas organizacionales percibidas como innovadoras y seguras. En estas organizaciones, anticipábamos que los líderes fomentarían el uso de la IA y crearían las condiciones necesarias para facilitar su adopción. Las organizaciones que se perciben como seguras también suelen ser aquellas en las que los empleados tienen más conexiones de confianza entre sí (capital social), lo que permite que los colegas tengan una mayor influencia sobre el uso de la IA de los demás.

Cómo los líderes pueden fortalecer la influencia entre pares

Aunque los mandatos de arriba hacia abajo en torno a la adopción de la IA no producen los mismos resultados potentes que el aprendizaje entre pares, los líderes desempeñan un papel importante al crear el contexto en el que ese aprendizaje puede ocurrir:

— Crean las condiciones para el aprendizaje entre pares.

— Son consistentes al fomentar el uso de la IA.

— Crean y apoyan múltiples espacios para que los empleados aprendan y conversen entre sí sobre el uso de la IA.

— Modelan y enseñan su propio uso de la IA.

— Invitan a los empleados a compartir sus experiencias y los reconocen cuando utilizan la IA de forma efectiva.

La conclusión para el liderazgo es simple: no se puede escalar el uso de la IA solo pidiendo a las personas que la adopten. Se escala haciendo visible el aprendizaje. Cuando la experimentación se ve, se comparte y ocurre en un entorno socialmente seguro, el miedo pierde fuerza y la adopción llega de forma natural.