D

urante décadas, las organizaciones han codificado su conocimiento en formatos diseñados para el consumo humano: sitios web con diseños visuales, PDFs con tablas formateadas, presentaciones con gráficos, documentos con encabezados y viñetas. Los datos no solo se presentan para los seres humanos, sino que también se almacenan de esa manera.

Pero los formatos de datos son solo parte del problema. Incluso cuando la información está estructurada correctamente, los agentes siguen enfrentando barreras: sistemas que no se comunican entre sí, interfaces de acción diseñadas para hacer clic en lugar de ejecutar comandos, y mecanismos de autenticación que asumen que un humano realiza las solicitudes.

La solución es exponer las capacidades de los sistemas mediante interfaces programáticas. En lugar de que un agente “haga clic” a través de un portal, el sistema debería proporcionar un canal directo donde el agente pueda autenticarse, solicitar datos y actuar. Protocolos como el MCP son los primeros pasos hacia la estandarización, pero el verdadero catalizador serán las organizaciones que primero reconfiguren sus sistemas y superen a aquellas que todavía ejecutan agentes a través de interfaces humanas.

La capa humana

Las mismas suposiciones que moldearon nuestro software también moldearon nuestras organizaciones: sistemas diseñados en torno a limitaciones humanas que los agentes no comparten. La capa organizacional es aún más profunda.

Las jerarquías corporativas existen por dos razones relacionadas. Primero, los humanos tienen una capacidad limitada para procesar información. Segundo, la coordinación es costosa.

Los agentes de IA socavan ambas justificaciones. Acceden a los datos de los departamentos al instante, reconcilian inconsistencias, identifican patrones y generan reportes en segundos. Además, coordinan la información a un costo marginal cercano a cero, colapsando los costos de transacción que justificaban múltiples capas de mandos intermedios.

Esto plantea una pregunta: Si los agentes pueden encargarse tanto de la coordinación como de la ejecución, ¿qué deberían hacer los humanos?

En la práctica, observo que los roles humanos se desplazan hacia propietarios y verificadores.

Los propietarios definen cómo luce el éxito. Establecen la dirección, toman decisiones que implican valores y compensaciones, y determinan las restricciones dentro de las cuales operan los agentes.

Los verificadores auditan los resultados, gestionan excepciones y mantienen la responsabilidad cuando algo sale mal. Revisan lo que producen los agentes, detectan errores antes de que escalen y toman decisiones que quedan fuera de los parámetros normales.

Esto no se trata de eliminar puestos. Se trata de cambiar lo que requieren esos puestos.

Los mecanismos de control

Un agente con acceso a todo también puede romper todo. Aquí es donde la burocracia demuestra su valor. Los formularios, las autorizaciones y las revisiones obligatorias surgieron para prevenir errores, garantizar la equidad y resolver problemas de coordinación conforme las organizaciones crecieron. Estos procesos existen para detectar fallas antes de que se vuelvan irreversibles.

El camino a seguir

La transición hacia operaciones centradas en agentes no requiere una transformación masiva. Requiere cambios concretos en cuatro áreas.

1. Datos: Conviértalos en texto sin formato.

Convierta las políticas, los procedimientos, las notas de reuniones y el conocimiento institucional a formatos de texto sin formato, como Markdown. Almacénelos en estructuras de directorios con capacidad de búsqueda. Los PDF y documentos formateados se convierten en resultados para los seres humanos, no en fuentes de verdad para los agentes.

2. Herramientas: Construya herramientas para agentes.

Cree interfaces programáticas que permitan a los agentes consultar datos de la empresa y ejecutar acciones. Comience con acceso de solo lectura a bases de conocimiento y después agregue capacidades de escritura con mecanismos de aprobación humana.

3. Roles: Reestructure en torno a la propiedad y la verificación.

Para cada rol, identifique qué corresponde a propiedad (definir el éxito, establecer restricciones), qué corresponde a verificación (auditar resultados, gestionar excepciones) y qué corresponde a ejecución (territorio de los agentes). Contrate pensando en autonomía, no solo en habilidades técnicas.

4. Mecanismos de control: Diseñe un sistema de verificación independiente.

Implemente reglas automáticas que detecten situaciones fuera de lo normal y establezca autorizaciones obligatorias para acciones de alto impacto. Y asegúrese de que estos controles sean simples e independientes de los sistemas de IA que supervisan.

S

i bien la IA puede crear espacio para un pensamiento de mayor nivel, también puede tentarnos a externalizar ese pensamiento por completo. El desafío no es solo que la IA sea poderosa, sino también persuasiva. Redacta primero, suena segura y se mueve rápido. Cuando estamos bajo presión, cansados o simplemente ansiosos por avanzar, es fácil dejar que la herramienta tome decisiones por nosotros sin detenernos a considerar si estamos a punto de delegar en la IA el pensamiento que deberíamos hacer nosotros mismos.

A medida que la tecnología se vuelve más capaz y promete más velocidad y facilidad, las decisiones complejas requerirán reducir cada vez más la velocidad y pensar profundamente.

Para estar a la altura de este momento, no necesitamos más habilidades técnicas. Necesitamos orientación: una idea clara de nuestro papel, de la naturaleza de la tarea y de qué decisiones nos pertenecen a nosotros, no a la máquina. He desarrollado lo que denomino “pilares del liderazgo en IA”: cuatro principios simples y duraderos para ayudar a los líderes a mantenerse firmes en su rol como pensadores, no como usuarios de herramientas.

Los cuatro pilares del liderazgo en ia

He aquí cómo funcionan los pilares, por qué cada uno es crucial y qué preguntas debería hacerse.

1. La verificación de la autoridad

La IA puede ser excelente para comenzar a desarrollar sus ideas y crear un producto de trabajo. Pero, aunque pueda “crear” el producto, usted es la autoridad sobre la situación. No permita que el primer borrador de la IA sea su versión final.

Al revisar los resultados de la IA, pregúntese:

— ¿Llegué a donde quería llegar?

— ¿Resolví el problema que identifiqué?

— ¿Este es el tono, el matiz y el contexto que quiero?

— ¿Qué ha pasado por alto o asumido la IA?

2. La verificación del propósito

La IA puede sugerir los próximos pasos, pero no conoce sus verdaderas motivaciones. Le dará respuestas basadas en lo que otras personas han hecho. No entiende sus valores, su contexto, sus relaciones ni su visión a largo plazo.

Identifique un punto en su proceso de decisión para reenfocarse en lo que realmente le importa. Pregúntese:

— ¿Cuál es mi objetivo a corto plazo?

— ¿Cuál es mi objetivo a largo plazo?

— ¿Las respuestas de la IA reflejan estos objetivos?

3. La verificación de la responsabilidad

No importa cuán útil sea una herramienta: usted es responsable de las consecuencias cuando algo sale mal. Cuando hay mucho en juego, asegúrese de que su propio razonamiento sustente sus decisiones, no la IA.

Antes de compartir el resultado generado por la IA, pregúntese:

— ¿Respaldo esta información?

— ¿Me siento cómodo defendiendo este punto de vista?

4. La verificación de la verdad

La IA siempre suena segura de sí misma, incluso cuando no debería estarlo (ni usted). Está entrenada con datos agregados que pueden contener información desactualizada, incompleta o incorrecta, y a veces inventa por completo fuentes e historias.

Aporte escepticismo a la IA para evitar que las suposiciones infundadas, la información errónea y la desinformación se infiltren en tu trabajo. Interrogue activamente la respuesta que recibe. Pregúntese:

— ¿Esta información es verificable?

— ¿Existe otra perspectiva sobre el problema?

— ¿De qué manera podría ser errónea esta información?

Anclando sus decisiones

Es fácil sentir una sensación de asombro o incluso alivio frente a las crecientes capacidades de la IA. Es tan rápida y segura que es fácil dudar de nuestro propio pensamiento y ceder el control. Pero la IA no es magia ni es omnisciente. Las herramientas de IA pueden apoyar nuestra toma de decisiones, desafiar nuestras suposiciones y ayudarnos a ver más allá, pero no entienden nuestro contexto, nuestras relaciones ni lo que más nos importa.

S

us entrevistas han ido bien, y el posible empleador está impresionado por usted y sus cualificaciones. Sin embargo, antes de enviar una carta de oferta, deberán hacer una última cosa: Una verificación de referencias. Durante esta “debida diligencia”, la mayoría de los empleadores le pedirán que les proporcione la información de contacto de tres terceros que puedan verificar su experiencia laboral y hablar sobre sus cualificaciones y carácter.

Una buena referencia es alguien que pueda hablar de manera creíble sobre sus cualificaciones relevantes y que lo conozca lo suficientemente bien como para expresar confianza sobre su carácter y sus habilidades. Por lo general, la mejor referencia es un exgerente o supervisor para quien trabajó en una capacidad similar o relacionada.

La credibilidad y el conocimiento directo de su trabajo son clave para una recomendación sólida, por lo que las referencias cuyo título o experiencia transmiten autoridad y las personas que tienen experiencia directa con usted proporcionarán las referencias más sólidas.

Sin embargo, al principio de su carrera, es posible que no tenga mucho historial profesional. Está bien, las siguientes pueden ser excelentes referencias:

— Gerente o supervisor anterior

— Compañero de trabajo

— Cliente o consumidor

— Profesores o maestros

— Supervisor en una organización voluntaria

— Entrenador atlético o mentor

— Amigos de la familia

Es probable que su posible empleador también quiera hablar con su supervisor actual, pero si no está listo para informarle a su jefe que está buscando trabajo, puede decir: “Aún no le he dicho a mi gerente sobre mi decisión de dejar mi puesto actual. Podría proporcionarle la referencia de un compañero de trabajo, si eso funciona. Alternativamente, me complacería conectarlo con mi gerente en el punto de la oferta, dependiendo de esta referencia final”.

Recuerde, nunca proporcione la información de contacto de alguien como referencia sin obtener su permiso primero. Si tiene números de teléfono para la lista de referencias que ha hecho y se siente cómodo haciéndolo, preguntar personalmente por teléfono es una excelente opción. En muchos casos, sin embargo, es más simple enviar un correo electrónico en el que les recuerda quién es y les hace la petición.

Si alguien ha aceptado ser su referencia, usted necesita posicionarlos para el éxito. Una vez que haya dado el nombre al posible empleador, comuníquese para informarle a su referencia que espere una llamada o un correo electrónico. Envíeles una copia de su currículum o una breve declaración biográfica, así como la descripción del puesto y las habilidades o cualidades específicas que le gustaría que destaquen en su conversación. Recuérdeles sus logros, específicamente aquellos relevantes para el puesto.

Asegúrese de compartir por qué está entusiasmado con el trabajo y cómo se ajusta a sus metas o aspiraciones. Proporcionarán una recomendación más convincente si conocen más de su historia.

Independientemente del resultado, siempre debe hacer un seguimiento con su referencia. En primer lugar, agradecerles por recomendarlo es de buenos modales. Además, una vez que hayan tenido una conversación con su gerente de contratación, tendrán curiosidad por saber el resultado y se sentirán muy bien si lo ayudaron a conseguir el trabajo.

L

os desafíos que enfrentan los líderes empresariales nunca han sido mayores. Las decisiones habituales son cada vez más complejas, dada la inflación, las tensiones comerciales y la incertidumbre política. Los problemas relacionados con el capital humano ahora incluyen la diversidad, la equidad y la inclusión, la salud mental y la mejora de las capacidades para la cuarta revolución industrial. Las cuestiones ambientales, sociales y de gobernanza ya no se pueden delegar a un departamento de responsabilidad social corporativa, sino que son responsabilidad de la alta dirección. La inteligencia artificial ofrece innumerables oportunidades, pero también múltiples amenazas.

Sin embargo, los ejecutivos tienen una herramienta para combatir estos desafíos: la información. Con solo hacer clic con el mouse o presionar un botón, pueden acceder a investigaciones de vanguardia sobre prácticamente cualquier tema. Con tanta información disponible, ¿cómo saber en qué confiar? Como han puesto de manifiesto controversias recientes, incluso las investigaciones publicadas en revistas de élite, revisadas por expertos, podrían basarse en datos manipulados. El sesgo de confirmación puede significar que lo que la gente comparte y, por lo tanto, lo que vemos en las noticias, es lo que quieren que sea verdad, en lugar de lo que es realmente cierto. Lo que los ejecutivos necesitan es una taxonomía simple de la desinformación para saber a qué prestar atención.

En un nuevo libro, me baso en las herramientas de investigación en ciencias sociales para desarrollar lo que yo llamo la “escalera de la inferencia errónea”, que clasifica la desinformación en cuatro pasos en falso. Este marco puede resultar útil para líderes de todo tipo, que necesitan gestionar sus propias avalanchas informativas.

El primer paso en falso es que una declaración no es un hecho, porque puede no ser exacta. ¿Con qué frecuencia aceptamos una declaración tal como se presenta porque nos gusta lo que dice? Por ejemplo, mi investigación destaca los beneficios del gobierno corporativo y el valor del capitalismo de partes interesadas. Por ello, cuando me encontré con un informe de una influyente ONG, que afirmaba que las empresas con altos estándares ambientales, sociales y de gobierno corporativo (ASG o ESG, por sus siglas en inglés) superan a sus homólogas, estaba ansioso por aceptar esta afirmación acríticamente. El estudio incluía notas a pie de página que sugerían que había evidencia que lo respaldaba, por lo que fue tentador pensar que esto era suficiente y seguir adelante.

Pero el primer paso para un pensamiento más inteligente es verificar los hechos. En este caso, seguí la nota a pie de página sólo para descubrir que la fuente subyacente decía lo contrario de lo que afirmaba el informe. La nota a pie de página llevaba a un artículo titulado «Donde los criterios ASG fallan», y cuyo subtítulo afirmaba que «A pesar de innumerables estudios, nunca ha habido evidencia concluyente de que las pantallas socialmente responsables proporcionen alfa». Una nota al final de una oración no significa que la nota realmente respalde la oración: la afirmación no es un hecho.

Otras inexactitudes surgen debido a errores de medición. Un artículo afirmaba que las empresas que invierten en ASG obtienen grandes beneficios. Pero al profundizar en el estudio, uno se da cuenta de que los autores nunca midieron realmente el nivel de ASG de una empresa, sino que simplemente se limitaron a preguntar a las empresas si pensaban que los ASG se habían vuelto más importantes, lo cual es muy diferente. Incluso si una declaración está vinculada a una avalancha de datos, estos pueden no medir realmente lo que se afirma en la declaración.

El segundo problema es que un hecho no es un dato, porque puede no ser representativo. Los estudios de casos son un método de enseñanza popular y poderoso. Pero los gurús suelen elegir el ejemplo que ilustra el punto de la manera más destacada posible, ya que hace que la historia sea más memorable. Una sola anécdota, o incluso un par de anécdotas, nos dicen poco, porque podrían estar seleccionadas a conveniencia. Son excepciones que no confirman la regla.

Nos encanta aprender de las historias de éxito, pero nunca se puede identificar lo que impulsó el éxito, a menos que también se estudie el fracaso. El conjunto de datos debe incluir empresas con la fórmula secreta que fracasaron, así como aquellas que no la tenían y que tuvieron éxito. Si solo se presentan aquellas que siguieron la fórmula y ganaron el premio mayor, entonces se tiene una muestra seleccionada.

La tercera advertencia es que los datos no son evidencia, porque pueden no ser concluyentes. Los datos a gran escala pueden ser representativos, pero son sólo un primer paso, porque los datos no son más que un conjunto de hechos. La evidencia es un conjunto de hechos que nos permite llegar a una conclusión. Para ello, no sólo es necesario respaldar su teoría, sino también rechazar teorías rivales, del mismo modo que las pruebas en un juicio penal sólo son significativas si señalan a un sospechoso en particular.

Pregúntese siempre si existen otras teorías que sean consistentes con los datos que tiene ante usted, en lugar de aceptar de inmediato la explicación que desea que sea cierta.

El último punto a tener en cuenta es que la evidencia no es una prueba, porque puede no ser universal. Incluso si la evidencia respalda un resultado a la perfección, puede que sólo lo haga en el contexto en el que se recopiló, y que no lo haga en ningún otro.

Según uno de mis estudios, las empresas con un alto grado de satisfacción de sus empleados superan a sus homólogas en un 2.3% y un 3.8% anual en rentabilidad bursátil a largo plazo, lo que equivale a un aumento acumulado del 89% al 184%, incluso después de controlar otros factores que impulsan la rentabilidad. Otros análisis sugieren que es la satisfacción de los empleados la que genera un buen rendimiento, en lugar de que un buen rendimiento permita a una empresa invertir en la satisfacción de los empleados.

Sin embargo, este estudio se limitó a los EE. UU. Con algunos coautores, amplié mi estudio original a 30 países. Descubrí que mis conclusiones originales solían mantenerse, pero no siempre. En países con regulaciones laborales estrictas, las empresas con un alto grado de satisfacción de sus empleados ya no superaban a las demás. Eso tiene sentido: la ley implica que sus competidores ya ofrecen un alto nivel de bienestar laboral, por lo que aquellos en la parte superior pueden estar más allá del punto de rendimientos decrecientes.

¿Cómo podemos poner en práctica la escalera de la inferencia errónea al encontrar información? Haciéndonos las siguientes preguntas:

1. Si vemos una declaración, ¿está respaldada por datos? Incluso si la afirmación está respaldada, ¿qué miden realmente los datos?

2. Si escuchamos un hecho, como una historia o anécdota, ¿es representativo o ha sido seleccionado a conveniencia? ¿El autor considera otras empresas con la fórmula secreta que fracasaron, así como aquellas que no la tenían y que tuvieron éxito?

3. Si nos dan datos a gran escala, ¿cuáles son las teorías rivales que son consistentes con los mismos datos? Un consejo práctico para identificar teorías rivales es imaginar que el estudio encontró el resultado opuesto (uno que no nos gusta) y pensar en cómo intentaríamos refutarlo.

4. Si encontramos evidencia sólida, ¿se aplica en el entorno que nos interesa? Un estudio que concluye que la capacitación de los empleados funciona en el ámbito tecnológico, no necesariamente significa que sea eficaz en la minería, donde la salud y la seguridad son primordiales y las normas tienen más valor.

Estos antídotos resaltan que comprender los datos no requiere pirotecnia estadística, sino sentido común, pensamiento crítico y una buena dosis de escepticismo.