La IA Encontró el Problema. Son Tus Decisiones
Adopción de IA: Menos del 30% de las organizaciones que usan IA ven resultados significativos. El rediseño de la toma de decisiones es fundamental.
Teatro de Productividad: La IA mejora la velocidad pero no la toma de decisiones. Las organizaciones caen a menudo en la trampa del 'humano-en-el-bucle'.
Diseño Organizacional: La IA requiere cambiar las estructuras de decisión, no solo implementar herramientas, para mejorar procesos y resultados.
Enfoque Conductual: La respuesta humana y la integridad del proceso son claves en la adopción de IA, más allá de desplegar tecnología.
Cambio en el Liderazgo: La IA exige un liderazgo adaptable más allá de los marcos tradicionales, centrado en la guía más que en el control.
Menos del 30% de las organizaciones que intentan implementar IA están obteniendo rendimientos significativos, una cifra que se ha mantenido obstinadamente estable incluso cuando la adopción de herramientas se ha acelerado.
Paul Gibbons, consultor y autor de "Adoptando la IA: El enfoque centrado en las personas", ha pasado tres décadas observando implementaciones de tecnología que fracasan por la misma razón subyacente.
«Las barreras son organizacionales. Silos, cultura, mentalidad, habilidades.»
Lo que suele no aparecer en los análisis post-mortem es esto: la organización nunca rediseñó la forma en que toma decisiones.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Esa observación parece abstracta hasta que se examina cómo se ve realmente el fracaso desde dentro. Jurgen Appelo, autor de "Human Robot Agent" y fundador del boletín Solo Chief, denomina al patrón más común teatro de la productividad.
La dirección ordena el despliegue de herramientas de IA. Los equipos aprenden a utilizarlas, los resúmenes se multiplican y hay tomadores de notas en cada reunión. Entonces, casi imperceptiblemente, la organización se da cuenta de que todo es más rápido, pero nada ha cambiado fundamentalmente.
«Las empresas están echando IA por encima de flujos de trabajo rotos y se nota.»
Los flujos de decisión que subyacen a estos flujos de trabajo—quién toma la decisión, qué datos la informan, dónde se requiere juicio humano y dónde es solo una costumbre—han permanecido completamente intactos.
Appelo llama a esto la trampa de los humanos en el bucle: cada interacción con la IA sigue empezando y terminando con un humano, los sistemas nunca se comunican entre sí y todo avanza a la velocidad del cuello de botella más lento. En otras palabras, las herramientas se hicieron más inteligentes, pero la arquitectura no cambió.
¿Cómo se ve cuando sí cambia?
Cuando la herramienta funciona y la organización no
Carla Catelan ha dirigido operaciones de adquisición de talento a gran escala durante más de dos décadas, liderando equipos involucrados en cientos de contrataciones anuales en empresas como Thoughtworks, Cognizant y Hewlett-Packard. Cuando habla de la IA en la selección, no lo hace como si fuera una herramienta. Habla de ello como un problema de diseño.
«El liderazgo en una era de IA es sobre diseñar arquitecturas de decisión, creando sistemas donde personas, datos e IA colaboran para producir mejores resultados.»
Esa perspectiva nació de una observación ganada con esfuerzo.
Cuando Thoughtworks comenzó a aplicar análisis predictivo a su embudo de selección, el equipo de Catelan descubrió algo inesperado. El tiempo de ciclo, el número de días desde que se abre una vacante hasta que se cubre, ya era fuerte, manteniéndose constantemente en una horquilla de 30 a 35 días. La velocidad no era el problema. Así que el equipo buscó cuál era el verdadero desafío.
Lo que encontraron fue que la variabilidad en las definiciones de los roles causaba peores resultados de contratación de manera más confiable que la calidad de los candidatos. Las descripciones de puesto ambiguas, infladas o estructuradas de forma inconsistente distorsionaban el aprendizaje de la IA desde el principio, generando tasas de conversión más bajas, rechazos en etapas avanzadas más altos y un peor desempeño inicial, independientemente de quién conformara el grupo de candidatos.
La solución no fue un modelo nuevo. Thoughtworks reconstruyó sus descripciones de puesto como lo que Catelan llama "artefactos predictivos", eliminando requisitos que se correlacionaban más con ruido que con éxito y concentrando la señal que ingresaba al modelo. La IA mejoró porque mejoraron los insumos de decisión.
Esa lógica de origen, la calidad de lo que ingresa a la arquitectura de decisión determina la calidad de lo que sale, atraviesa todas las aplicaciones que ha construido Catelan.
La IA se implementa para descubrir patrones, agregar datos longitudinales y estructurar señales cuantitativas. Los humanos retienen la propiedad del juicio cualitativo y las decisiones finales. El límite entre ambos es explícito, no supuesto.
Los pilotos no escalan. La arquitectura sí.
El error más común que ve Catelan en las organizaciones que intentan replicar esto es tratar la IA como una serie de pilotos en vez de un cambio fundamental en cómo se toman las decisiones laborales.
La mayoría de las empresas invierte mucho en herramientas de IA y espera mejoras", dice. "Pero mantienen los mismos incentivos, la misma estructura jerárquica y el mismo bajo nivel de alfabetización de datos en el liderazgo. El resultado es que la IA termina infrautilizada o mal utilizada. Modelos potentes generando ideas que no se confían, no se entienden o no se aplican.
Thoughtworks solucionó esto creando un grupo de trabajo transversal dedicado específicamente al diseño de decisiones habilitadas por IA en la adquisición de talento.
El grupo opera de acuerdo a objetivos empresariales explícitos:
- Aumentar las tasas de conversión en el embudo de contratación en un 50% mediante la segmentación predictiva
- Reducir las horas de entrevista un 30% eliminando a los candidatos de baja probabilidad antes en el proceso.
Esas cifras no son aspiracionales. Son el mandato.
El orden es tan importante como los objetivos. Antes de introducir cualquier automatización, el grupo mapea dónde se toman las decisiones críticas, quién las posee, qué datos se requieren y dónde el juicio humano debe seguir siendo central.
Sólo cuando esa arquitectura está clara, la IA entra en juego para aumentar pasos específicos en lugar de agregarse sobre procesos no examinados.
"Rediseñamos los flujos de decisión antes de introducir la automatización", dice Catelan. "No después."
El 90% que la mayoría de los despliegues omite
Yannick Fouagou, Director de Operaciones y Soluciones de Personas en Greenshield, llegó a una conclusión similar pero desde otra dirección. Su formación es en ingeniería electrónica y sistemas de calidad en petróleo y gas, entornos donde la integridad de los procesos es innegociable y el error conlleva consecuencias físicas. Al pasar a operaciones de personas, llevó ese mismo rigor al lado humano de la adopción de IA.
Lo que le sorprendió fue lo poco que la tecnología importaba en comparación con la reacción humana ante ella.
«La adopción de IA es un 10% tecnología y un 90% psicología humana. Al principio supuse que todos estarían igualmente dispuestos a adoptar estas herramientas, pero rápidamente entendí que la IA requiere la misma gestión de cambio que venimos usando hace décadas. Si omites el trabajo humano de abordar el miedo, la resistencia y la curva de cambio, incluso la tecnología más avanzada fracasará igual.»
Para Fouagou, la arquitectura de decisión no es sólo una cuestión de diseño organizacional. Es una cuestión conductual. Su enfoque segmenta a las partes interesadas según su lugar en la curva de adopción, las encuentra allí y luego codifica la nueva forma de trabajar en procesos y documentación formales para que el cambio sea estructural y no solo un pico temporal de entusiasmo.
"No sólo implementamos herramientas", dice. "Codificamos la nueva forma de trabajar en procedimientos y políticas para asegurar la responsabilidad."
Esa codificación crea un bucle de retroalimentación. El sistema monitoriza lo que los empleados preguntan, identifica dónde falta documentación y genera recomendaciones para cubrir esas lagunas. La base de conocimiento aprende de los patrones de las personas que la utilizan. Así es como se ve la arquitectura de decisiones cuando la capa de comportamiento está integrada en el sistema, en vez de añadirse de forma superficial.
El bucle del que los líderes deben salir
Los profesionales que trabajan esto a nivel funcional tienen margen para rediseñar. El problema más difícil está en la cima.
Gibbons ha liderado programas de alfabetización en IA para equipos ejecutivos y los resultados han sido aleccionadores. Cuando pidió a un grupo de doce líderes que le dijeran cuánta formación formal habían completado el año anterior, el total fue de tres días entre todos ellos.
"Eso simplemente no es suficiente", dice.
El problema es más estructural que individual. El éxito, sostiene Gibbons, ha hecho que la mayoría de los líderes sénior resistan el tipo de aprendizaje que requiere la adopción de IA. Su autoridad se basa en saber cosas. La IA desestabiliza eso.
Appelo enmarca el reto del liderazgo de otra manera pero llega a la misma conclusión. Cuando la IA supera a los humanos en la mayoría de las tareas analíticas, el liderazgo deja de tratarse de tener todas las respuestas.
La mayoría de ejecutivos se formó en marcos de gestión diseñados para condiciones de relativa previsibilidad. Appelo señala específicamente el Liderazgo Transformacional, un modelo que data de los años 1970 y que parte de un líder que controla el flujo de información, aprueba decisiones y se sitúa en el centro del bucle.
Precisamente ese es el modelo que la adopción de IA requiere desmontar. Los directivos en el bucle se vuelven cuellos de botella. Los directivos por encima del bucle, dirigiendo, ajustando y tomando decisiones sobre los verdaderos retos, es lo que esta nueva arquitectura exige.
Gibbons llama a este cambio equivalente Liderazgo Adaptativo. Diseñado para la velocidad, la aparición de lo nuevo y operar sin saber cómo es el resultado final.
No sabemos qué forma tendrán los proyectos piloto o cuán fácil será escalarlos", dice Gibbons. "Los viejos paradigmas de liderazgo se construyeron para una previsibilidad que ya no existe.
Construir una arquitectura de decisiones para IA
Los profesionales mencionados no trabajan con una metodología compartida, pero sus enfoques siguen una lógica consistente. Así es como puedes aplicarla.
Empieza por la decisión, no por la herramienta
Antes de seleccionar cualquier aplicación de IA, mapea cada decisión significativa dentro del flujo de trabajo que quieras abordar. ¿Quién es responsable de cada decisión? ¿Qué datos la informan? ¿Dónde se necesita juicio humano genuino y dónde es solo un hábito?
El equipo de Catelan realizó este trabajo en toda la adquisición de talento antes de introducir modelos predictivos. El mapeo reveló que la mayor fuente de errores posteriores no era el proceso de selección sino las descripciones de los puestos que alimentaban el sistema.
Audita las entradas
La IA aprende de lo que le proporcionas. Si los datos que entran en un modelo son inconsistentes, inflados o mal estructurados, los resultados reflejarán eso. El rediseño de las descripciones de puestos por parte de Catelan mejoró el rendimiento del modelo sin siquiera tocar el propio modelo.
Antes de implementar IA en cualquier flujo de trabajo, examina la calidad y coherencia de las entradas en las que dicho flujo depende. La basura entra y ahora escala más rápido.
Establece objetivos a nivel de negocio, no métricas de proceso
Metas vagas generan resultados vagos. El grupo de trabajo de Catelan opera con cifras específicas: un aumento del 50% en las tasas de conversión del embudo, una reducción del 30% en las horas de entrevistas.
Estos objetivos generan presión para un rendimiento sostenido a nivel de sistema, en vez de experimentos aislados. Si no puedes articular qué produce, en términos de negocio, un flujo de trabajo de IA correctamente rediseñado, aún no está listo el diseño.
Define explícitamente el límite entre humanos e IA
Cada rediseño requiere respuestas claras para dos preguntas: ¿qué gestiona la IA y qué gestionan los humanos? El principio de Catelan es que la IA estructura las señales cuantitativas y saca a la superficie las ideas clave, mientras que los humanos mantienen el juicio cualitativo y toman las decisiones finales.
Esa frontera debe documentarse, compartirse y revisarse a medida que el sistema madura. Sin ella, la responsabilidad se difumina y los errores no se pueden rastrear.
Incorpora la gobernanza antes de escalar
Incorpore la capacidad de intervención humana, el monitoreo de sesgos y desviaciones, y una clara rendición de cuentas por los resultados de los modelos en la arquitectura desde el principio. Fouagou codifica los cambios en políticas en lugar de dejarlos como prácticas informales.
La gobernanza añadida a posteriori suele llegar después de que algo ya ha salido mal.
Trate la adopción como un problema conductual
La observación 10/90 de Fouagou es la capa que la mayoría de las organizaciones omiten por completo, lo que a menudo conduce a errores costosos en la medición del ROI de la IA. La implementación técnica y la adopción humana no son el mismo evento.
Segmente a sus partes interesadas. Identifique dónde es probable encontrar resistencia y abórdelo antes del despliegue, no durante. Mida no solo las mejoras en eficiencia, sino también si el tiempo recuperado se está redirigiendo realmente a trabajos de mayor valor.
Existe una brecha con la que la mayoría de las organizaciones aún no han lidiado. Está entre las herramientas que han implementado y la lógica de decisión que han dejado sin cambios.
La manera de Catelan para conceptualizar la preparación para la IA merece ser considerada.
Significa preguntar consistentemente mejores cosas", dice. "Qué señales importan, dónde existe incertidumbre y cómo los datos pueden informar el juicio humano.
Las herramientas sacaron a la luz la pregunta. El trabajo de diseño es lo que la responde.
