La parte difícil llega después de que la IA funciona
![[OPT 1] IMG PMP – Editorial – Dinner Conversation with CHROs-14152](https://peoplemanagingpeople.com/cdn-cgi/image/format=auto,quality=82,onerror=redirect,width=792,height=446,fit=crop/wp-content/uploads/sites/3/2026/09/OPT-1-IMG-PMP-–-Editorial-–-Dinner-Conversation-with-CHROs-14152.jpg)
Comenzar por el trabajo: Las empresas deberían rediseñar los flujos de trabajo en torno a problemas empresariales antes de seleccionar herramientas de IA o medir los rendimientos esperados.
Criterio sobre los casos de uso: La formación en IA genera más valor cuando los empleados aprenden a identificar problemas que merecen la pena, no simplemente a utilizar herramientas nuevas.
Rediseño de puestos: La adopción exitosa de la IA obliga a los líderes a redefinir las responsabilidades, las habilidades, los estándares de desempeño y las trayectorias profesionales a medida que cambian las tareas.
Escalar con cuidado: Los proyectos piloto rara vez se transfieren directamente entre funciones; las organizaciones deben estandarizar las prácticas comprobadas y, al mismo tiempo, adaptarlas a los flujos de trabajo, los riesgos y los datos.
Acceso equitativo: El acceso desigual a la IA puede distorsionar las evaluaciones del desempeño, las oportunidades de desarrollo y las comparaciones de productividad entre empleados que realizan un trabajo similar.
La semana pasada, me senté con un grupo de CHROs en Atlanta para hablar sobre cómo ampliar la IA en toda la empresa.
Comenzamos con el ROI, pero la conversación volvía una y otra vez al trabajo en sí: qué problemas merecen una inversión en IA, qué deberían hacer las organizaciones con la capacidad que esta genera y cuándo han cambiado suficientes tareas como para que un puesto también deba cambiar.
Kia Painter nos dio el punto de partida. Comenzar con el problema empresarial, comprender el flujo de trabajo, rediseñar el proceso y, después, decidir dónde encaja la IA.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Painter se jubiló recientemente de Cox Communications después de 28 años en la empresa, donde más recientemente ocupó el cargo de directora de personal. Su secuencia es importante porque las organizaciones tienen muchas formas de utilizar la IA. La disciplina más difícil consiste en decidir qué usos merecen tiempo, dinero y cambios organizativos.
El criterio para los casos de uso puede ser más importante que la formación sobre herramientas
Unas semanas antes de la cena, hice una encuesta informal en nuestro boletín AI Signal preguntando por qué los gerentes estaban solicitando más formación sobre IA para sus equipos. La razón principal: las personas no estaban seguras de qué casos de uso eran importantes.
Eso apunta a un problema en la forma en que muchas empresas abordan la capacitación para la IA. Enseñar a las personas cómo crear instrucciones, resumir documentos o generar contenido aumenta su familiaridad con la tecnología. Sin embargo, contribuye poco a ayudarlas a decidir dónde puede la IA mejorar un resultado empresarial significativo.
Angela Cheng-Cimini, directora de recursos humanos de The Chronicle of Philanthropy, describió un enfoque centrado en los problemas de los empleados y no en las capacidades de las herramientas. Dijo que su organización planeaba recopilar de forma colectiva los desafíos cotidianos del personal, elegir varios que tuvieran una amplia relevancia y organizar hackatones breves para resolverlos. Una empleada ya había adoptado ese enfoque por su cuenta y había creado un agente para gestionar solicitudes repetitivas de facturas que estaban saturando la bandeja de entrada del servicio de atención al cliente.
Ese es un modelo mucho más útil para la formación en IA porque conecta el aprendizaje con el trabajo que las personas ya comprenden. La capacidad que las empresas necesitan desarrollar es el criterio para los casos de uso: ¿puede un gerente examinar un flujo de trabajo, identificar dónde se está perdiendo tiempo o calidad y reconocer dónde la IA podría marcar la diferencia?
Ese criterio también mejora las probabilidades de generar ROI. Una implementación técnicamente exitosa dirigida a un problema de poco valor sigue siendo una mala inversión.
La capacidad obliga a tomar decisiones sobre el trabajo
La siguiente pregunta es qué hacer cuando el caso de uso tiene éxito.
La IA puede eliminar trabajo administrativo, reducir los tiempos de ciclo y proporcionar a las personas una capacidad que antes no tenían. Entonces, los líderes deben decidir para qué se utilizará esa capacidad.
En torno a la mesa, eso dio lugar a una conversación sobre la compresión de puestos y unas funciones más amplias. Kesi Dorner, AGM de Recursos Humanos de la Autoridad Regional de Transporte Público del Área Metropolitana de Atlanta (MARTA), habló sobre combinar tareas que actualmente se distribuyen entre puestos especializados de RR. HH. en funciones más integrales de socios empresariales.
Mi pregunta sobre cuándo ha cambiado un puesto lo suficiente como para que deba rediseñarse por completo quedó sin respuesta.
Esas decisiones son las que convierten las horas ahorradas en una decisión operativa. Una empresa puede utilizar la capacidad para aumentar la producción, mejorar el servicio, reducir futuras contrataciones, ampliar responsabilidades o abordar trabajo que había quedado relegado. Cada opción produce un tipo de valor diferente.
También cambia aquello de lo que el empleado es responsable.
Esto quedó aún más claro cuando la conversación pasó a la plantilla. Painter describió conversaciones con su CFO sobre si la IA podría reducir los costes laborales. Su respuesta fue volver al trabajo.
Tomemos las cuentas por pagar. ¿Qué están haciendo realmente las personas? ¿Qué tareas puede absorber la IA? ¿Qué queda? ¿Qué resultado empresarial sigue siendo necesario lograr?
Su conclusión fue que la IA debe analizarse a través del modelo operativo y del diseño del trabajo antes de que los líderes comiencen a hacer suposiciones sobre la plantilla.
Ese es un papel valioso para RR. HH. porque la IA suele cambiar los puestos de trabajo de forma gradual. Cuando desaparece una tarea, otra se vuelve más rápida. El trabajo rutinario puede reducirse, pero el trabajo restante requiere más criterio. Entonces, nuevas responsabilidades pueden ocupar el espacio que se ha creado.
En algún momento, los cambios acumulados dan lugar a un puesto de trabajo diferente.
RR. HH. debería estar atento a ese umbral. Las descripciones de puestos, los requisitos de habilidades, la remuneración, las trayectorias profesionales y las expectativas de desempeño dependen de una comprensión precisa de lo que ahora exige el puesto. Si los líderes siguen incorporando IA a los puestos existentes sin revisar esos aspectos fundamentales, los empleados pueden terminar realizando un trabajo diferente bajo un diseño antiguo del puesto.
La misma cuestión se aplica a las expectativas de desempeño de los equipos. Si un equipo se vuelve más productivo con la IA, los líderes naturalmente se preguntarán si el nuevo nivel de resultados debería convertirse en el estándar.
Esa decisión requiere algo más que demostrar que la tecnología funcionó. Requiere confianza en que la mejora es sostenible, en que los empleados tienen un acceso comparable a las herramientas y en que el trabajo es lo suficientemente similar como para aplicar la misma expectativa en toda la organización.
Ampliar más allá del proyecto piloto
Aquí es donde un proyecto piloto exitoso se convierte en un desafío empresarial.
Un caso de uso puede funcionar bien en un equipo porque el flujo de trabajo está estructurado, los datos son de calidad, el gerente entiende la tecnología o los empleados han tenido tiempo para experimentar. Otra función puede no contar con ninguna de esas ventajas.
Painter describió su trabajo con la responsable de IA de su organización en una hoja de ruta del estado objetivo que conectaba las decisiones tecnológicas con el futuro modelo operativo.
La empresa también creó un consejo de IA interfuncional en el que participaban RR. HH., tecnología, finanzas y asuntos legales. El objetivo era coordinar la inversión y la gobernanza en torno a las prioridades empresariales, en lugar de permitir que cada función pusiera en marcha su propia colección de herramientas y proyectos.
Esta es una parte fundamental de la ampliación, porque no se puede copiar sin más lo que funcionó en otro lugar. Los líderes deben identificar qué partes de un enfoque exitoso pueden estandarizarse y cuáles dependen del trabajo, la fuerza laboral o el perfil de riesgo de una función concreta.
Eso también debería moderar las suposiciones generales sobre productividad. Un proyecto piloto sólido puede aportar pruebas sobre un caso de uso. No aporta automáticamente pruebas sobre toda una fuerza laboral.
El acceso a las herramientas forma parte de la ecuación del desempeño
La ampliación también crea un problema de equidad.
Los asistentes describieron organizaciones en las que los empleados tienen acceso a diferentes herramientas de IA según la función, el presupuesto o las políticas. Algunos empleados complementan lo que les proporciona su empleador con herramientas de pago que utilizan en casa o en dispositivos personales. Otros no tienen esa opción.
Una vez que la IA afecta a la cantidad o la calidad del trabajo que alguien puede producir, esas diferencias importan para la gestión del desempeño.
Kara Miller, exvicepresidenta de talento, aprendizaje y transformación de la fuerza laboral en Visa, planteó otra consideración: si dos empleados deben cumplir el mismo estándar de resultados, pero uno tiene acceso a una herramienta más capaz, ¿cuánto de la diferencia de desempeño proviene de la capacidad individual y cuánto del entorno que la organización creó a su alrededor?
La misma cuestión puede afectar al desarrollo y a la movilidad profesional si algunos puestos ofrecen a los empleados muchas más oportunidades de desarrollar habilidades de IA que otros.
El grupo coincidió en que las empresas no necesitan herramientas idénticas para todos los empleados. Sin embargo, sí necesitan entender cuándo el acceso desigual empieza a afectar a los estándares que utilizan para evaluar a las personas.
Una mejor medida de la madurez en IA
Cerca del final de la velada, pregunté qué tendría que cambiar durante el próximo año para que los líderes se sintieran seguros de que sus organizaciones habían descubierto cómo ampliar la IA.
Las respuestas se centraron en un mejor criterio en toda la organización: ejecutivos capaces de hablar sobre la tecnología con cierta soltura, empleados que entendieran el uso responsable, gerentes capaces de identificar aplicaciones valiosas y decisiones más claras sobre el acceso.
Esto ofrece a los líderes de RR. HH. una forma útil de pensar en la siguiente fase de adopción de la IA.
Si van a obtener más valor de la IA, tendrán que mejorar a la hora de elegir los problemas adecuados que abordar, rediseñar el trabajo cuando esos problemas se resuelvan y decidir qué mejoras pueden reproducirse en otros lugares.
RR. HH. también tendrá que ser más consciente al determinar qué significa la nueva capacidad para los puestos de trabajo y las expectativas de desempeño.
