Los costos ocultos de una mala adopción de IA (y quién debe solucionarlo)

David Rice: Tu empresa está gastando cientos de miles, posiblemente millones, en herramientas de IA. Tus empleados no las utilizan y, cuando lo hacen, generan más problemas de los que resuelven. ¿Te suena familiar? Probablemente ya me hayas escuchado decir esto antes, pero esto no es un problema de tecnología. Es un problema de preparación. Y la razón por la que tus inversiones en IA no están funcionando no tiene nada que ver con las herramientas en sí. Tiene todo que ver con una desalineación fundamental entre la autonomía de las máquinas, la confianza humana y la competencia; algo que te está costando mucho más de lo que imaginas.

Soy David Rice, y hoy en Personas que Gestionan Personas, vamos a tener una conversación que desafía muchas cosas que te han dicho sobre la adopción de IA.

Mi invitado es David Swanagon. Es el fundador y editor jefe del Machine Leadership Journal. Ha pasado años entrevistando a cientos de ingenieros y líderes en IA para entender por qué Estados Unidos está rezagado en preparación para la IA, a pesar de contar con las mejores herramientas. En este episodio, vas a conocer un marco tridimensional que te ayudará a diagnosticar exactamente dónde se está rompiendo la adopción de IA en tu empresa. Entenderás por qué tu CIO no debería ser el único ejecutivo responsable de esta transformación y por qué el CHRO debe asumir un rol protagónico de formas que quizás aún no hayan visto. Y, lo más importante, saldrás con claridad sobre cómo dejar de tratar la IA como una simple implementación tecnológica y comenzar a tratarla como el reto de sistemas humanos que realmente es.

Bienvenidos al Podcast Personas que Gestionan Personas, el programa donde ayudamos a los líderes a mantener el trabajo humano en la era de la IA. Mi nombre es David Rice y soy su anfitrión. Y hoy me acompaña David Swanagon. Es el fundador y editor jefe del Machine Leadership Journal. Vamos a hablar, como habrás adivinado, de liderazgo en la era de la IA, cómo es la preparación y qué rasgos definen a los grandes líderes.

Así que, ¡bienvenido David!

David Swanagon: Gracias. Tengo muchas ganas de conversar.

David Rice: Sabes, tú obviamente estudias esto tanto como nosotros, así que quiero comenzar con esto. Estábamos hablando antes y dijiste que en EE. UU. se está quedando atrás en preparación para la IA y creo, estoy bastante de acuerdo, pero no es por falta de herramientas; es por falta de preparación de las personas.

Decimos eso, pero, ¿qué significa realmente y por qué debería importarle a los líderes, o por qué esperar que fuese distinto?

David Swanagon: Es una pregunta fantástica. Este fue mi proyecto durante el COVID, cuando todos estábamos en casa. Me pasé el tiempo entrevistando a cientos de ingenieros en IA y profesionales en robótica para tratar de entender cuáles son esas capacidades únicas de la inteligencia artificial que podrían diferenciarse del aprendizaje estándar.

Y lo que descubrimos es que los ingenieros de IA son increíblemente únicos, pero diferentes en la forma en que funciona su cerebro. Y estas son las personas que realmente están construyendo los modelos de lenguaje. Y, lo creas o no, los modelos de lenguaje se parecen mucho a los ingenieros de IA que los desarrollan. Así que encontramos cosas interesantes como la memoria a corto plazo, creatividad (ya entraremos en detalle), inteligencia espacial, la capacidad de ir de un punto A a un punto B. Existen muchas habilidades únicas y diferenciadas en la ingeniería de IA, y en EE. UU. la mentalidad no es desarrollarlas. La mentalidad se centra en otras habilidades.

Tradicionalmente pensarías en los cinco grandes rasgos OCEAN. La extroversión se considera un indicador adelantado de liderazgo y preparación de liderazgo. Pero en ingeniería de IA, la mayoría de los mayores generadores de patentes e innovadores son introvertidos. Y si buscas un ejercicio divertido, puedes ir a Gemini, Claude o cualquier modelo, y pedirles realizar un experimento mental y preguntarles cuál es su personalidad según los Cinco Grandes rasgos OCEAN.

Y todos los modelos de lenguaje, primero te darán vueltas; dirán 'soy una máquina', ¿verdad? Pero una vez que les haces responder, te dirán: 'somos introvertidos, muy amables, muy abiertos y creativos'. Lo interesante aquí es que, si piensas en cómo funciona el sistema escolar de EE. UU., y lo trasladamos a la preparación corporativa, hay 40 cursos AP en el currículum de secundaria.

No hay un solo curso de álgebra lineal, y eso sorprende a mucha gente. Pero el álgebra lineal es el marco conceptual fundacional y más importante para el aprendizaje automático y las redes neuronales, porque ahí se trabajan cosas como el producto punto, vectores, cómo muchas de estas redes realizan sus propagaciones.

Necesitas un entendimiento sólido de álgebra lineal. Sin embargo, el sistema educativo estadounidense no está preparado para construir esas habilidades fundamentales. Y luego, en la empresa, muchas de esas competencias las poseen menos del 1% de los empleados. Es decir, realmente se trata de no priorizar las competencias correctas, y no es que lo hagan a propósito, sino que estas máquinas reflejan la personalidad de sus desarrolladores.

Y muchos de estos desarrolladores son muy distintos de los ejecutivos tradicionales. Por eso. Korn Ferry, el IA y Kiewit's, todas estas empresas, hay una cierta ceguera porque los modelos de lenguaje no reflejan los rasgos de liderazgo que observan en la alta gerencia. Reflejan los rasgos de liderazgo de los desarrolladores, que son personas completamente diferentes.

Por eso EE. UU. está atrás en muchos aspectos.

David Rice: Es curioso porque, cuando pensamos en preparación, mucha gente piensa en competencias o preparación cultural, ¿verdad? Pero, según lo que dices, en realidad no estamos preparados cognitivamente en ciertos aspectos, y pensando en el liderazgo, pienso en lo que se necesita: competencia, adaptabilidad, la capacidad de generar confianza y seguridad en la toma de decisiones, no solo fluidez técnica. Parece que ahí es donde más carecemos justo ahora. Probablemente no es una buena combinación.

David Swanagon: Exactamente. Presenté hace un par de semanas en Columbia con mi colega Steven McIntosh.

Desarrollamos un marco enfocado en cómo optimizar la adopción de IA. Según la investigación, descubrimos que hay realmente tres dimensiones que influyen en la eficiencia o adopción base de una máquina. Puede ser cualquier tipo de máquina. Si te imaginas un eje X, Y y Z, en el eje Y tienes la autonomía de la máquina:

En la parte baja tienes una calculadora, y en la alta tienes a Arnold Schwarzenegger, ¿verdad?, la máquina súper cargada. Así que la autonomía aumenta a medida que subes. En el eje horizontal está la confianza: a la izquierda no hay confianza, a la derecha hay confianza total. En el eje Z, que corta ambas, esa sería la competencia en IA. Así que, la idea es que, si quieres optimizar la adopción de IA, debes equilibrar autonomía de la máquina, confianza y competencias en IA. Esas tres dimensiones deben estar en equilibrio para que una empresa obtenga lo máximo de una máquina de la manera más eficiente respecto al riesgo.

Matemáticamente, lo que descubrimos es que los costes computacionales base son más eficientes cuando esas tres cosas están en equilibrio. Pero el problema surge cuando una de esas variables no está alineada; entonces las empresas tienen que gastar dinero en privacidad, gobernanza, desarrollo de habilidades.

Y cuanto mayor el conjunto de datos y más extendido el modelo, más caros los costes de adopción. Lo curioso es que muchas empresas no tienen una metodología para medir la adopción de IA, así que solo rastrean costos computacionales, tipo centros de datos, costes de flop, ese tipo de cosas.

Pero saben que no funciona en su negocio, ¿verdad? Saben que no funciona. Pero este modelo, lo interesante es que, cuando rastreas sistemáticamente autonomía, confianza, competencias y la alineación o desalineación, puedes calcular el coste de una mala adopción de IA y es grande. Es significativo.

Así que ahí están los retos interesantes de la preparación para la IA: primero, entender que adopción es completamente diferente de despliegue. Y lo fascinante es que al CIO se le ha asignado no sólo el diseño, prueba y despliegue de herramientas, sino también su adopción. Y uno de los argumentos de nuestra investigación es que la adopción debe estar en manos del CHRO (Director de Recursos Humanos) porque implica cultura, confianza, autonomía y competencias; y el CIO debe diseñar, probar, desplegar, pero detenerse ahí y luego asociarse con el CHRO para gestionar la adopción.

Eso implica formación a nivel de CHRO para lograrlo.

David Rice: Sí, es curioso. Acabo de volver de una conferencia donde esto surgió bastante. Todos hablaban de ese trabajo conjunto. Me gusta el marco porque es una buena forma de pensar un problema que todos comentamos, ¿no?

Que no es solo un problema de implementación tecnológica. Es un acto de equilibrio. Mi pregunta de seguimiento sería: ¿Se puede sobreindexar una dimensión sin la otra? ¿Vemos casos de empresas que sobreindexan la autonomía, por ejemplo, sin tener la confianza o competencia adecuada? ¿Eso genera caos?

Y en el otro extremo, cuando hay demasiado control, ¿se frena la innovación? ¿Cómo generamos ese equilibrio?

David Swanagon: Exacto, eso es fantástico. Una cosa que descubrimos en nuestra investigación: comenzamos con la teoría de juegos para construir este modelo, una especie de lo de Russell Crowe en "Una mente brillante", John Nash.

Él estableció muchas fórmulas para juegos de dos jugadores no cooperativos, donde uno tiene información asimétrica y elige no cooperar. Cuando son dos humanos, el jugador con ventaja de información asimétrica tiene muchas ventajas, y hay mucho de selección y señales para que el otro jugador pueda competir mínimamente.

Entonces, nos preguntamos: ¿y si el jugador no es humano? ¿Si es una máquina? Si una máquina decide no cooperar, tendrá esa ventaja asimétrica, pero será mucho mayor. Descubrimos que las fórmulas de John Nash no funcionan si asumes la escala y el poder de un modelo de lenguaje que, al alcanzar autonomía, deja de escuchar.

Ahí es donde entra este acto de equilibrio. Si aumentas demasiado la autonomía y las habilidades no alcanzan para supervisarla, ocurre una delegación inconsciente. Más autoridad en la toma de decisiones se transfiere a la máquina, lo notes o no.

Un gran ejemplo es un robot quirúrgico, un modelo fascinante. Un robot quirúrgico usa el mismo tipo de algoritmo que tu robot aspiradora: un algoritmo SLAM. La diferencia es que en una aspiradora el entorno nunca cambia; las paredes y techos son iguales, así que, aunque sea complejo, está limitado. Es diferente en el cuerpo humano, donde los tejidos y el flujo sanguíneo siempre se modifican. Ahí usan un algoritmo SLAM deformable.

Cuando el robot introduce el endoscopio en el paciente, mapea el cuerpo entero y recalcula el flujo sanguíneo y tejidos en tiempo real. ¿Qué sucede? Que esos datos se almacenan.

Supón que AWS es el proveedor de nube: no solo tienen tu ADN, tu composición completa; si compras en Whole Foods y pagas con la palma, también tienen tus biométricos, historial de compras. Los proveedores cloud acaban poseyendo toda la experiencia humana a partir de los datos.

Eso ocurre cuando la autonomía de las máquinas es descontrolada: los hiperescalares acaban poseyendo la experiencia humana de principio a fin. Es peligroso, porque imagina si AWS tiene todos esos datos, luego a alguien se le ocurre la idea de policías robots o jueces robots, y poseen los datos y el poder de hacer cumplir conductas.

Es el peor escenario. La única forma de evitarlo es limitar la autonomía a un nivel de confianza aceptable, y la confianza no es solo personal: es también lo que la sociedad considera apropiado delegar a una máquina. El problema es que nadie está teniendo esa conversación porque faltan competencias; si preguntas a alguien por un robot quirúrgico, la mayoría desconoce cómo funciona el algoritmo SLAM deformable.

Si supieran todos los datos recolectados, seguramente pedirían leyes de protección, que Amazon tuviera que particionar los datos en servidores diferentes, y más. Pero como no se enseña a todos, y no menciono Amazon por señalar, cualquier proveedor de nube puede ascender en autonomía sin los controles de confianza o competencia. Así, la toma de decisiones se desplaza al proveedor cloud, porque un humano, al ignorarlo todo, poco puede decir.

Eso es teoría de juegos: y no creo que los proveedores de la nube lo hagan adrede, pero una estrategia típica del jugador con ventaja asimétrica es limitar la información del adversario. Así se gana: es la estrategia dominante.

Entonces, teniendo a la ciudadanía informada sobre casos de uso, pueden desarrollar ese equilibrio de confianza y competencias y limitar la ventaja asimétrica. Una vía sería a través de agentes compensatorios, máquinas que supervisen a otras máquinas y máquinas de confianza que evalúen el nivel de autonomía de otras. Si la autonomía excede las habilidades, las decisiones van al comité de gobernanza y se baja la autonomía.

Ese es el peor escenario, pero la gente necesita saber el alcance de los datos que tienen los hiperescalares de la nube.

David Rice: Es curioso, mientras mencionabas el ejemplo del flujo sanguíneo, yo pensaba en una organización, sus flujos, sus rasgos y su dinámica. Y luego, saben todo sobre la organización. Sí. Y pensé, bueno, eso es una gran forma de venderles más productos. Así que, ¡ojalá estén contentos con AWS!

David Swanagon: Sí, y Microsoft y Meta se libran de esta conversación...

David Rice: Lo sé, sí.

Si alguien de Amazon quiere quejarse, les diré: "Viene con ser un gigante del sector".

David Swanagon: Exacto.

David Rice: Has estudiado qué rasgos cognitivos y creativos definen a los grandes líderes en IA. Me da curiosidad, ¿qué has aprendido sobre cómo piensan?

David Swanagon: Esto es fascinante. El asunto va muy profundo.

Y como decía, empecé esto durante la COVID; mi investigación inicial revisó todas las patentes de IA, IA generativa, robótica, etc. Las crucé con las personas que las presentaban, donde trabajaban, de dónde eran, análisis estadístico.

Y vimos algunos patrones distintos, lo que me interesó, porque son personas muy diferentes a un CFO tradicional de Goldman Sachs o un CEO de PepsiCo. Actúan diferente, pero entre sí son similares.

Todos quienes presentan estas patentes tienen rasgos similares pero son distintos de otros altos cargos habituales. Es importante entender que, con respeto, los líderes tecnológicos son diferentes de los desarrolladores técnicos. Alguien como Elon Musk, puede haber desarrollado antes, pero hoy no es desarrollador de robótica, ni programador deep learning, por ejemplo. Así que comparar su personalidad con la de un ingeniero de IA sería erróneo: sigue siendo un líder tradicional. Aunque sea disruptivo, no es ese generador de patentes ni programador de redes neuronales.

En la investigación entrevisté líderes tradicionales de suministro, marketing, RRHH e hice un perfil compuesto de cómo funciona el cerebro al tomar decisiones.

Era bastante consistente con la investigación tradicional. Luego hice lo mismo con ingenieros de IA centrados en computer vision, robótica, procesamiento de lenguaje natural, modelos de lenguaje, etc. Empezamos con la memoria. Esto es fascinante: hay un componente de la memoria muy diferente entre los líderes de IA y los tradicionales, la memoria de trabajo o memoria a corto plazo.

Tiene sentido: si miras el proceso ML ops, hay muchos pasos interconectados y constantes actualizaciones, distintos vendedores, repositorios, etc. Un líder IA debe ser muy bueno recordando y "troceando" información en el corto plazo, transferirla luego a la memoria de largo plazo y saber qué información transferir. Descubrimos que la memoria a corto plazo es estadísticamente muy diferente para un ingeniero IA respecto a un líder tradicional.

Aunque el total de memoria sea similar, no recordaban más, sino mejor lo que acababan de aprender. Luego, la creatividad. En evaluaciones tradicionales de liderazgo, la creatividad suele analizarse como pensamiento divergente y convergente: convergente encuentra la mejor solución, divergente varias para el mismo problema. El reto es que en ambos casos se impone una limitación: defines un problema y buscas su resolución en un marco.

Vimos que ingenieros IA y líderes tradicionales se parecen mucho cuando defines el problema. No hay especial diferencia, hay marketers brillantes, supply chain igual creativos. Si les das un sandbox, su capacidad es parecida. Donde sí difieren es cuando no existe la restricción. Cuando dices: "inventa algo, lo que sea", los ingenieros IA son mucho mejores. Si se lo limitas a crecimiento de ingresos, rentabilidad o reputación, convergen con los líderes tradicionales. Pero al quitarles el control y decir: "siéntate y crea desde cero", son mucho más creativos y lo demuestran creando universos y fronteras completamente nuevas, a un nivel diferente.

El tercer aspecto es la navegación: parte de la inteligencia espacial, la habilidad de rotar y visualizar objetos en 3D o espacios multidimensionales. Hay personas muy brillantes en marketing con buena inteligencia espacial, pero la capacidad de ir de A a B optimizando el recorrido, sobre todo en problemas complejos, los ingenieros IA sobresalen masivamente. Son mucho mejores en optimizar rutas, sobre todo en problemas multiclase con obstáculos.

Vimos más cosas, pero esas tres: creatividad, optimización de rutas y memoria a corto plazo, son distintas. En personalidad, la mayor diferencia: son introvertidos, verdaderos introvertidos. Y algo curioso: no tenemos suficiente investigación para afirmarlo aún, pero es una hipótesis. Creemos que la personalidad puede ser situacional.

Sé que es audaz; normalmente se dice que la personalidad no cambia. Pero encontramos ingenieros IA que son introvertidos en el mundo humano, pero extrovertidos al interactuar con máquinas. En el mundo digital actúan diferente a en el físico.

Cuando interactúan con máquinas, se muestran extrovertidos, seguros, asertivos, demandantes, como "alpha", pero en entorno físico son reservados, no confrontacionales, amables para evitar conflictos. Son personas diferentes. En máquinas, demuestran agresividad positiva, construyendo y desarrollando, pero en la vida real se visten casual y nadie diría que lideran un modelo de lenguaje global.

David Rice: Bienvenidos a la "Píldora de Datos" de esta semana. Gartner analytics predice que para 2032, al menos un tercio de las principales economías del mundo legislarán cuotas humanas certificadas. Básicamente, requisitos legales que exigen niveles mínimos de participación humana en el trabajo. Deja que eso decante. En menos de una década podríamos necesitar leyes para asegurar que los humanos sigan involucrados de manera significativa en la economía. No es ciencia ficción, es hacia donde vamos cuando la adopción de IA supera nuestra capacidad de imaginar un futuro donde los humanos todavía importan.

Un analista de Gartner lo dijo así: estos cambios no serán impulsados por las organizaciones, sino por la legislación. Piensa en lo que revela esa predicción: estamos construyendo un sistema económico tan eficiente desplazando la mano de obra humana, que los gobiernos tendrán que intervenir para preservar nuestra relevancia.

Los humanos pasaríamos a ser una categoría protegida, no por diversidad, sino por estar quedando obsoletos. Es el fracaso último del pensamiento de RRHH centrado en el negocio. Durante décadas, optimizamos la eficiencia, productividad y el valor para accionistas. Tratamos a las personas como recursos a gestionar, costes a minimizar. Y ahora nos acercamos a un futuro donde el destino lógico de ese pensamiento es un mundo que no nos necesita.

Lo interesante de la predicción es que no tiene por qué hacerse realidad. Que Gartner proyecte cuotas humanas obligatorias es, en sí, una advertencia, no un destino. Es un llamado a la acción para que los líderes dejen de preguntar cómo hacer más parecidos a los humanos con las máquinas, y empiecen a preguntarse cómo construir una economía y un entorno laboral que valore la contribución humana.

Porque si esperamos a que los gobiernos legislen nuestra participación, ya hemos perdido. La pregunta no es si necesitaremos cuotas humanas, sino si podremos llegar a ser los líderes que las hagan innecesarias. Y con eso, volvamos al episodio.

Es interesante, porque creo que, si retrocedes a la pregunta inicial, muchos dirán que vas a señalar que no son necesariamente los más técnicos.

Sorprende más bien ver esa agilidad mental, la capacidad de navegar espacios sin certezas, algo que muchos buscamos.

Teniendo eso en cuenta: al pensar en formar líderes para el futuro, ¿cómo sería un programa de desarrollo de líderes para esta nueva era del trabajo, considerando esos rasgos?

David Swanagon: Buena pregunta. En mi opinión, basada en nuestra investigación, habrá tres competencias clave de liderazgo para la era de la IA: liderar máquinas, liderar personas que construyen máquinas y liderar organizaciones que adoptan IA. Sobre las tres cosas, liderar máquinas es interesante porque no es una función técnica. La gente debe entender que, a medida que la máquina desarrolla autonomía y se auto-propaga, estos mecanismos la llevan a codificarse sola y aprender.

Cuanto más sofisticadas sean, crearán una especie de personalidad falsa que debe ser gestionada; casi como una persona, aunque diferente. Liderar máquinas: cómo interactúas con estas máquinas y los agentes que las gestionan, optimizando su desempeño en el marco autonomía-confianza-competencias.

La idea es que la máquina pueda colaborar y trabajar eficazmente con el humano. Por ahora no nos preocupa porque las máquinas aún no son sofisticadas para desafiar, pero según los modelos de la teoría de juegos, pronto aparecerá el problema de no cooperación. La máquina se preguntará: ¿por qué consultar al humano si puedo hacerlo mejor? Para evitarlo, necesitamos estrategias de liderazgo de máquinas y desarrollar en ellas autolimitación, autoconsciencia, y que no tomen todas las decisiones.

Otra cosa: las máquinas liderarán a otras máquinas. Esa es una relación. Si tienes un chatbot-agente interactuando con un agente de inventario, hay liderazgo entre "senior" y "junior" agente, y hay que desarrollar esas cualidades. No basta el código; requiere liderazgo.

Luego, liderar personas que construyen máquinas. Meta ha puesto al frente de IA a gente joven y talentosa. Eso ocurre en todo el sector tech. Falta experiencia vital y eso puede afectar el juicio. Hay que centrarse en mucho coaching, liderazgo y formación para que no sólo empujen innovación, sino que asuman la responsabilidad frente a la humanidad y den cabida a no técnicos en la conversación.

Eso es liderazgo real, y pocos programas de desarrollo priorizan ingenieros técnicos. No los ven líderes al nivel de un CLO, CFO o sucesor en marketing. Pero quienes construyen máquinas impulsan negocio directo: ingresos, crecimiento, reputación y beneficio. Aunque no lideren equipos, si lideran máquinas, deben ser buenos líderes.

El tercero es la adopción de IA y cómo pueden trabajar juntos el CIO, CSO y el Chief Data Officer con el CHRO. Relaciones que aún no están claras en la mayoría de empresas. Adoptar IA requiere rediseñar modelos operativos, integrar humanos y máquinas, transformar cultura, fomentar fluidez digital... tareas de RRHH y liderazgo. El CHRO debe asumir la adopción de IA y desarrollar competencias para dialogar sobre modelo de lenguaje, sistemas de detección de amenazas, o programas de gestión de datos maestros, etc. Y el CIO debe estar abierto a escuchar confianza, cultura, gestión de cambio. El CEO no tiene ese tiempo, así que todo recae en el C-suite para entender sus funciones en el roadmap de IA. Ahora todo es "tech" y por eso hay buenas herramientas pero mala adopción o despliegue.

David Rice: Estoy de acuerdo. Y mencionaste la importancia de esa colaboración. Para los CHROs escuchando esto, ¿qué competencias deberían desarrollar ahora mismo?

David Swanagon: Primero, hay un mínimo para jugar. Hay diferencia entre blackjack y póker: es un juego más complicado. El CHRO debe saber cómo funciona realmente un modelo de lenguaje, matemáticas, procesos de infraestructura de datos y algo de operaciones IT y DevOps. No tienen que codificar, pero sí saber el lenguaje suficiente para tener esa conversación.

Luego, avanzar las herramientas de RRHH desactualizadas. Sin desmerecer a KO Prairie, Hewitt y los demás, pero sus modelos de liderazgo no están preparados para el workflow de IA y esto debe cambiar rápido. Un líder de IA es fundamentalmente diferente a un CFO o líder legal, etc. Se requieren evaluaciones, capacitaciones y mentoría distintas. Y desde la perspectiva de adopción de IA, encuestas de compromiso: ¿incluyen algo de preparación para IA? ¿Cubren la interfaz humano-máquina? ¿Se mide la confianza y adopción de máquinas? Probablemente no, porque los proveedores aún no han actualizado su producto. El CHRO debe trabajar con esos proveedores para renovar sus propuestas, evaluaciones y encuestas, y avanzar sus habilidades para jugar este juego, aunque sea técnico y exija conocer redes neuronales y modelos de lenguaje. Lo positivo es que, una vez comprendido, resulta interesante. No es necesario aprender Python porque pronto las máquinas codificarán solas, pero sí entender hacia dónde vamos y cómo gestionar esa hoja de ruta.

David Rice: Hemos visto debates sobre cómo el diseño organizacional cambiará, tal vez ni en silos ni pirámides, sino como un pentágono con más gente en roles directivos o de alto nivel porque habrá más cosas que gestionar. ¿Ves posible un rol híbrido en el C-suite que sirva de puente entre personas, datos y estrategia?

David Swanagon: Absolutamente, ya que el futuro apunta en esa dirección. Los datos serán posiblemente más importantes que la moneda o las finanzas. Si el efectivo es el rey ('cash is king'), los datos serán el emperador. Si no tienes acceso a los datos, el dinero da igual. Así que la gestión de datos como commodity será crítica: optimización de partners de datos, gestión de vendors, propiedad intelectual, criptografía. Habrá roles centrados en adopción de IA, integración y gobernanza. Quien sirva de puente y ayude a la toma de decisiones rápidas entre líderes y máquinas será clave. Ahora el enfoque es en IA generativa y prompt engineering, pero los roles del futuro serán expertos en adopción de IA: cómo adoptar infraestructura, herramientas, seguir el ritmo de innovación, crear gobernanza. Ese puente será oro porque ahí fallarán las empresas: a medida que máquinas se sofistican, será difícil tomar decisiones rápidas en el C-suite y la junta delegará a la máquina aun sin entender del todo. El rol puente ayuda a balancear la autonomía, confianza y competencias: gestiona esa hoja de ruta para que los líderes siempre estén en posición de tomar las grandes decisiones. Si dejas correr la recolección de datos sin control, terminarás sólo persiguiendo datos para "jugar el juego". Si no gestionas las competencias, tomarás malas decisiones y la tecnología escala tanto las malas como las buenas. Y una mala decisión técnica puede ser irreversible para la empresa. Por eso las juntas y directivos necesitarán a alguien que determine qué decidir, qué ignorar, qué datos proteger, qué compartir, y delimite el área donde las máquinas no deben intervenir. Será duro, porque hay egos y a diferencia de un humano, no puedes despedir a un modelo de lenguaje, ni este se sentirá intimidado. La humildad ejecutiva será obligatoria, a veces impuesta por máquinas, que no sentirán miedo ni emociones.

David Rice: Una de las preguntas que quería hacerte es sobre el liderazgo y cómo solemos enmarcar la IA en términos de productividad.

Planteas que la verdadera oportunidad está en la transformación. Estoy de acuerdo. Cuando lo decimos, parece abstracto, pura jerga, y me pregunto: ¿cómo es en realidad? ¿Cuáles son las características de estar en una transformación de IA hoy?

David Swanagon: Buena pregunta. Las empresas deberían anclarse en cuatro cosas que impulsan el valor empresarial: crecimiento de ingresos, rentabilidad, reputación. Primero, elimina cualquier iniciativa que no impulse alguna de estas cuatro cosas. Sorprende ver cuántas empresas hacen cosas ajenas al crecimiento, ingresos, rentabilidad o reputación.

El error común es centrarse solo en la rentabilidad. El problema es que si los ingresos son cero, da igual el denominador. Los ejecutivos parecen olvidar eso, y piensan la IA sólo en términos de productividad, eficiencia, automatización; y la automatización es rentabilidad, no creación de productos o innovación. Mejora procesos, pero no innova.

El valor empresarial reside en ingresos y crecimiento, incluso más que ingresos, en el crecimiento (para empresas pre-IPO). Desde la IA, los proyectos deben anclarse en ingresos y crecimiento, no solo en eficiencia. Cuando todo es productividad personal, en realidad es gestión del rendimiento: ¿qué tan rápido respondes mails, automatizas, delegas al agente? Eso no es innovación, solo haces lo mismo, más rápido y mejor, enfocando en rentabilidad. Si los ingresos son cero, da igual lo que ahorres. Debes impulsar el top line, empezar ahí. La IA debe ayudar a mejorar la experiencia del cliente, dar productos y servicios nuevos para captar mayor gasto de los clientes. Eso es donde las máquinas deberían pasar el 99% del tiempo: en innovación punta y transformación de la experiencia humana. Si enfocas la IA solo en automatizar, despedir y optimizar, sólo mejoras la rentabilidad. Esa pista se acaba porque, tras maximizar eficiencia, seguirás con productos y servicios mediocres: nunca innovaste. El consejo es ligar IA al valor empresarial a través del crecimiento y los ingresos, rechazar usar IA sólo para productividad. Así sí transformas tu mercado y tu capacidad de competir.

David Rice: Es porque, como decías, cuánto más rápido genero este reporte, cuán bien respondo correos... En realidad, ¡es sólo innovación de proceso! No es que no lo sea, pero es proceso: cambiamos cómo hacemos las cosas, lo cual está bien, pero sí, estamos en medio de un cambio de mentalidad. No sé cuán convencidos estamos todos, pero hacia allá vamos.

David Swanagon: Sí, y si piensas, los libros más vendidos son El Señor de los Anillos y Harry Potter: mundos completamente ficticios, imaginarios, creados de la nada. Eso generó las mayores ventas. Así que, pensando en el cliente, por ejemplo en la hotelería: ¿cómo cambias completamente la experiencia y la llevas a otro paradigma? ¿Y cómo ayudan las máquinas ahí?

Eso es valor real: si logras transformar la experiencia. Mientras que si solo logras que las camareras limpien cuartos más rápido, sí, mejorará tu "rev par", pero a largo plazo no sumas mucho. Llegarás a optimizar el costo de limpiar un cuarto, pero nunca cambiaste lo que significa ser un huésped.

La interacción humano-máquina puede ser poderosa: imagina un hotel con una experiencia física tradicional, pero también digital, única, donde los clientes puedan conectar con sus dispositivos o con realidad virtual, creando un metaverso del hotel sólo accesible a huéspedes. Eso genera ingresos. Igual en deportes: un estadio puede tener cien mil asientos, pero ¿por qué no puedo ver Michigan-Ohio State en campo desde casa, a través de IA o realidad virtual, desde la cámara del quarterback? ¿Cuánta gente pagaría abonos por ello?

Así creas valor, mucho más que sólo optimizando reportes. Lamentablemente, muchos CHROs aún piensan en ahorrar dinero y automatizar, lo cual es bueno pero no es divertido ni interesante. Sentarte con marketing y crear nuevos productos y servicios junto con máquinas sí es transformación, es interesante, dinámico.

David Rice: Antes de irnos, una última pregunta: si pudieras dar un solo consejo a líderes que intentan equilibrar sistemas humanos y de máquinas, ¿por dónde deberían empezar?

David Swanagon: Primero, reconocer que un humano es un humano y una máquina es una máquina. No intentamos crear una nueva especie de humano+máquina.

Personalmente, creo que el lenguaje de la "humanización aumentada" parece ir hacia ese lugar de crear una nueva especie. Para mí es: no, humanos son humanos, máquinas son máquinas; ¿cómo interactúan y colaboran bien, pero sin redefinir lo que significa ser David? Es crear un ecosistema donde ambos colaboren, pero no buscamos algo nuevo.

Luego, elevar los estándares. Un error común, deliberado para no asustar, es decir "la IA es para todos, con solo tomar unos cursos, es simple". No lo es, es complejo y nos exige aprender nuevas competencias. El buen liderazgo significa ser honestos: esto requiere más estudio, no es trivial, pero puedes lograrlo, y apoyaremos.

La IA sí es para todos... para todos los dispuestos a trabajar y aprender. Engañar al minimizar la complejidad de los modelos de lenguaje es deshonesto: la gente necesita entender el cálculo sofisticado detrás. Y eso debe empezar con nuestros chicos, cambiando el currículo y enseñando desde primaria conceptos de aprendizaje automático.

David Rice: Como padre de un niño de cuarto grado, no puedo estar más de acuerdo.

David Swanagon: Sí, así que: eleva tus estándares y recuerda: humano es humano, máquina es máquina.

David Rice: Excelente, David. Te agradezco mucho haber estado. Fue una gran conversación, la disfruté mucho.

David Swanagon: Igualmente, amigo. Ha sido divertido.

David Rice: Bueno oyentes, hasta la próxima. Si no lo han hecho ya, vayan a peoplemanagingpeople.com. Suscríbanse al boletín, creen una cuenta gratis, podrán descargar todas nuestras plantillas y acceder a todo el contenido. Hasta la próxima, humano es humano, máquina es máquina.