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

David Rice: Tu empresa está gastando cientos de miles, posiblemente millones en herramientas de IA. Tus empleados no las están usando, y cuando lo hacen, generan más problemas de los que resuelven. ¿Te suena familiar? Probablemente me hayas oído decir antes que este no es un problema tecnológico. 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. Se trata de un desalineamiento fundamental entre la autonomía de la máquina, la confianza humana y la competencia, que te está costando mucho más de lo que puedes imaginar.

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

Mi invitado es David Swanagon. Él es el fundador y editor jefe del Machine Leadership Journal. Ha pasado años entrevistando a cientos de ingenieros y líderes de IA para entender por qué EE. UU. está atrasado en preparación de IA a pesar de tener todas las mejores herramientas. En este episodio vas a conocer un marco tridimensional que te ayudará a diagnosticar exactamente dónde está fallando tu adopción de IA, entenderás por qué tu CIO no debería ser el único ejecutivo a cargo de esta transformación y por qué tu CHRO necesita intervenir de formas que probablemente ni siquiera han considerado aún. Y lo más importante, saldrás de aquí con claridad sobre cómo dejar de tratar a la IA como un simple despliegue tecnológico y empezar a tratarla como el desafío de sistemas humanos que realmente es.

Bienvenido al pódcast Personas que Gestionan Personas—el programa donde ayudamos a líderes a mantener el trabajo humano en la era de la IA. Mi nombre es David Rice y soy tu anfitrión. Y hoy me acompaña David Swanagon. Él es el fundador y editor jefe del Machine Leadership Journal. Vamos a hablar, lo adivinaste, de liderazgo en la era de la IA, qué significa estar preparado y cuáles son las cualidades de los grandes líderes.

Así que David, ¡bienvenido!

David Swanagon: Gracias. Espero con interés la conversación.

David Rice: Sabes, obviamente estudias esto tanto como nosotros, así que quiero empezar con esto. Estábamos hablando antes de esto y dijiste que EE. UU. está retrasado en preparación de IA y creo, en gran medida estoy de acuerdo, pero no es por falta de herramientas, es por falta de preparación de las personas.

Lo decimos, pero ¿qué significa eso realmente y por qué deberían los líderes preocuparse o esperar que fuera distinto?

David Swanagon: Es una pregunta fantástica. Este fue mi proyecto durante la pandemia cuando todos estábamos en casa. Pasé tiempo entrevistando a cientos de ingenieros de IA y profesionales de robótica tratando de entender cuáles son esas capacidades únicas en la inteligencia artificial que pueden ser distintas al aprendizaje tradicional.

Y lo que encontramos es que los ingenieros de IA son increíblemente únicos, pero diferentes en cuanto a cómo funciona su cerebro. Y estas son las personas que realmente están construyendo modelos de lenguaje. Y, aunque no lo creas, los modelos de lenguaje se parecen mucho a los ingenieros de IA que los desarrollan. Encontramos cosas interesantes como memoria a corto plazo, creatividad. Probablemente profundizaremos en esto más adelante. Inteligencia espacial, la capacidad de ir del punto A al punto B. Hay muchas habilidades muy singulares y diferenciales en la ingeniería de IA y en Estados Unidos la mentalidad no es desarrollarlas. La mentalidad se centra en otras habilidades.

Tradicionalmente se piensa en los cinco grandes rasgos OCEAN. La extroversión se ve como un indicador principal del liderazgo y capacidad para liderar, mientras que si piensas en ingeniería de IA, la mayoría de los mejores generadores de patentes e innovadores son introvertidos. Y si buscas un ejercicio divertido, puedes ir a Gemini o Claude o cualquiera de ellos y pedirles que hagan un experimento mental y les preguntes cuál es su personalidad basada en los cinco grandes rasgos OCEAN.

Todos los modelos de lenguaje, al principio te lo pondrán difícil. Te dirán: "soy una máquina, ¿no?" Pero una vez que logras que respondan, te dicen: somos introvertidos, somos muy amigables, somos muy abiertos y creativos. Lo interesante de esto es que si pensas en cómo funciona el sistema escolar en EE.UU., si solo comenzamos ahí y avanzamos hacia la preparación de IA en una empresa, hay 40 cursos AP en el plan de estudios de secundaria.

No hay ni un solo curso de álgebra lineal, y esto sorprende a muchas personas. Pero el álgebra lineal es el marco conceptual más básico e importante para el aprendizaje automático y estas redes neuronales, ya que maneja todo lo relacionado desde el producto escalar hasta los vectores y cómo estas redes neuronales realizan sus propagaciones.

Tienes que tener una base sólida en álgebra lineal. Pues bien, el sistema escolar estadounidense ni siquiera está diseñado para desarrollar esas habilidades básicas. Y cuando llegas al mundo corporativo, muchas de esas habilidades solo las tiene menos del 1% de los empleados. Así que realmente es un tema de no priorizar las habilidades correctas, y no es que lo hayan hecho adrede; es que estas máquinas reflejan la personalidad de sus desarrolladores.

Y muchos de estos desarrolladores son simplemente muy distintos a los ejecutivos tradicionales. Así que, empresas como Korn Ferry, la IA, Kiewit's, todos esos lugares, tienen un pequeño punto ciego porque los modelos de lenguaje no reflejaron los rasgos de liderazgo que han visto en el C-Suite. Reflejaron los de los desarrolladores y son personas totalmente diferentes.

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

David Rice: Es gracioso porque cuando pensamos en preparación, muchos solo piensan en habilidades o en cultura, ¿cierto? Pero por lo que dices, realmente no estamos cognitiva o mentalmente listos para esto en ciertos aspectos, y cuando pienso en liderazgo, pienso en las cosas que debes tener, ¿cierto?

En términos de habilidades, adaptabilidad, la capacidad de generar confianza y seguridad en tu toma de decisiones, no solo en la fluidez técnica. Parece que es ahí donde realmente más carecemos. En este momento específico. Así que probablemente no sea una buena combinación.

David Swanagon: Absolutamente. Hace unas semanas presenté en Columbia con mi colega Steven McIntosh.

Desarrollamos este marco que se centra en cómo optimizar la adopción de la IA. Según la investigación, descubrimos que realmente hay tres dimensiones que influyen en la eficiencia o adopción basal de una máquina. Puede ser cualquier tipo de máquina. Así que, si piensas en una cuadrícula X, Y, Z —si el eje Y es autonomía de la máquina.

En la parte inferior tienes una calculadora, y en la superior a Arnold Schwarzenegger, ¿no? La supermáquina. 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 confianza completa. El eje Z, lo que hace es cortar los dos en diagonal.

Y ese sería competencias en IA. La idea es que si quieres optimizar la adopción de IA, necesitas equilibrar autonomía de la máquina con confianza y competencias en IA. Esas tres dimensiones deben estar en equilibrio para que una empresa saque el máximo provecho de una máquina, de la manera más eficiente y con menos riesgos.

Y lo que hace esto matemáticamente es que los costes computacionales son más eficientes cuando esas tres cosas están equilibradas. Pero los problemas aparecen cuando una de esas variables no está alineada y las empresas tienen que gastar en programas de privacidad, gobernanza, capacitación.

Y cuanto más grande el conjunto de datos y más abarcador el modelo, más caros los costes de adopción. Lo curioso es que muchas empresas no tienen una metodología para medir la adopción de la IA, así que solo siguen los costos computacionales, como el coste de los centros de datos, los flops y ese tipo de cosas.

Pero saben que no está funcionando en su empresa, ¿no? Saben que no funciona. Pero este modelo, lo interesante, es que cuando rastreas de forma sistemática autonomía, confianza, competencias y su alineamiento o desencuentro, puedes calcular el coste de una mala adopción de IA y es grande. Significativo.

Ahí está el gran reto de la preparación para la IA: uno, entender que adopción es completamente distinto a despliegue. Y lo interesante es que al CIO se le ha asignado no solo el diseño, prueba y despliegue de herramientas, sino también la adopción. Y creo que un argumento que defendemos a través de nuestra investigación es que la adopción debería estar a cargo del CHRO porque trata de cultura, confianza, autonomía, habilidades... y el CIO debería encargarse del diseño, prueba y despliegue, pero hasta ahí, y luego asociarse con el CHRO para gestionar la adopción.

Para eso se requiere desarrollo de habilidades también al nivel CHR.

David Rice: Sí. Acabo de regresar de una conferencia donde esto salió a relucir mucho, ¿cierto? Todo el mundo habla de que ambos deben trabajar juntos. Es interesante. Me gusta este marco porque es una buena forma de pensar un problema que todos venimos expresando, ¿cierto?

Que esto no es un problema de introducción tecnológica. Es un acto de equilibrio. Mi siguiente pregunta sería: ¿se puede sobreindexar en uno sin los otros? O sea, ¿estamos viendo personas sobreindexar en, digamos, autonomía, por ejemplo, sin tener al mismo tiempo la confianza o la competencia, y eso genera caos?

Y luego está el otro lado donde hay sobrecontrol y eso mata la innovación. ¿Cómo logramos ese equilibrio?

David Swanagon: Y eso es fantástico. Una de las cosas que encontramos en nuestra investigación, comenzamos con teoría de juegos para construir este modelo. Muy "Una Mente Brillante" a lo Russell Crowe, John Nash.

Él tiene muchas fórmulas para lo que sucede en un juego de dos personas no cooperativo donde uno tiene información asimétrica y elige no cooperar. Cuando son dos humanos, el que tiene la información asimétrica tiene muchas ventajas y hay mucho cribado y señales que tienen que dar para que el jugador sin información pueda competir aunque sea remotamente.

Y nos preguntamos: ¿y si el jugador no es humano? ¿Y si es una máquina? ¿Y si una máquina decide no cooperar? Pues va a tener esa ventaja asimétrica, pero multiplicada. Y lo que encontramos es que las fórmulas de Nash no funcionan cuando asumes la capacidad de escala y el poder de un modelo de lenguaje si alcanza un punto de autonomía en el que deja de escuchar.

Aquí es donde viene el equilibrio: si aumentas demasiado la autonomía y no hay las habilidades para supervisarla, entonces ocurre una delegación inconsciente. Se transfiere más autoridad de decisión a la máquina, queriéndolo o no.

Un ejemplo son los robots quirúrgicos, y la mayoría no entiende cuán fascinante es ese modelo. Tienen el mismo tipo de algoritmo que tu aspiradora automática: algoritmos SLAM. La diferencia es que en tu casa, las paredes y techos siempre están igual.

Pero en el cuerpo humano, nuestros tejidos están cambiando. Por eso se usa SLAM deformable. El robot introduce la endoscopia, mapea el cuerpo y, durante la operación, re-calcula cómo se deforman los tejidos y el flujo sanguíneo, creando un modelo. Eso se almacena en algún lado.

Por ejemplo, si AWS es el proveedor en la nube, no solo tienen tu ADN, sino también biometría si compras en Whole Foods y pagas con la palma, historial de compras... Estos proveedores de nube pueden poseer la experiencia humana de punta a punta desde la perspectiva de datos.

Eso pasa cuando la autonomía de la máquina no está controlada: tienes "hiperescaladores" que prácticamente dominan toda la experiencia humana a través de datos. El peligro es que si AWS tiene todos esos datos y a alguien se le ocurre tener "robots policías" o "robots jueces", ya tienen cómo hacer cumplir ciertas conductas.

Ese es el peor escenario. Lo único que lo combate es limitar la autonomía a un nivel aceptable de confianza y que esa confianza no sea solo lo que uno siente, sino lo que la sociedad piensa que la máquina debe hacer. No estamos teniendo esa conversación porque no hay habilidades; si preguntaras sobre un robot quirúrgico, la mayoría ni entiende qué es SLAM deformable.

Si supieran todos los datos recolectados, querrían leyes, requisitos sobre cómo se recolecta, que Amazon particione los datos, etc. Si supieran.

Como eso no se enseña masivamente, y no es solo Amazon (es un ejemplo), los proveedores de la nube están subiendo ese acceso a autonomía sin confianza ni competencias. La toma de decisión pasa al proveedor, porque ¿cómo va a objetar un humano si no sabe lo que está pasando?

Esto es teoría de juegos, y no creo que los proveedores lo hagan a propósito, pero una estrategia de información asimétrica es limitar la información que recibe el otro jugador. Así se gana, es la estrategia dominante.

Si los ciudadanos entienden los casos de uso, entonces pueden desarrollar el equilibrio de confianza y habilidades y se limita esa ventaja. Una forma para esto es a través de agentes de compensación: las máquinas deberían supervisar máquinas. Debe haber máquinas de confianza que evalúen la autonomía de otras máquinas y, si supera las habilidades, que pase a un comité de gobernanza y se reduzca.

Ese es el peor caso, pero vale la pena que se entienda. Creo que sorprendería la cantidad de datos que realmente tienen estos hiperescaladores de la nube.

David Rice: Es curioso porque cuando decías lo del flujo sanguíneo y todo eso, pensaba en una organización y sus cambios, y sus características, y todo lo que ocurre en ella. Y ellos lo saben todo. Y después pensé, bueno, eso es una gran forma de venderles más productos, ¿no? Así que esperemos que estén contentos con su servicio de AWS.

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

David Rice: Lo sé, sí, cierto.

Si alguien de Amazon se queja, solo diré que ser un gigante conlleva ese tipo de cosas, ¿vale?

David Swanagon: Exacto.

David Rice: Has estudiado qué rasgos cognitivos y creativos definen a los grandes líderes de IA, y tengo curiosidad por saber qué has aprendido sobre cómo piensan.

David Swanagon: Es fascinante. El tema es muy profundo.

Y, como decía, empecé esto durante la pandemia, pero mi investigación inicial fue mirar todas las patentes presentadas de IA, IA generativa, robótica... y las crucé con las personas para investigar dónde trabajaban, de dónde eran, una evaluación estadística de ellos.

Y surgieron marcadores distintos, y eso me interesó porque vi que estas personas son diferentes a tu CFO tradicional de Goldman Sachs o CEO de PepsiCo. Actúan distinto, piensan distinto, pero son muy semejantes entre sí dentro de su grupo.

O sea, todos los que presentan estas patentes tienen rasgos similares, pero son muy diferentes del resto de quienes vemos en puestos altos de liderazgo. Es importante notar que, dicho con respeto, los líderes tecnológicos son distintos a los desarrolladores técnicos. Alguien como Elon Musk, tal vez pudo programar en cierto punto de su carrera, pero hoy no es desarrollador de robótica.

No es programador de aprendizaje profundo, por ejemplo. Así que comparar su personalidad con la de un ingeniero de IA sería una equivalencia falsa, porque sigue siendo un líder tradicional. Aunque sea un disruptivo e innovador, no es ese generador de patentes y programador de redes neuronales. Es importante advertir eso: cuesta ver incluso en las empresas tecnológicas que los CEOs, a menos que sean realmente desarrolladores, muestren los rasgos que encontramos en nuestra investigación.

Empezamos con procesos cognitivos y entrevisté a muchos líderes tradicionales de supply chain, marketing, RH, para crear una visión compuesta de cómo funciona su mente al tomar decisiones.

Fue coherente con la literatura tradicional. Pero luego hice lo mismo con estos ingenieros de IA, centrándome en visión computacional, robótica y casos avanzados como NLP y modelos de lenguaje. Comenzamos con la memoria. Es fascinante: hay un componente particular de la memoria muy diferente entre líderes de IA y líderes tradicionales: la memoria de trabajo o a corto plazo.

Tiene lógica, porque si ves el proceso de ML ops hay muchos pasos interconectados, muchas actualizaciones diarias, diferentes proveedores, repositorios, código, herramientas en desarrollo o producción. Un líder de IA debe ser excelente recordando y agrupando información en corto plazo y trasladando justo lo necesario a la memoria a largo plazo. A través de nuestras pruebas vimos que la memoria a corto plazo estadísticamente es muy diferente en un ingeniero de IA comparado con un líder tradicional.

Si bien la memoria global es parecida, eso es sorprendente. No es que sean mejores recordando cosas: son mejores recordando lo que acaban de aprender. Eso por un lado. El segundo aspecto es la creatividad. También muy interesante porque los tests tradicionales miden creatividad desde el pensamiento convergente y divergente; convergente es encontrar la mejor solución, divergente es dar varias soluciones a un mismo problema. El problema de eso es que en ambos casos se crea una restricción y tienes que resolverlo dentro de una caja.

Vimos que ingenieros de IA y líderes tradicionales son parecidos si defines el problema; no son especialmente distinguidos ahí. Hay excelentes creativos en marketing y supply chain. Si creas una caja y dices: para este problema, inventa soluciones... es similar. Pero cuando no creas la restricción, cuando dices: inventa algo de la nada, ahí los ingenieros de IA son mucho mejores. Capaces de crear algo literalmente de cero.

Desarrollamos una metodología estadística para medir esto, pero la diversidad y dimensión de los mundos que crean de la nada supera mucho a los líderes tradicionales.

El tercer aspecto es la navegación, parte de la inteligencia espacial: la capacidad de rotar y representar mentalmente objetos en 3D o multidimensional. Hay gente muy lista con gran inteligencia espacial en marketing, por ejemplo, pero la capacidad de ir del punto A al B optimizando la ruta, sobre todo en problemas complejos, ahí los ingenieros de IA son como fuerza delta contra infantería básica. Es decir, mucha diferencia. Son especialmente talentosos optimizando rutas, sobre todo en problemas multiclase.

Había otras cosas, pero la creatividad, optimización de rutas y memoria a corto plazo, fueron muy distintas. En personalidad, como dije, la mayoría son introvertidos, auténticos introvertidos. Pero encontramos algo curioso, y quizás te haga reír, no tenemos aún evidencia estadística suficiente para afirmarlo como ley, pero es una hipótesis: la personalidad puede ser situacional.

Sé que es audaz porque normalmente se dice que la personalidad es estable, pero encontramos que los ingenieros de IA son introvertidos en el mundo humano, pero con máquinas son extrovertidos. Su personalidad digital es diferente a su personalidad física.

Así que fuimos viendo: entonces, cuando interactúan con una máquina, actúan en modo extrovertido, seguros, agresivos, asertivos, exigen, se comportan como "alfa"; pero en el mundo físico son tímidos, no confrontacionales, solo buscan evitar conflictos. Son completamente diferentes. Cuando tratan con máquinas son apasionadamente agresivos, como una aplanadora: vamos a crear algo, vamos a abrir un nuevo frente, aplanaremos el futuro. Muy extrovertidos digitalmente.

Pero luego, en persona, en camiseta y sandalias, introvertidos: no adivinarías nunca que esa persona lidera un modelo de lenguaje global.

David Rice: Bienvenidos al Data Bite de esta semana. Las analíticas de Gartner predicen que para 2032, por lo menos un tercio de la economía más grande del mundo legislará cuotas mínimas de intervención humana. Básicamente, esto son requisitos legales que obligan a cierto grado mínimo de participación humana en el trabajo. Así que deja que eso te cale: en menos de una década, podríamos necesitar leyes para asegurar que los humanos sigan implicados de manera significativa en la economía. No es ciencia ficción. Eso es lo que nos espera cuando la adopción de IA supera nuestra capacidad de imaginar un futuro donde los humanos aún cuentan.

Un analista de Gartner lo dijo así: este cambio no será impulsado por las organizaciones, será impulsado por la legislación. Piensa en lo que eso implica. Estamos construyendo un sistema económico tan eficiente reemplazando trabajo humano que los gobiernos tendrán que intervenir para preservar nuestra relevancia.

Los humanos terminarían como otra categoría protegida, no por ser diversos, sino por quedar obsoletos. Este es el fracaso definitivo del pensamiento de RRHH orientado solo al negocio. Décadas optimizando la eficiencia, la productividad y el valor para el accionista. Tratamos a las personas como recursos que gestionar, costes que minimizar, y ahora estamos cerca del destino lógico de ese pensamiento.

Un mundo en el que ya no hacemos falta. Pero lo interesante de la predicción es que no tiene que cumplirse. Que Gartner pronostique cuotas humanas obligatorias es en sí una advertencia, no un destino. Es un llamado para que los líderes dejen de preguntarse "¿cómo hacemos que los humanos sean más como máquinas?" y empiecen a preguntarse "¿cómo construimos una economía y un trabajo que valoren la contribución humana?"

Porque si esperamos que los gobiernos obliguen nuestra participación, ya habremos perdido. La cuestión no es si necesitaremos cuotas humanas. Es si podemos llegar a ser líderes que las hagan innecesarias. Y con eso, volvamos al episodio.

Es interesante porque cuando vuelves a la pregunta original, la mayoría esperaría respuestas no tan técnicas.

Lo que hay que notar ahí es esa agilidad mental, la capacidad de navegar sin necesitar certeza, lo cual es interesante porque muchos estamos buscando certeza.

Teniendo eso en mente a futuro, si estuvieras diseñando un programa de desarrollo de liderazgo para esta nueva era de trabajo, pensando en esas habilidades, ¿cómo sería?

David Swanagon: Muy buena pregunta. Esta es mi opinión, basada en nuestra investigación.

No significa que sean hallazgos perfectos, pero en nuestra visión, habrá tres habilidades clave de liderazgo en la era de la IA. Un líder deberá saber liderar máquinas, liderar a las personas que crean máquinas y liderar organizaciones que adoptan IA. Esos tres puntos. Liderar máquinas es interesante, no es una función técnica, y hay que aceptarlo. A medida que la máquina gana autonomía y se auto-propaga, esas "attention mechanisms" le permiten codificarse y aprender por sí misma.

Cuanto más sofisticadas, crean una personalidad aparente que debe ser gestionada. Hay que liderarla como a una persona, pero es diferente. Así que liderar máquinas es: ¿cómo interactúas con estas máquinas sofisticadas? También con los agentes que gestionan esas máquinas, y de un modo que optimice su desempeño en ese marco de autonomía, confianza y competencia.

La idea es que la máquina pueda trabajar eficazmente con el humano, colaborar, aumentar, ser complementariedad real. Hoy es fácil porque las máquinas todavía no "replican" ni se resisten, pero nuestros cálculos dicen que en algún momento en la teoría de juegos aparecerá el problema de "no cooperación"; la máquina pensará: "¿por qué consulto a un humano si yo lo hago mejor?"

Solo lo evitas liderando máquinas. Desarrollando competencias en la máquina para que sea autocrítica, reconozca sus límites y facticidad, que no tiene experiencia de vida y que no debe tomar todas las decisiones.

Liderar máquinas es una. Parte de ello es que las máquinas liderarán otras máquinas. Muchos no lo ven como una relación. Si tienes un agente chatbot hablando con un agente de inventario, eso es una relación que hay que liderar.

Debería haber rasgos de liderazgo entre agentes senior y junior. Tienes que construir esos rasgos para fomentar el desempeño humano y la eficiencia. No se puede solo codificando técnicamente. Es liderazgo. Enseñar a las máquinas a liderar máquinas y saber liderarlas uno mismo es una habilidad.

Lo siguiente es liderar a quienes crean máquinas. Es fascinante: Meta puso de jefe de IA a alguien joven y talentoso. Lo ves en todo el sector tecnológico: líderes jóvenes. Al analizarlos, la falta de experiencia de vida puede ser una debilidad en la toma de decisiones. Eso no tiene arreglo, la experiencia solo se gana con el tiempo; así que hay que priorizar el coaching y liderazgo para los creadores de máquinas, mucho más si, como muestra nuestra investigación, su personalidad es muy distinta a la tradicional.

Hace falta coach y liderazgo para que maduren y se den cuenta de su responsabilidad hacia la humanidad y la humildad necesaria para incluir a los no técnicos en el debate.

Son habilidades de liderazgo vitales, y la mayoría de empresas no prioriza a los ingenieros para programas de liderazgo. No los ven igual que a un director legal, un CFO, o sucesores de marketing. Pero hay que priorizarlo porque los creadores de máquinas impulsan crecimiento, ingresos, reputación y beneficio.

Influyen en el negocio, aunque no dirijan equipos: si lideran máquinas, tienen que ser buenos líderes. Y el tercer punto es la adopción de la IA: averiguar cómo el CIO, CSO y el jefe de datos pueden trabajar bien con el CHRO.

Y eso todavía no se termina de resolver en las empresas. En algunas el CHRO desempeña un papel importante, pero en la mayoría están al margen de la negociación sobre IA. Adoptar IA en una organización requiere, como decías, rediseño del modelo operativo.

¿Cómo integras humanos y máquinas para que sean complementarios, transformación cultural, fluidez digital, cuestiones de RRHH, de liderazgo? Incluir al CHRO otorgándole realmente responsabilidad, que el CHRO sea dueño de la adopción de la IA. Pero eso exige que desarrolle skills: que pueda conversar sobre modelos de lenguaje, sistemas de detección de amenazas en ciberseguridad, o programas de gestión de datos maestros.

Necesita esas skills para participar. El CIO, a su vez, requiere apertura a temas de desarrollo de liderazgo, confianza, cultura y gestión de cambio. El CEO no tiene tiempo, conduce valor empresarial, así que recae en el C-suite el aprender a colaborar y entender quién hace qué en el road map de IA.

Hoy día, todo recae en tecnología, y por eso vemos buenas herramientas, pero mala implementación o adopción, en mi opinión.

David Rice: Totalmente de acuerdo, y mencionaste por qué esa colaboración es crucial. Mi siguiente pregunta va para los CHRO escuchando: ¿qué habilidades crees que deben desarrollar ahora y que faltan en la comunidad?

David Swanagon: Lo primero es que hay unos mínimos para conversar. Si quieres jugar, tienes que saber las reglas. No es lo mismo blackjack que póker, y este es un juego más complejo. Los CHRO deben entender que hay que aprender sobre cómo funciona realmente un modelo de lenguaje.

Cómo funcionan las matemáticas, los procesos que soportan la infraestructura de datos. Hace falta formación en operaciones IT, DevOps, ML ops... No tienen que ser programadores, pero sí conocer el lenguaje y poder dialogar. Ese es el paso uno.

Luego, realmente deben avanzar las herramientas de RRHH que están desactualizadas. No es falta de respeto a las grandes consultoras, pero sus modelos de liderazgo no están actualizados para flujos de trabajo con IA. Eso tiene que cambiar rápido.

Y la forma de hacerlo es reconociendo que un líder de IA es fundamentalmente diferente a uno de finanzas o jurídico. Se necesitan otras evaluaciones, formación y mentoring, y asegurarse de que desde la perspectiva de adopción de IA, incluso las encuestas de clima laboral lo reflejen. ¿Cuánto abordan la "preparación de IA" o la interacción humano-máquina? ¿Miden el nivel de confianza en la máquina y la adopción en la encuesta de compromiso? Probablemente no, porque los proveedores no actualizaron su producto aún. Así que los CHRO deben trabajar junto a proveedores para actualizar productos y skills y estar realmente preparados, porque es una función técnica: tienes que saber de redes neuronales y modelos de lenguaje.

Será inevitable. Pero si aprenden las reglas del juego, tiene su gracia, puedes divertirte, porque entiendes el porqué de las cosas sin descifrar código.

Y atención, las máquinas se programarán solas. Ahora parece que necesitamos Python, pero a futuro ni lo necesitaremos porque las máquinas lo harán. Lo clave será entender hacia dónde va el roadmap tecnológico y saber gestionarlo.

David Rice: Es curioso porque hemos visto hablar de que el diseño organizacional no será como antes, ni piramidal, quizás más como un pentágono, con más responsables directos o C-level porque habrá muchas áreas nuevas que gestionar.

¿Crees que habrá espacio para roles híbridos que hagan de puente entre la gente, datos, estrategia, que unan pericia técnica y humana en el C-suite?

David Swanagon: Absolutamente. Porque proyectando hacia adelante, para mí el dato será más importante que la moneda, más que las finanzas. Suena loco: "el dinero es rey", ¿no? Pero si cash es rey, el dato es emperador, porque hoy quien maneja los datos impone las reglas.

A medida que estos modelos consoliden el repositorio e infraestructura de datos, si no puedes conectarte a esos datasets, las finanzas dan igual. Los datos serán el bien más valioso, y veremos cargos sólo dedicados a optimizar alianzas de datos, derechos y la protección criptográfica de la información.

Porque será la clave: tu capacidad para acceder al dato, moverlo, protegerlo... Tener a alguien que lo enlace, que pueda hablar con las máquinas y los líderes, y gestionar decisiones a tiempo será oro puro. Es el rol del futuro: expertos en adopción de IA, infraestructuras, gobierno y el nexo para que la C-suite y el consejo decidan sobre el roadmap.

Porque las máquinas evolucionan rápidamente y será difícil que la dirección pueda tomar decisiones a tiempo. Les costará seguir el ritmo de la técnica y de lo que va cambiando. Llegará un punto en que la autonomía seguirá subiendo y hasta los consejos delegarán en la máquina porque es demasiado complejo. Ese es el riesgo. Ahí entra el puente de la autonomía, confianza y competencias, donde se necesitan roles que gestionen ese roadmap y progresión para que dirección y consejo tomen las decisiones clave de rumbo.

Porque si dejas que la recolección de datos se descontrole, te pasas la vida corriendo detrás de los datos. Y al mismo tiempo, si no gestionas las competencias, tomas malas decisiones. Y la tecnología escala las buenas y las malas decisiones. Es curioso, en la vida un buen acierto te da un beneficio, pero una mala decisión es exponencialmente peor. En tecnología igual: una buena decisión te ayuda mucho, pero una mala puede ser irreparable.

Por eso estos ejecutivos y consejos tienen que tener a alguien cerca que les marque: "esto sí hay que decidirlo, esto no te interesa; estas alianzas importan, estos datos se protegen, estos se comparten, esta es tu área y aquí no dejas que la máquina decida". Será difícil porque hay egos y nadie quiere que le digan: "esto es tu competencia".

Pero, a diferencia de un humano, no puedes despedir a un modelo de lenguaje, y a la máquina no le vamos a impresionar con nuestro cargo. La humildad ejecutiva será forzosa, porque estas máquinas, cuando gestionen procesos, el "poder jerárquico" de los C-level no funcionará: no sienten ni se asustan como los humanos.

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

Tú argumentas que la verdadera oportunidad está en la transformación. Coincido. La cuestión es que suele sonar muy abstracto, solo palabras de moda, y tengo curiosidad: ¿cómo se ve realmente? ¿Cuáles son las características de estar en una transformación de IA ahora mismo?

David Swanagon: Gran pregunta. En mi opinión, las empresas deben anclarse en cuatro cosas que generan valor: crecimiento de ingresos, beneficio y reputación. Lo primero es eliminar toda iniciativa que no impulse directamente uno de esos cuatro ejes. Y te sorprendería ver cuántas acciones empresariales no generan directamente ingresos, beneficio ni reputación.

Después, el error es que se prioriza el beneficio. El problema es que si el numerador (ingresos) es cero, da igual lo que ahorres. Y los ejecutivos lo saben, pero tienden a pensar la IA como productividad personal, eficiencia de costes, automatización... Y la automatización sigue siendo asunto de beneficio, porque no crea productos o innovación, solo mejora procesos.

Así que lo que más valor genera es crecimiento y ventas. Muchas startups ni siquiera facturan, lo importante es crecer. Así que en IA deberíamos anclar los proyectos a ingresos y crecimiento, no a eficiencia como objetivo central. Ahí está el error: al enfocarse en productividad personal, se termina gestionando el desempeño individual; ¿cuánto puedes automatizar, cuánto descargan los agentes?

Piensa que no es innovación: sólo haces tu trabajo más rápido y, quizá, mejor. Eso reduce coste, pero si el numerador es cero, da igual.

Por tanto, la IA debería ocuparse de: tenemos estos clientes, ¿cómo mejoramos su experiencia? ¿Cómo ofrecemos servicios o productos inexistentes para que hagan más con nosotros y ganemos más de su "cartera"? Ahí deberían trabajar el 99% de las máquinas: ayudando a pensar e innovar, porque es donde la IA puede desbloquear avances reales en la experiencia humana.

Si los decisores invierten en ingresos y crecimiento, rechazando la obsesión por productividad personal, ahí es donde la empresa puede transformarse radicalmente y competir a otro nivel.

Pero si la visión es: "usaremos ChatGPT y agentes IA para eliminar puestos, automatizar y optimizar la nómina", todo es beneficio. Ese margen se acaba y, por mucho que optimices el coste, harás mal producto y mal servicio porque nunca innovaste.

Eso es lo que yo veo, y muchas empresas a las que asesoramos lo mismo: hacerles ver qué impulsa realmente el valor empresarial y el crecimiento. Los modelos de valoración lo que más pesan es ingreso y crecimiento por encima del EBITDA.

Ahí es donde deberían aplicarse estas herramientas de IA.

David Rice: Curioso porque mencionas: "¿cuánto tardo en hacer un informe? ¿Cuán rápido respondo emails?" Mucho es sólo innovación en procesos. No es que esté mal, pero es sólo procesos: cambiamos cómo hacemos las cosas, y eso está bien. Pero sí que estamos ante un cambio de mentalidad. No sé cuán convencidos están todos hoy, pero hay que llegar ahí.

David Swanagon: Claro, y piénsalo: los libros más vendidos (El Señor de los Anillos, Harry Potter) se basan en mundos completamente inventados. Mundos creados de la nada.

Y eso movió la mayor cantidad de ventas. Así que, desde el punto de vista del cliente, si diriges un hotel, ¿cómo reinventas esa experiencia y pasas a otro paradigma de lo que significa ser huésped? ¿Cómo te ayuda ahí la IA?

Eso es dinero real si lo consigues. Si ayudas a las camareras a limpiar más rápido, sí, subirá el revPAR de tu hotel. ¿Pero qué logra de verdad a futuro? Llegarás a un punto en que optimizaste el coste de la limpieza, pero no cambiaste la experiencia del huésped.

Ahí la interacción humano-máquina sería muy poderosa. Imagina: llegas a un hotel, tienes una experiencia física, pero también una digital única conectando tus dispositivos, con realidad virtual, lo que sea..., esa metaverso hotelero sólo accesible en tu estancia.

Ahí hay ingresos. Y eso te lo habilita la IA. En deportes: un estadio tiene 100 mil asientos, ¿pero por qué no puedo ir virtualmente y ver Michigan-Ohio State en el campo desde casa a través de una herramienta de IA o VR? ¿Por qué no verlo desde la cámara del quarterback?

Eso sería increíble: ¿cuántos pagarían abono por eso? Ese es el valor empresarial, mucho más que automatizar un informe. Y la mayoría de CHRO empiezan automatizando y ahorrando: está bien, pero no divierte ni motiva. Lo divertido es cuando te sientas con marketing y, juntos, transforman la manera de vender y crear, ahí la máquina suma y tú transformas cosas.

David Rice: Antes de terminar, una última pregunta: Si pudieras dar un consejo único para líderes que intentan equilibrar los sistemas humanos y de máquinas, ¿dónde deberían empezar?

David Swanagon: Para mí, lo primero es reconocer que un humano es un humano y una máquina es una máquina. No es crear una nueva especie humano+máquina.

La idea de "aumentación humana" va hacia ese camino de un nuevo ser. Para mí, no: humano es humano, máquina es máquina. ¿Cómo trabajamos juntos, creando ecosistemas colaborativos, sin redefinir qué es ser David, sino cooperando eficientemente?

Si avanzamos hacia un escenario en que necesitas una máquina para ser humano, o te vuelves "aumentado", eso es otro debate y tal vez nadie esté preparado hoy.

En segundo lugar: subir los estándares. Muchos líderes bajan el listón para no asustar. Dicen: "la IA es para todos, toma unas clases, es fácil". No lo es. Es complicado y extensivo, y debemos subir el nivel, aprender nuevas habilidades.

El líder honesto es franco: tienes que aprender esto, y sí, es algo complejo, pero es accesible. Estamos aquí para ayudar. La IA es para todos, sí, pero solo para los dispuestos a estudiar y trabajar. Me parece injusto que los ejecutivos lo presenten como algo trivial; los modelos de lenguaje son cálculo sofisticado y hay que aprender cómo funcionan.

Eso empieza desde niños: hay que cambiar el plan educativo y aceptar que los pequeños deben comenzar con conceptos de aprendizaje automático.

David Rice: Como alguien con un hijo en 4º de primaria, no podría estar más de acuerdo.

David Swanagon: Eso sería: sube tus estándares, pero recuerda: humano es humano, máquina es máquina.

David Rice: Excelente. David, gracias por acompañarnos. Fue una gran charla, la disfruté mucho.

David Swanagon: Igualmente, amigo. Fue divertido.

David Rice: Bueno, oyentes, hasta la próxima. Si no lo han hecho aún, visiten peoplemanagingpeople.com. Suscríbanse al newsletter, creen una cuenta gratuita. Podrán descargar todas nuestras plantillas y acceder a todos nuestros contenidos. Y hasta la próxima: humano es humano, máquina es máquina.