Al trabajar juntos, los humanos y las máquinas pueden ampliar significativamente el intercambio de conocimientos, la innovación y la ventaja competitiva.
La IA generativa puede mejorar radicalmente la capacidad de aprendizaje de una organización. Con la introducción de ChatGPT por parte de OpenAI en noviembre de 2022, por primera vez en los más de 200 años de historia de la automatización avanzada, las máquinas respondieron. En lugar de tener que «hablar» Java o Python, las personas podían usar el diálogo cotidiano, razón por la cual la herramienta obtuvo más de 100 millones de usuarios en sus primeros dos meses de disponibilidad pública.
En un nivel más profundo, al facilitar la interacción en lenguaje humano y manejar hábilmente palabras, imágenes, números y sonidos no estructurados, GenAI abrió una forma completamente nueva de crear, capturar y transferir conocimiento organizacional. En este artículo, argumentaremos que los líderes necesitan adoptar la IA generativa como una nueva capacidad organizacional, y no solo porque automatiza una variedad de tareas de manera económica. Combinada con la IA tradicional, la IA generativa amplía el alcance de la mejora potencial en muchos procesos y decisiones y la facilidad con la que se puede aplicar este nuevo conocimiento. Esto, a su vez, crea el potencial de un efecto acumulativo positivo en el aprendizaje organizacional, con agentes humanos y máquinas trabajando en conjunto para crear nuevas ventajas competitivas.
Crear nuevas capacidades, no sólo adoptar nuevas tecnologías
Paradójicamente, la generalidad y amplia aplicabilidad de la IA generativa pueden dificultar su adopción. En nuestra investigación, descubrimos que las organizaciones más avanzadas no consideran la IA generativa como una tecnología independiente, sino como una capacidad organizacional. Dos ejemplos ilustran esta perspectiva:
- Blue Cross Blue Shield of Michigan (BCBSM): Esta aseguradora de salud de 35 mil millones de dólares implementó un equipo de liderazgo multifuncional GenAI/IA para educar a los empleados sobre cómo usar las tecnologías, seguir prácticas responsables de IA, mejorar de manera mensurable la eficiencia en una serie de proyectos e innovar en procesos clave como la revisión de contratos y la administración de beneficios. Cuando BCBSM aplicó una herramienta de IA generativa que permitió un mejor análisis y estandarización de términos y precios en todos los servicios de la empresa, recuperó más de 10 millones de dólares en ahorros después de aplicar su herramienta GenAI a sus contratos de TI existentes, lo que permitió un mejor análisis y estandarización de términos y precios en todos los servicios de la empresa.
- Wolters Kluwer: Esta empresa de información académica y empresarial de 4200 millones de euros incorporó un espacio organizativo para el aprendizaje. Los líderes programaron una hora a la semana durante la cual todos asistían a sesiones de aprendizaje dirigidas por pares, la mayoría de las cuales se centraban en aplicaciones prácticas de GenAI/IA. Este enfoque impulsó las habilidades de los empleados, la innovación e incluso la retención. En última instancia, los empleados se sintieron más conectados con la empresa porque las sesiones no solo permitieron la creación de una comunidad dinámica de estudiantes, sino que también les proporcionaron un vehículo para comunicar sus innovaciones a una audiencia más amplia.
Ambas empresas tuvieron éxito al considerar GenAI/AI como una capacidad para toda la empresa. Se comprometieron tanto con un liderazgo de arriba hacia abajo como con un entusiasmo de abajo hacia arriba, fomentando entornos de aprendizaje que permitieran una rápida experimentación y creación de valor.
Si analizamos estudios rigurosos sobre la productividad del impacto de la IA generativa, vemos un patrón amplio de mejora. Un estudio analizó la productividad de los agentes de un centro de llamadas cuando se les dio acceso a un asistente conversacional basado en GenAI y descubrió una mejora en la productividad de al menos el 14%, así como una mayor calidad del servicio y una incorporación más rápida de nuevos agentes. 3 Otra iniciativa de investigación implicó un estudio extenso de más de 758 consultores de Boston Consulting Group y descubrió que cuando la herramienta de IA generativa coincidía con la tarea, la productividad aumentaba un 12% y la velocidad de finalización de la tarea un 25%. Al igual que en el estudio del centro de llamadas, los empleados de menor rendimiento obtuvieron un mayor impulso de la herramienta que los trabajadores más experimentados. Desde que se realizaron estos estudios en 2023, las capacidades de los grandes modelos de lenguaje (LLM) y otro software de apoyo han ido aumentando de forma constante.
La GenAI representa un cambio fundamental en la economía del trabajo WINS (trabajo que implica palabras , imágenes , números y sonidos) . Presentamos esta nueva categoría de trabajo en un artículo de Harvard Business Review de septiembre de 2023 porque creemos que la idea del trabajo cognitivo es demasiado amplia. Un carpintero es un trabajador cognitivo, al igual que un abogado, pero el impacto de la GenAI será mayor y más rápido para un abogado que para un carpintero.
Por ese motivo, creamos esta nueva subcategoría de trabajo WINS. Algunos ejemplos de trabajo WINS incluyen consultoría de gestión (todas las principales firmas de consultoría han adoptado LLM), servicio al cliente (se han implementado LLM a gran escala en muchas empresas) e incluso producción cinematográfica (Tyler Perry detuvo un proyecto de expansión masiva de estudios después de ver las capacidades del producto de texto a video de OpenAI, Sora).
En resumen: toda organización tiene trabajo WINS y se puede mejorar radicalmente.
Establecer un nuevo modelo de gestión
En la década de 1960, cuando era profesor en la Sloan School of Management del MIT, Douglas McGregor sugirió que muchos sistemas de gestión empezaban con una visión negativa del trabajador y creaban incentivos y castigos para controlar su comportamiento. A esta teoría la llamó Teoría X y sugirió que había espacio para un mayor compromiso y participación de los trabajadores, lo que denominó Teoría Y. Esta sería una organización con más respeto y empoderamiento de su gente. Poco después, el psicólogo Abraham Maslow sugirió la Teoría Z, según la cual la cultura, el significado y el propósito de la empresa conducirían a un compromiso aún más fuerte del personal con los objetivos y procesos de la organización.
En este sentido, tal vez necesitemos una teoría A, en la que la unidad central de análisis sean los agentes (humanos y máquinas) que trabajan juntos en un diálogo. Esos agentes pueden ayudar, aumentar o automatizar, dependiendo de lo bien que puedan estructurar progresivamente la tarea en cuestión. Con el tiempo, esto crea una curva de aprendizaje muy diferente en el trabajo WINS y, por lo tanto, en toda la organización porque, en la mayoría de los casos, el trabajo WINS es la frontera para el aprendizaje y la productividad organizacional. A lo largo de la historia, los avances en gestión (como la gestión científica, el movimiento de calidad y las prácticas lean) han impulsado la ventaja competitiva. Cada enfoque introdujo nuevos mecanismos de aprendizaje, lo que permitió a las organizaciones mejorar la productividad, la calidad y el valor. GenAI representa el siguiente paso en esta evolución, con la nueva tecnología que permite tres nuevas capacidades fundamentales:
1. Procesos y productos que permiten el diálogo. La IA generativa es la primera tecnología que interactúa utilizando el lenguaje humano, lo que permite que los procesos y productos se expliquen por sí mismos. Pronto, la idea de que las máquinas no puedan articular su funcionamiento será tan rara como utilizar un mapa físico para un viaje por carretera.
2. Programadores ciudadanos. GenAI permite a los empleados crear sus propios agentes y herramientas de IA. Es como si los maquinistas crearan dispositivos personalizados, pero para el trabajo cognitivo. La explosión resultante de herramientas WINS hará que las organizaciones sean mucho más productivas.
3. Manejo de datos no estructurados. La IA generativa es capaz de procesar entre el 80% y el 90% de la información que no está estructurada. Por ejemplo, el MIT creó un chatbot con CustomGPT.ai para guiar a los estudiantes en la selección de cursos con solo cargar descripciones y horarios de los mismos.
En conjunto, estos tres pilares permiten que GenAI acelere la curva de aprendizaje de una organización mediante una combinación de estructuración progresiva del trabajo de WINS y una reasignación de responsabilidades de decisión que permite que el producto o proceso se explique en cualquier formato que prefiera el alumno. Además, puede funcionar en conjunto con la IA tradicional. Este enfoque, al igual que la gestión científica anterior, ofrece una nueva forma de capturar y transferir conocimiento y establecer una plataforma para la mejora continua.
Los procesos y productos basados en el diálogo que pueden orientar a los empleados, los programadores ciudadanos que pueden crear nuevas y excelentes “herramientas de poder” cognitivas y la capacidad de procesar de manera eficiente la gran cantidad de información no estructurada que, por lo general, está fuera del alcance de la automatización tradicional, representan una tríada que cambiará enormemente las curvas de aprendizaje organizacional. Además, una combinación de la agenda humana y los agentes GenAI dispuestos en un sistema de aprendizaje se está convirtiendo en la nueva unidad de análisis cuando se diseña el trabajo.
Impulse la productividad con GenAI y el aprendizaje basado en IA
En las numerosas sesiones de formación y reuniones informativas para ejecutivos que hemos dirigido, hemos observado que la mayoría de las personas no tienen una buena intuición sobre cómo la GenAI y la IA crean valor económico, y tienen una mentalidad de todo o nada sobre la automatización. Para plantear esta cuestión de forma práctica, recurrimos al modelo de Keen-Scott Morton, que ofrece una perspectiva de cómo la GenAI eleva la productividad. Basándose en investigaciones anteriores, Peter GW Keen y Michael S. Scott Morton mapearon las decisiones a lo largo de dos dimensiones: el papel de la gerencia en las decisiones operativas, gerenciales y estratégicas; y el nivel de «estructuración» de la decisión o tarea. (Véase «¿GenAI o IA tradicional?») 7 Los sistemas de control operativo se ocupan de las transacciones del día a día (por ejemplo, ¿se envió el producto?); las decisiones gerenciales a menudo implican mejoras o resolución de problemas (por ejemplo, ¿nuestros márgenes están subiendo o bajando?); y las decisiones estratégicas se refieren a dónde y cómo competir (por ejemplo, ¿deberíamos siquiera estar en este mercado?). En cuanto a las demás dimensiones de la estructuración, los problemas completamente estructurados tienen un lenguaje de descripción claro, métodos establecidos para encontrar respuestas y medidas objetivas sobre la calidad de la respuesta. Pensemos en las puntuaciones FICO: estructuran el difícil problema de la evaluación crediticia y han estructurado completamente una evaluación potencialmente difícil y fluida.
El siguiente es un ejemplo de cómo una empresa utilizó la IA generativa para estructurar una tarea que de otro modo no estaría estructurada. Jerry Insurance, una startup que ayuda a las personas a elegir seguros de automóviles y refinanciar préstamos para automóviles, tiene más de 4 millones de clientes. Antes de adoptar GenAI, la gestión de las solicitudes de los clientes a través del chat era semiestructurada y requería intervención humana. (Ver “Un chatbot cambió la economía”).
Después de implementar Gen AI en abril de 2023, la empresa automatizó el 89 % de esas interacciones, lo que permitió escalar solo el 11 % que requería la intervención humana. Además, el grupo de chatbots que creó la empresa incluía uno que podía considerar el tono y la emoción de la persona que llamaba y escalar la llamada de inmediato, si era necesario. En última instancia, los humanos se ocuparon de las tareas que necesitaban el toque humano.
El sistema GenAI de Jerry Insurance estructuró progresivamente estos textos y chats previamente ambiguos con los clientes, un proceso que se mantuvo a cargo del personal de atención al cliente. El enfoque de la empresa ilustra cómo la IA generativa mejora la productividad al estructurar progresivamente la tarea en cuestión. El equipo central de IA creó los modelos GenAI y luego el personal de atención al cliente recibió capacitación sobre cómo usar y actualizar los modelos para que pudieran mejorar continuamente.
Este tipo de estructuración progresiva cambia la naturaleza del trabajo y su capacidad. Por ejemplo, los líderes de Jerry Insurance creen que pueden manejar tres o más veces el volumen de clientes utilizando la misma capacidad de 32 agentes de atención al cliente. No se trata de una automatización única: ahora que han comenzado este tipo de mejora, están recurriendo a otros procesos, empezando por las llamadas de voz, además de los mensajes de texto y el chat.
Quizás lo más importante es que este aprendizaje organizacional no se limita a lo que ocurre dentro de las empresas. De hecho, GenAI es la nueva interfaz de usuario. Los LLM pueden elegir el idioma, el tono emocional, el nivel de experiencia, el formato de salida, la modalidad de salida (como imágenes, texto, música, etc.), el punto de vista (por ejemplo, de apoyo o de confrontación) y muchas otras dimensiones. Esperamos que, con el tiempo, cada producto, proceso e interacción sustancial tenga un agente inteligente que explique cómo usarlo y diagnostique cualquier necesidad del cliente.
Organizarse para el éxito: GenAI como nuevo movimiento de calidad
Para aprovechar una capacidad tan amplia y general y un nuevo concepto de agentes humanos y máquinas trabajando en conjunto, es esencial que los líderes vean a GenAI como algo más que una tecnología más. Inspirándose en el movimiento de calidad, recomendamos que adopten un enfoque estructurado para desarrollar capacidades de IA generativa, similar al sistema de clasificación de cinturones utilizado en las artes marciales, con caminos claros para desarrollar la experiencia:
- Cinturón blanco: Presentar los conceptos básicos de GenAI a través de la experiencia práctica. Comprender el poder del diálogo para mejorar el trabajo. Establecer una base para una adopción generalizada.
- Cinturón amarillo: desarrollar una comprensión más profunda, incluida la ingeniería rápida y la creación de agentes de chat. Fomentar el intercambio de conocimientos.
- Cinturón verde: desarrollar e implementar múltiples agentes. Liderar equipos y proyectos. Entender la seguridad y el retorno de la inversión, y escalar al menos un piloto. Enseñar a otros cómo crear valor con GenAI. Demostrar habilidades, la aplicación de GenAI en el mundo real y la capacidad de difundir el conocimiento.
- Cinturón negro: Profundizar en la comprensión de las herramientas y técnicas GenAI/IA. Adquirir conocimientos de MLOps (operaciones de aprendizaje automático) y AIOps (IA para operaciones de TI). Desarrollar la capacidad de enseñar y diseñar un plan de estudios de enseñanza. Demostrar la capacidad de gestionar el talento GenAI y supervisar una cartera de proyectos de IA.
El uso de un enfoque como el del movimiento de calidad permite a los altos ejecutivos tener cierta medida de capacidad organizacional en sus empresas. Por ejemplo, si usted está en una organización con uso intensivo de WINS, como un bufete de abogados, debería crear una pirámide más amplia y profunda de capacidades que sean fáciles de medir y de informar. Además, el enfoque es inmensamente práctico porque no tiene que contratar tantos talentos costosos en inteligencia artificial y no perderá tiempo traduciendo el contexto de trabajo a un consultor o tecnólogo. Los expertos locales pueden construirlo ellos mismos, con la ayuda de otras personas familiarizadas con el contexto.
