Por Canuto  

Aunque la mayoría de los profesionales encuestados afirma que la inteligencia artificial mejora su productividad, muchas empresas aún no reportan un efecto en el EBIT. Un análisis de Fortune, que cita datos de McKinsey, sostiene que el obstáculo no es solo tecnológico: también pesan las reglas internas, los incentivos y el temor de los trabajadores a perder valor o empleo.

***

  • El 80% de los profesionales encuestados afirma que la IA mejora su productividad individual, pero solo el 37% reporta que contribuye al EBIT de su organización.
  • Un caso de aviación relatado por la autora muestra que un sistema de optimización puede tardar 18 meses en ganar aceptación, incluso después de probar su utilidad.
  • La autora plantea que los bonos, las jerarquías y el miedo a los recortes pueden impedir que el tiempo ahorrado se traduzca en valor empresarial.

 


 

La brecha entre productividad y resultados financieros apunta a un desafío de gestión: cambiar reglas, incentivos y hábitos, además de incorporar tecnología.

En una encuesta de McKinsey citada por un análisis publicado en Fortune, el 80% de los profesionales afirma que la inteligencia artificial mejora su productividad individual, pero solo el 37% reporta que contribuye al EBIT de su organización, una medida del resultado operativo. El contraste sugiere que el beneficio percibido por los trabajadores todavía no se refleja en los resultados de muchas empresas.

La autora sostiene que el freno no necesariamente está en la falta de datos ni en la capacidad de los modelos para recomendar decisiones. Las compañías pueden automatizar análisis sin modificar quién decide, qué restricciones aplica o cómo recompensa a sus equipos, y esa distancia entre conocer una oportunidad y actuar sobre ella ayuda a explicar por qué la productividad no se convierte automáticamente en ganancias.

Las reglas internas pueden bloquear las recomendaciones de la IA

Una parte de las limitaciones empresariales, plantea el análisis, no corresponde a reglas impuestas por la ley, sino a decisiones antiguas que con el tiempo adquirieron apariencia de normas inamovibles. El problema es que las personas que podrían revisarlas también suelen tener responsabilidades, incentivos y trayectorias vinculadas al modo habitual de trabajar.

La autora relata que, mientras lideraba un equipo industrial global y después un equipo de transformación estratégica en Google, trabajó con clientes que habían comprometido grandes sumas sin obtener el valor esperado. Uno de esos casos involucró a un importante socio del sector de la aviación, donde los equipos defendían sus propios ámbitos de decisión y necesitaban coordinar aspectos que afectaban a toda la operación.

Con el patrocinio de un vicepresidente ejecutivo con larga trayectoria y la participación de equipos de ambas organizaciones, desarrollaron un sistema de optimización que evaluaba al mismo tiempo tripulaciones, rotación de aeronaves, pasajeros y control en tierra. La legislación, la capacidad disponible y la seguridad se incorporaron como restricciones; los demás factores entraron como variables para que el sistema pudiera recomendar una asignación más amplia de recursos.

El equipo cuestionaba las decisiones justificadas con un simple «yo lo sé» y solo incorporaba una restricción si seguía siendo válida para el futuro. Pese a que el valor de la herramienta quedó demostrado, la aerolínea tardó 18 meses en pasar de aceptar la mitad de sus recomendaciones a aceptar casi todas, porque los controladores cargaban con la responsabilidad por la seguridad de los pasajeros y cada cambio cuestionaba criterios que habían guiado su carrera.

La expansión del sistema a toda la red también chocó con jerarquías de decisión y con el temor de que un modelo de IA revocara décadas de experiencia en el servicio. La autora atribuye ese estancamiento menos a dudas sobre la utilidad del modelo que a restricciones arraigadas en las personas, y advierte que automatizar el análisis no elimina por sí solo la política interna.

Los incentivos pueden premiar el pasado

La autora resume esa tensión con una idea: el modelo puede recomendar un cambio, pero el plan de bonos determina si alguien tiene motivos para aprobarlo. Hace más de una década, en Diageo, su equipo combinaba datos de ventas minoristas, sentimiento, inversión publicitaria y clima por marca y país para decidir dónde podían rendir mejor los recursos.

Los resultados podían desafiar los planes establecidos. Si Irlanda ganaba un partido de rugby, la inversión en televisión y Guinness podía rendir más que en los destinos previstos originalmente; si el verano italiano se prolongaba, también podía extenderse la temporada de Tanqueray. Desde el punto de vista de los datos, mover el presupuesto tenía sentido, pero la redistribución afectaba los objetivos de cada director de país.

Ese cambio podía influir en quién recibía un bono y en quién veía amenazados sus planes familiares de vacaciones, porque cada responsable había contratado personal y organizado su presupuesto para cumplir una meta determinada. En ese escenario, la herramienta terminaba señalando lo que habría convenido hacer, pero no necesariamente modificaba las decisiones a tiempo: la recomendación chocaba con recompensas individuales ligadas al plan anterior.

El análisis conecta esa experiencia con el uso actual de la IA: los empleados pueden terminar tareas más rápido, pero a menudo reciben más trabajo en el tiempo que liberan. Si la empresa presenta esa eficiencia como argumento para reducir puestos, hacer visible cuánto ahorra una persona puede parecerle equivalente a redactar su propia carta de despido, mientras nadie tiene una recompensa clara por diseñar las funciones nuevas.

También influye el ejemplo de los altos cargos. La autora cita un dato según el cual el 69% de los ejecutivos usa la IA menos de una hora por semana, una cifra que, en su planteamiento, pone en cuestión la credibilidad de las transformaciones que esos mismos líderes piden a sus equipos.

La transformación también exige cambiar la idea de valor

La autora describe a cada empleado como un posible actor establecido, obligado a elegir entre proteger el trabajo conocido o asumir un papel en lo que viene. Recuerda que vivió esa tensión en Maersk hace diez años, cuando los márgenes eran estrechos y la empresa debía demostrar que elegiría la mejor opción para la cadena de suministro del cliente, no necesariamente la que favoreciera a su propia flota de barcos.

En 2016, la industria no era rentable, según el relato, mientras que la logística integrada dio frutos durante la pandemia; el año previo a la publicación, Maersk registró USD $3.500 millones en beneficio operativo. La experiencia aparece como un ejemplo de una transformación que exigió convencer a clientes y trabajadores de que la empresa podía crear valor más allá de su actividad tradicional.

El análisis también cuenta el caso de una asistente ejecutiva que utilizaba IA con frecuencia, aunque su jefe no lo sabía, y temía que la tecnología terminara reemplazándola. Cuando la autora le preguntó en qué momento se había sentido más valiosa, ella recordó que había alineado a un equipo directivo de personalidades fuertes en torno a un objetivo común, identificando preocupaciones que todavía no se habían expresado.

Para esa trabajadora, su aporte no consistía en completar una lista de tareas, sino en crear las condiciones para que el equipo pudiera bajar la guardia y coordinarse. La autora le planteó que, si algún día un modelo aprendía a hacer ese trabajo, ella podría entrenarlo y ampliar su propia contribución; el obstáculo inmediato, según la conversación, era reconocer el valor de esa capacidad.

Como respuesta, la autora propone cuatro movimientos de gestión. El primero es definir una ambición que permita imaginar un futuro distinto, en lugar de limitarse a optimizar el resultado actual; el segundo consiste en revisar las restricciones y preguntar qué decisión originó cada regla y si todavía sirve para lo que la empresa busca.

Los otros dos movimientos se enfocan en el sistema de recompensas y en el ejemplo de quienes lideran. La propuesta es vincular parte de los objetivos individuales a resultados compartidos y reconocer también la participación en el futuro de la empresa, mientras los líderes prueban el cambio en su propia forma de trabajar y evitan que cada hora ahorrada se convierta automáticamente en una amenaza de recorte.

La distancia entre el 80% de profesionales que percibe más productividad y el 37% que reporta un impacto de la IA en el EBIT de su organización no se resuelve únicamente con mejores modelos. El planteamiento central del análisis es que las empresas deben decidir quién se beneficia del tiempo liberado, qué reglas están dispuestas a revisar y cómo ayudar a las personas a trasladar sus capacidades hacia tareas de mayor valor.


Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

 


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín