Por: Jared Spataro, CMO de IA en el Trabajo de Microsoft.
El comentario más compartido sobre la IA ahora mismo parte de una observación difícil de discutir: la brecha entre lo que pueden hacer los modelos actuales y lo que las empresas despliegan es enorme, y eso genera frustración. Ethan Mollick captó esa sensación de más más contundente en un artículo reciente para The Economist, donde argumenta que las empresas domestican la IA antes de que tenga la oportunidad de hacer su mejor trabajo—que la gobernanza de TI, los procesos aversos al riesgo y el impulso de adaptar la tecnología a las estructuras existentes son el principal cuello de botella. Erik Brynjolfsson en Stanford lleva 30 años en documentar por qué ocurre esto. Su marco de curvas en J—el patrón de caída antes del pago que suele seguir la adopción tecnológica—es la arquitectura intelectual detrás de la afirmación de que el retraso organizativo, y no la calidad del modelo, determina si una tecnología se acumula o se estanca.
Ambos tienen razón. El diagnóstico es grave y fundamentado. Lo que añadiría es una interpretación diferente de qué crea la brecha en primer lugar.
Aquí está la parte que yo insistiría. La fricción que Mollick argumenta que las empresas deberían desmantelar—el control burocrático, el impulso de sobreindexar pilotos y experimentación—no es la misma que la infraestructura que permite escalar a la IA. Identidad. Permisos. Una conexión con los datos sobre los que en verdad funciona su negocio. Un registro de lo que hicieron los agentes de IA y por qué. Integración con las herramientas donde ya hay trabajo. Esa capa no es donde la IA va a morir. Es lo que permite que la IA desaparezca dentro del trabajo, lo cual es una condición necesaria para la escala.
Cómo se difunde la tecnología
Geoffrey Moore documentó el patrón en Cruzando el Abismo: los comportamientos que definen a los primeros adoptantes —la disposición a realizar actos antinaturales para una tecnología que aún no es fluida— son justo lo que los hace poco representativos de los demás. Los pragmáticos no cruzan el abismo porque la tecnología se vuelve más capaz. La cruzan cuando la tecnología les encuentra dentro del trabajo que ya realizan.
La web no transformó el comercio mediante experimentos exóticos de navegadores. Transformó el comercio cuando se convirtió en la capa invisible bajo lo que Amazon construyó—cuando pedir pasta de dientes no requería entender en absoluto la tecnología subyacente. Esa invisibilidad se ganó. Amazon reconstruyó la infraestructura logística, de cumplimiento y precios desde cero antes de que la tecnología pudiera desaparecer en la compra. La invisibilidad fue el resultado del rediseño, no una alternativa. El móvil siguió el mismo arco. No ganaba cuando era nuevo y experimental, sino cuando la interfaz desaparecía en la tarea misma.
En cada caso, la tecnología se volvió relevante cuando la mayoría dejó de pensar en ella. El trabajo estructural deliberado ocurrió antes de que la experiencia se volviera sencilla. El principal indicador de madurez tecnológica empresarial nunca ha sido la novedad de la interfaz. Es lo indetectable que es la tecnología bajo el trabajo cotidiano. La IA no está exenta de este patrón.
La misma forma, siempre
La web, el móvil y ahora la IA siguen la curva: ruidosos y visibles al principio, soportantes e invisibles al final. El valor aumenta a medida que la interfaz desaparece.
La capa que soporta el peso
La visión desde arriba y la experimentación en toda la empresa importan. Pero ninguna de las dos da resultado sin lo que hay debajo: la capa que sabe quién pregunta, qué pueden ver, los datos sobre los que funciona el negocio y las herramientas donde ya se realiza el trabajo.
El problema que resuelve esa capa es el reaprendizaje. La IA actual aborda cada tarea como si fuera una nueva incorporación desde el primer día. En cada prompt o especificación, tienen que explicar dónde están los datos, cómo formatear la salida y qué estándares se aplican. Lo que las organizaciones aprenden ahora a construir son habilidades: conjuntos estructurados de instrucciones que codifican cómo se ejecuta un trabajo específico. Una habilidad es diferente de un prompt de la misma manera que un manual de proceso es diferente de un correo electrónico. Un prompt le pide a la IA que lo descubra. Una habilidad le dice a la IA cómo ha decidido hacer esta organización. Desarrollar esas habilidades a gran escala—decidir qué deben codificar, mantenerlas a medida que evolucionan los flujos de trabajo, distribuirlas para que los equipos no empiecen cada uno desde cero—es el trabajo de formalización que separa un modelo operativo de un piloto bien financiado.
La mayoría de las organizaciones están más cerca de esto de lo que se imaginan. La capacidad subyacente se ha acumulado en el software empresarial durante años: en funciones que no se utilizaron, flujos de trabajo demasiado complejos para adoptar, datos sin estructura en sistemas diseñados para la navegación humana. La IA generativa hace que esas capacidades sean accesibles a gran escala, pero solo cuando la infraestructura esté disponible para habilitarlas.
El problema del modelo operativo en el que los líderes están atascados
Los líderes entienden en gran medida que la integración de la IA requiere trabajo de rediseño. El problema más difícil es saber cómo. Los procesos que necesitan cambiar son los mismos de los que depende la organización hoy en día, y nadie tiene una pausa en dirigir el negocio para reconstruirlo.
Hay un momento en la IA escalable en el que se puede sentir el techo. El velocímetro dice que el coche puede ir más rápido, pero el motor ya está al máximo. Lo que desbloquea la siguiente marcha no es una mejora incremental. Es un paso atrás respecto a cómo está estructurado en la actualidad el trabajo y preguntarse si la estructura debería existir en absoluto.
Eso requiere una intervención deliberada. En Microsoft, los equipos de desarrollo de producto realizaron Camp AIR, un programa inmersivo de tres semanas que ofrecía a los participantes tiempo protegido, coaches internos y un conjunto compartido de herramientas de IA. Como dijo un líder, durante esas tres semanas su prioridad no fue entregar la funcionalidad en la que trabajaban, sino descubrir cómo trabajar de manera diferente con IA. El tiempo se había delimitado. Los flujos de trabajo se mapeaban de principio a fin. Había que construir nuevas prácticas antes de que las antiguas pudieran reafirmarse.
Los líderes que no creen esa estructura acabarán enfrentándose a una versión de ella impuesta por la presión competitiva, con menos tiempo y menos opciones. No hay un mapa terminado, y el ritmo de desarrollo de la IA ha hecho que cualquier plano sea provisional. Lo que está disponible en cambio es un dominio que se desarrolla de manera visible por delante: el desarrollo de software, donde los nuevos patrones de trabajo ya están documentados. No es una plantilla. Es un relé. Alguien delante por la misma carretera, envía señales sobre cómo es el terreno. Lo que muestran esas señales no es que la IA abrume a la gente. Son personas que rediseñan la obra para que la tecnología se convierta en la parte que nadie nota.
Lo que todo esto significa para los líderes
La curva en J se resuelve—siempre lo ha hecho. Mollick y Brynjolfsson tienen razón en eso. Lo que determina si una organización lidera o sigue es si construye el cableado mientras los demás siguen con discusiones sobre el interruptor.
La cuestión práctica no es cuánta capacidad de IA está disponible dentro de su organización. Depende de si la infraestructura bajo sus inversiones en IA es de carga o tan solo sirve de cobertura a más pilotos. El primer paso es más pequeño de lo que parece. Elige un flujo de trabajo recurrente que importe—un informe, un ciclo de revisión, un traspaso entre funciones—y hagan tres preguntas:
- ¿Dónde se queda el trabajo hoy?
- ¿Dónde intervienen los humanos solo para hacer avanzar las cosas?
- ¿Qué haría falta para que un agente manejara eso sin que le enseñen de nuevo cada vez?
Las respuestas son la base para crear la habilidad. Construir un pozo, distribuirlo y observar cómo funciona en condiciones reales es lo que se considera en la práctica al tratar la infraestructura como una decisión de modelo operativo. Una vez que lo han visto funcionar en un solo lugar, el patrón se vuelve visible en todas partes. Y entonces, si el trabajo se ha hecho bien, deja de ser visible por completo. La IA que nadie menciona en la reunión, el informe que llega sin que nadie lo saque, el resumen que estaba ahí—así es como funciona la IA.
Para más información sobre la IA y el futuro del trabajo, suscríbanse a este boletín.