IA en el trabajo: La economía de los tokens es el nuevo número de empleados—y cuatro tendencias más a seguir

Por: Jared Spataro, CMO de IA en el Trabajo de Microsoft.

Hace dos años, todas las conversaciones sobre IA partían de la misma pregunta: ¿puede esta tecnología en verdad hacer un trabajo valioso? Hoy en día, se ha demostrado la viabilidad de la IA. La pregunta que ahora está en la mente es, ¿cómo lideramos la transformación?

El mundo de la IA avanza demasiado rápido como para que cualquier organización lo descubra por sí sola. Por eso, de manera reciente, reunimos a 250 de nuestros clientes que operan a la vanguardia de la transformación de la IA en un foro llamado Copilot Summit. Nuestro objetivo era acortar la distancia entre los equipos que construyen Copilot y los líderes que lo usan. Lo que más me llamó la atención fue lo universales que resultaron ser los desafíos más difíciles y que señalaron de manera consistente la misma realidad: los rendimientos de la IA se determinan por las decisiones que toman los líderes, no por la tecnología que compran.

Cinco conclusiones de los líderes en esa sala destacaron.

• La confianza en la IA es específica, no general
• La ineficiencia del trabajo del conocimiento exige un rediseño
• El sistema importa más que el modelo
• Tokenomics es el nuevo número de empleados
• El software empresarial debe ahora ganarse el derecho a existir

La confianza en la IA es específica, no general

La confianza se basa en los detalles. No una confianza generalizada en una tecnología, sino confianza en que un sistema concreto haga un trabajo concreto. No se esperaría que un niño pilotara un avión. Eso no es una afirmación sobre la aviación, sino sobre la compatibilidad entre capacidad y tarea. La confianza en la IA funciona igual.

Trevor Noah expuso ese argumento en una sesión que replanteó cómo mucha gente en la sala pensaba sobre el problema. Señaló la investigación sobre el cáncer en Johns Hopkins como el ejemplo más claro de cómo la IA es definida de manera adecuada: un sistema entrenado con un único conjunto de datos, centrado sólo en minimizar biopsias innecesarias para pacientes con cáncer de mama—no escribir poemas, no dar instrucciones, no hacer nada fuera de su propósito definido. La especificidad es justo lo que la hizo fiable. El contraste, señaló, es un agente de IA como el que algunos usuarios descubrieron dentro del flujo de atención al cliente de Hertz—donde, si se investigaba lo suficiente, podían pedirle que escribiera código. El sistema no tenía aristas, y sin aristas, no hay base para la confianza.

Tres condiciones construyen esa confianza con el tiempo: un rendimiento constante, una comprensión funcional de cómo funciona el sistema y la rendición de cuentas cuando algo sale mal. Es fácil invertir poco en ese último. El ejemplo de Trevor fue la aviación comercial: la razón por la que la gente vuelve a subir a los aviones tras un accidente no es por optimismo, sino por el informe de la FAA, la responsabilidad pública de lo que salió mal y las consecuencias demostradas para las empresas responsables. A medida que los agentes pasan de generar contenido a actuar, la infraestructura de rendición de cuentas debe existir antes del fallo, no después de él.

La ineficiencia del trabajo del conocimiento exige un rediseño

El trabajo del conocimiento ha sido en gran medida ad hoc durante décadas. Incluso los dominios con estructura aparente (legal, finanzas, contabilidad) funcionan con flujos de trabajo vagos, resultados inconsistentes y objetivos que viven en la cabeza de las personas más que en cualquier sistema. Charles Lamanna, que lidera nuestras Plataformas Copilot y Agent, argumentó que el mismo cambio estructural que rediseñó la fabricación llega a todas las funciones de conocimiento-trabajo: pasos medibles, compensaciones deliberadas entre trabajo humano y máquina, seguimiento de resultados en lugar de actividades.

Katy George, que lidera la transformación de la plantilla en Microsoft y supervisa nuestro propio camino como Cliente Cero, llevó ese argumento a la base. Nuestro primer intento de incorporar Copilot a nuestra propia fuerza de ventas fracasó. No fue porque la tecnología no funcionara, sino porque lo tratamos como cualquier otro lanzamiento de producto. Las métricas de adopción cambiaron, pero los resultados no. El resultado viene de rediseñar la obra en la que se encuentra la herramienta, no de dar acceso a la gente a ella.  

El sistema importa más que el modelo

Ryan Roslansky pasó años en ver a los miembros de LinkedIn afrontar algunas de las decisiones más importantes de sus carreras: dónde trabajar, qué construir, si quedarse o no. Ha argumentado que los profesionales que avanzan no son por necesidad los más acreditados; son los que entienden en qué sistemas operan. Llevó ese mismo instinto a su sesión en la Cumbre, y cambió la forma en que mucha gente en la sala pensaba sobre la estrategia de IA.

Para la primera oleada de despliegue de IA, el modelo fue la decisión. Las organizaciones preguntaron cuál usar y trataron la respuesta como el trabajo. Entonces quedó claro que el modelo por sí solo no era suficiente: el arnés que lo rodeaba importaba igual: los datos a los que podía acceder, el contexto que se le proporcionaba, la infraestructura sobre la que funcionaba. Y los elementos necesarios para ofrecer valor real siguen multiplicándose. Lo que importa ahora no es un solo elemento, sino con cuánta deliberación se construye el sistema de extremo a extremo. Seleccionar un modelo es el punto de partida. Construir el sistema alrededor de él es el trabajo.

Lo que esto significa en la práctica es que la capacidad de IA es cada vez más un proyecto de construcción, no de adquisiciones. Las organizaciones que avanzan no encuentran mejores modelos: construyen de manera más deliberada alrededor de ellos, para ensamblar los elementos adecuados con suficiente esfuerzo, como para que el sistema pueda en verdad cumplir. La tecnología se difunde a través de la obra, no alrededor de ella. Los que llegan a ello incrustan la IA lo suficiente como para que la tecnología retroceda y el trabajo avance.

La economía de los tokens es el nuevo número de empleados

La economía de los tokens —o tokenomics, como se le conoce en inglés— merece ser definida con claridad, porque replantea algo fundamental sobre cómo los líderes toman decisiones.

Cuando las herramientas de IA entraron por primera vez en las organizaciones, los líderes las evaluaron en función de su presupuesto de TI, un número que entendían, en una categoría que ya gestionaban. Tokenomics funciona de manera diferente. La comparación relevante es el coste de que una persona haga el mismo trabajo, no una partida de software. Ahora que la IA tiene la suficiente capacidad para hacer un trabajo real, cada líder tiene que responder a una pregunta que nunca había tenido que responder: ¿debería hacerlo un humano, o debería hacerlo un agente? Ese cálculo se ajusta a calidad, tiempo y coste. Y la parte de coste avanza con rapidez, ya que los modelos y sistemas de IA mejoran, son más rápidos y más eficientes. Lo que cueste hoy no será lo que cueste el año que viene, ni siquiera el próximo trimestre.

La cuestión de asignación que sigue es inmediata y concreta: quién recibe tokens, cuántos y para qué trabajo. Piensen en esto como gestionar el personal: la misma deliberación, los mismos sacrificios, la misma responsabilidad por los resultados. La mayoría de las organizaciones aún no tienen la infraestructura para tomar bien esas decisiones. Los que lo construyan ahora y se recalibren a medida que la economía cambie tendrán una ventaja significativa sobre quienes tratan los costes de los tokens como un número estático.

La economía de los tokens del trabajo de la IA

Lo que cueste una tarea hoy no será lo que costará el próximo trimestre. Presupuestar con los precios actuales de los tokens y sus decisiones sobre desplegar IA podrían dejar valor sobre la mesa.

El software empresarial debe ahora ganarse el derecho a existir

«La era de ‘uso este tipo de cosas porque me veo obligado a usarlas’ se ha acabado.» Jacob Andreou dijo eso en su sesión, y funcionó. Andreou se unió a nosotros desde Snap, donde lideró producto y crecimiento, y ahora dirige Copilot de principio a fin. Nombró un cambio que se ha gestado durante más de una década.  

A partir de principios de la década de 2010, los productos de consumo comenzaron a entrar en el trabajo. El iPhone fue el primer gran punto de inflexión: la gente experimentó algo excepcional en su vida personal y llevó ese estándar a la oficina. El software empresarial no tuvo que competir por eso durante mucho tiempo. Las decisiones las tomaban TI y finanzas, el despliegue era obligatorio, y la brecha entre lo que prometía un producto y lo que experimentaban los empleados se trataba como un coste de hacer negocios.

La IA cierra esa brecha o falla. Ahora la gente tiene puntos de referencia sólidos sobre cómo se siente una gran experiencia de IA. Utilizan estas herramientas en su vida personal y llevan ese estándar al trabajo. Las organizaciones que sometan sus inversiones en IA a un escrutinio de nivel consumidor construirán de forma diferente, comprarán de forma distinta y medirán el éxito de forma distinta.

Lo que todo esto significa para los líderes

En las cinco conclusiones aparecía lo mismo. La tecnología es una constante: lo que varía es la calidad de las decisiones tomadas en torno a ella. Cómo se construye la confianza. Si la obra se rediseña de verdad. Lo que hay debajo del modelo. Cómo se asigna un nuevo tipo de recurso. Qué estándar debe superar una inversión. Ninguna de esas son preguntas técnicas. Son organizaciones y requieren que alguien las responda de manera deliberada. Eso es lo que tienen en común las organizaciones que avanzan.

Para más información sobre la IA y el futuro del trabajo, suscríbanse a este boletín.