Ante la rápida y creciente adopción de agentes de IA a nivel empresarial, está surgiendo una desconexión entre la ambición y la ejecución.
Aunque el 85% de las organizaciones afirma querer adoptar un modelo con capacidad de agencia en los próximos tres años, el 76% asegura que sus operaciones e infraestructura actuales no pueden soportar ese cambio. Citan una falta de preparación en personas, procesos y flujos de trabajo.
El problema de la cinta adhesiva
El desafío radica en que muchas organizaciones a menudo están integrando agentes de IA en operaciones existentes, en lugar de reimaginar el modelo operativo y cómo el trabajo deberá reconfigurarse, explica Prasun Shah, CTO global de consultoría de fuerza laboral y director de IA de PwC UK Consulting. «Están incrustando empleados de IA en lo que es un modelo operativo humano», superponiendo agentes de IA a las estructuras laborales existentes, cuando «esto es como añadir cinta adhesiva a partes de un modelo operativo que está fallando».
Hacerlo podría estar impidiendo que las organizaciones aprovechen todo el valor que ofrece la IA agéntica, creando circunstancias en las que la desilusión puede instalarse rápidamente. Ese valor total reside en la capacidad de los agentes para ejecutar flujos de trabajo completos con una intervención humana limitada. Pueden coordinar tareas complejas, tomar decisiones independientes, adaptarse a condiciones cambiantes e iterar el rendimiento.
En los primeros campos de prueba que abarcan atención al cliente, recursos humanos y ventas, ya se estima que los agentes de IA podrían acelerar los procesos empresariales entre un 30% y un 50%, y el tiempo dedicado a tareas de bajo valor entre un 25% y un 40% al ser implementados a gran escala. Pero esta capacidad conlleva una mayor complejidad y la necesidad de un cambio a nivel empresarial.
Expandiendo el vocabulario de la IA
La plataforma de IA agentiva empresarial Ema describe este cambio como agentic business transformation (ABT), un término que acuñó el año pasado en colaboración con HFS Research, en un intento de suplir lo que considera un vacío en el léxico existente sobre los agentes de IA, y de proporcionar a las empresas un nuevo marco con el que reflexionar sobre su propia adopción de la tecnología.
“Ninguno del vocabulario existente capta el alcance completo del cambio”, explica Surojit Chatterjee, CEO y fundador de Ema. “La transformación digital consistía en pasar del papel al software. La transformación de IA consistía en añadir inteligencia artificial a los procesos existentes. El copiloto consiste en que la IA asiste en diversas tareas humanas. Pero la ABT es algo categóricamente diferente: es la integración de agentes de IA en el tejido de la organización.”
Para Shah, el término específico (ABT) “ayuda a impulsar la necesidad de rediseñar una organización en su totalidad: su modelo operativo, sus flujos de trabajo, sus derechos de decisión y sus sistemas de gestión del rendimiento”. Destaca que “todo lo necesario para asegurar que esos agentes sean realmente participantes activos en la creación de valor, en lugar de meras herramientas puntuales o ayudas a la productividad”.
Según Ema, ABT abarca tres pilares fundamentales: la pila tecnológica de una organización, su plantilla y las métricas utilizadas para el éxito.
Agentes de IA como nexo de unión
El primer pilar de la ABT es el stack tecnológico. «Su stack tecnológico existente fue diseñado para flujos de trabajo operados por humanos y centrados en aplicaciones», afirma Chatterjee. «Debe reconsiderarse cuando el actor es un agente de IA que opera a velocidad de máquina en múltiples sistemas simultáneamente».
A medida que los agentes de IA se integren en una organización, las empresas tendrán que pasar de un conjunto de procesos y pasos lineales a reestructurar el trabajo de una manera muy diferente, explica Shah. Esto se debe a que el valor de los agentes de IA no reside en ser una capa más en una pila tecnológica existente, sino como un tejido conectivo, explica, que se mueve entre o a través de las capas para coordinar una tarea de alto nivel o recuperar e interpretar datos de múltiples aplicaciones discretas. Los agentes de IA pueden crear “una verdadera diferenciación competitiva para una empresa” al tomar decisiones basadas en esta capacidad de contextualización, afirma. “Ahí es donde estará el próximo campo de batalla.”
Para construir este tejido conectivo, los líderes deben adaptar su pila tecnológica para aflorar decisiones de mayor calidad de los agentes de IA, priorizando el acceso simultáneo a múltiples conjuntos de datos y aplicaciones para desarrollar conocimiento tácito. «Las organizaciones que realizan este cambio arquitectónico se vuelven verdaderamente más adaptables», afirma Chatterjee. «Cuando surge un nuevo requisito de negocio, no esperas seis meses a que un proveedor de software desarrolle una funcionalidad. Configuras un empleado de IA utilizando lenguaje natural y lo conectas a los sistemas que necesita. El tiempo desde el negocio hasta el flujo de trabajo de producción se reduce de meses a días».
La fuerza laboral, rediseñada
A medida que los agentes de IA se despliegan para más casos de uso, los líderes empresariales deben considerar lo que esto significa para la dinámica de su plantilla, el segundo pilar de ABT.
Las estructuras laborales actuales se desvían poco del modelo jerárquico de los inicios de la industrialización. Para maximizar la eficiencia y la escalabilidad, los procesos se estandarizan, las tareas se delimitan claramente entre unidades de negocio estratégicas (UNE), y los empleados ascienden en la organización basándose en su capacidad para optimizar la producción de los equipos que están por debajo de ellos. Pero con agentes de IA que pueden ejecutar, coordinar y optimizar tareas —a menudo sin coordinación gerencial— las líneas de esa jerarquía establecida se desdibujan.
En una fuerza laboral que combina agentes de IA y empleados humanos, los gerentes quedarán liberados de muchas tareas basadas en la ejecución, pero asumirán nuevas responsabilidades asociadas con la gestión de equipos híbridos. Los gerentes "tendrán que ser capaces de gestionar cuestiones relacionadas con la confianza, la explicabilidad, la seguridad psicológica e incluso la dinámica de estatus" para navegar por las nuevas tensiones que podrían surgir en una fuerza laboral híbrida, dice Shah.
El impacto de la IA agéntica en las estructuras laborales existentes va mucho más allá de la capa de gestión. McKinsey predice que para 2030, tres cuartas partes de los puestos de trabajo actuales requerirán un rediseño, una recualificación o una reubicación, y las organizaciones deberán actuar con rapidez para modificar la contratación, la retención y la remuneración.
Del output al outcome
Las métricas de éxito son el tercer y último pilar del ABT.
A medida que los agentes de IA adquieren un mayor control de los procesos empresariales clave, asumiendo funciones colaborativas junto a los empleados humanos, las métricas tradicionales de la fuerza laboral que se centran en la actividad o el rendimiento —como las llamadas gestionadas o los informes presentados— ya no tienen sentido.
“Cuando se añaden empleados de IA a la plantilla, las métricas de actividad pierden sentido o resultan activamente engañosas”, afirma Chatterjee. “Un empleado de IA puede gestionar mil interacciones con clientes en el tiempo que un humano tarda en gestionar diez. Si se mide el éxito por el número de interacciones gestionadas, se concluirá que la IA funciona a la perfección, sin tener en cuenta si alguna de esas interacciones impulsó realmente la satisfacción del cliente, la retención o los ingresos”. Para corregir esto, las empresas deben desarrollar un nuevo conjunto de métricas que se centren en el resultado (outcome) en lugar de la producción (output). Es decir, métricas sobre los beneficios o cambios más amplios logrados, en lugar de los entregables individuales.
Por ejemplo, cuando uno de los grandes clientes empresariales de Ema revisó a fondo sus propias métricas, pasando de métricas de herramientas como el coste por consulta (cost per query) y la precisión de la IA, a resultados como el porcentaje de contratos revisados sin intervención humana, el ROI (reto o de la inversión) medido de la IA agéntica se triplicó en dos trimestres. Los cambios supusieron que “este cliente dejó de desarrollar soluciones puntuales en flujos de trabajo de alto volumen y baja complejidad, y empezó a implementar empleados de IA donde el valor del resultado (outcome) era mayor”, afirma Chatterjee.
La integración de nuevas métricas también podría requerir una reconfiguración completa de los procesos de gestión de recompensas y talento, así como la rendición de cuentas y la responsabilidad dentro de las organizaciones, señala Shah. En los equipos humano-IA, por ejemplo, aunque las responsabilidades éticas y fiduciarias probablemente seguirán recayendo en los empleados humanos, la rendición de cuentas operativa se hará significativamente más difusa para reflejar el papel sistémico de los agentes de IA.
Este cambio planteará nuevas preguntas con las que los equipos de alta dirección tendrán que lidiar, añade Shah. Tendrán que considerar: ¿Quién es responsable cuando un empleado de IA comete un error? ¿Qué ocurre cuando la IA y los humanos discrepan? ¿Qué salvaguardias deberían establecerse para proteger a los clientes?
Sentar las bases para un cambio a nivel de sistemas
El cambio a nivel de sistemas es gradual. Se trata de complejas líneas de investigación con las que los expertos siguen lidiando. Pero al impulsar un diálogo inte o sobre los pilares fundamentales de ABT —la fuerza laboral, la pila tecnológica y las métricas con las que se puede medir el éxito— los líderes pueden sentar las bases para una empresa mejor preparada para adoptar agentes de IA a nivel de sistemas y empezar a cerrar la brecha entre su ambición y su ejecución.
Este contenido fue producido por Insights, el brazo de contenido personalizado de MIT Technology Review. No fue escrito por el equipo editorial de MIT Technology Review. Fue investigado, diseñado y redactado por escritores, editores, analistas e ilustradores humanos. Esto incluye la redacción de encuestas y la recopilación de datos para las mismas. Las herramientas de IA que pudieron haberse utilizado se limitaron a procesos de producción secundarios que pasaron por una exhaustiva revisión humana.