Doxa 2529

La IA de última generación podría solucionar las evaluaciones de desempeño, o empeorarlas aún más

Muchos gerentes ahora utilizan la IA para perfeccionar las evaluaciones de desempeño de los empleados. La mayor oportunidad reside en usarla para resaltar aquello que los hace excepcionales

Por Crisanto Dellarocas
Gestión del desempeño de los empleados
Harvard Business Review

#Doxa #IA #RRHH #GestiónDelDesempeño #EvaluaciónDeEmpleados #FeedbackAutomatizado #AnálisisDeDesempeño #TecnologíaLaboral #IAParaGerentes #MejoraContinua #SesgosEnIA #ÉticaEnRRHH #ProductividadConIA #LiderazgoConIA #DesarrolloProfesional #MétricasDeDesempeño
Resumen. La IA generativa puede mejorar enormemente el valor de las evaluaciones de desempeño, pero la mayoría de las empresas simplemente la utilizan para producir versiones más pulidas de las evaluaciones narrativas tradicionales con mayor rapidez, en lugar de mejorarlas. Un enfoque mejor consiste en utilizar la IA generativa para descubrirEvidencia directa del desempeño: decisiones, influencia, mentoría y resolución de problemas integradas en el trabajo diario. Bien implementada, la IA podría transformar las evaluaciones, pasando de la narración persuasiva a la evidencia conductual verificable, creando sistemas de evaluación más precisos, transparentes y orientados al desarrollo.
Las empresas están desplegando rápidamente sistemas de IA generativa para optimizar las evaluaciones de desempeño. Performance Assist de Citi recopila datos de toda la organización para elaborar las evaluaciones. LLM Suite de JPMorgan facilita la redacción de las evaluaciones de fin de año.  Según se informa, el asistente interno de IA de Boston Consulting Group reduce el tiempo de redacción de evaluaciones en un 40 %. Estos sistemas demuestran una capacidad impresionante, pero hasta ahora, la mayoría de las organizaciones los utilizan para producir con mayor rapidez versiones más elaboradas de las evaluaciones narrativas tradicionales.

Sin embargo, la perfección no es sinónimo de fiabilidad. Al suavizar la forma en que los gerentes describen el desempeño, estos sistemas pueden hacer que las evaluaciones parezcan más consistentes y creíbles de lo que realmente son, ocultando las inconsistencias y los puntos ciegos que las han caracterizado durante mucho tiempo. Aun así, esta misma tecnología podría lograr algo mucho más valioso: alejar las evaluaciones de desempeño de las narrativas sobre el trabajo y orientarlas hacia la evidencia directa del trabajo en acción: lo que las personas realmente hicieron, decidieron e influyeron.

Deficiencias que la IA de nueva generación podría solucionar
Las narrativas de evaluación del desempeño siempre han adolecido  de inconsistencias en la evaluación y evidencia incompleta. Las investigaciones demuestran que distintos gerentes suelen describir un mismo desempeño de maneras radicalmente diferentes, influenciadas por las relaciones personales, la memoria selectiva y la capacidad narrativa. Cuando las organizaciones han intentado lograr evaluaciones más objetivas, se han apoyado en lo más fácil de medir: resultados, métricas y entregables formales.

Estos enfoques suelen pasar por alto las contribuciones de orden superior que definen un desempeño excepcional: la visión estratégica que redirige una iniciativa fallida, la mentoría que acelera el crecimiento de otros, la resolución de conflictos que mantiene a los equipos en marcha. Estas capacidades permanecen en gran medida invisibles, creando una brecha persistente entre lo que las organizaciones pueden medir y lo que realmente impulsa el éxito.

La IA genérica podría utilizarse para descubrir estas contribuciones; explico cómo en este artículo. Sin embargo, la mayoría de las organizaciones están pasando por alto esta oportunidad y están orientando la IA en la dirección equivocada.

El enfoque equivocado
Para aligerar la carga de las evaluaciones de desempeño, muchas empresas están utilizando la IA para redactar informes de evaluación. A primera vista, esto parece un avance. En realidad, corre el riesgo de agravar el problema subyacente. Los documentos generados con IA tienden a converger hacia un mismo tono fluido y seguro. La variedad que antes distinguía una evaluación minuciosa de un elogio genérico se está desvaneciendo en un tono persuasivo pero estandarizado.

Esta homogeneización afecta la presentación, no el contenido. Los gerentes siguen trabajando con observaciones incompletas e impresiones subjetivas. La IA simplemente hace que todas las narrativas suenen igual de convincentes. El resultado son reseñas que parecen más fiables de lo que realmente son, lo que dificulta la detección de información errónea.

Un camino mejor
En lugar de ayudar a los gerentes a redactar informes más convincentes sobre el desempeño, la IA podría ayudarlos a descubrir y analizar casos reales de trabajo. La misma tecnología que hace que las pruebas débiles parezcan más sólidas podría facilitar la búsqueda de pruebas sólidas.

¿Cómo se traduce este cambio en la práctica? En lugar de pedirle a un asistente de IA que ayude a redactar un párrafo más convincente sobre el «pensamiento estratégico» de un empleado, la organización le pide a la IA que identifique los memorandos de decisión, los cambios de rumbo en los proyectos y los correos electrónicos interdepartamentales donde se evidencia dicho pensamiento estratégico. La evaluación del desempeño se basa, en esencia, en las fuentes primarias, no en un lenguaje evaluativo. Los gerentes y los comités de promoción examinan los documentos originales: aquellos donde se ejerció el juicio, se demostró la influencia y se definieron los resultados.

No se trata de “demuestra liderazgo estratégico”, sino del memorando específico donde se identificó y corrigió una suposición errónea. No se trata de “maneja la ambigüedad”, sino del análisis posterior donde se reestructuró una iniciativa fallida. No se trata de “muestra una influencia interorganizacional excepcional”, sino de las directivas textuales que impulsaron una reestructuración regional.

La evaluación del comportamiento se vuelve práctica a gran escala: gracias a la IA, el elevado coste de recuperar y analizar la evidencia pertinente se ha reducido drásticamente. Los sistemas de IA podrían analizar los patrones de interacción de los empleados para descubrir competencias de orden superior que las métricas tradicionales pasan por alto. Podrían examinar las redes de comunicación para identificar a los empleados que ayudan constantemente a otros a resolver problemas, analizar los patrones de toma de decisiones en las discusiones de proyectos para detectar el pensamiento estratégico o mapear los flujos de influencia en los correos electrónicos y las transcripciones de reuniones para revelar el liderazgo en acción.

Este cambio ya no es teórico. Junto con las implementaciones de IA que ya están en marcha, una tendencia paralela ha estado sentando las bases discretamente: cada vez más organizaciones experimentan con la evaluación basada en evidencia. Las organizaciones de ventas llevan mucho tiempo evaluando a los representantes individuales en función de los datos del embudo de ventas capturados por el sistema (cumplimiento de cuotas, tasas de éxito, velocidad de negociación, volumen de actividad) extraídos directamente de los paneles de control de CRM. Amazon reestructuró su proceso de revisión Forte para exigir a sus empleados corporativos que presenten de tres a cinco logros concretos, como proyectos entregados, objetivos alcanzados, iniciativas lanzadas o mejoras de procesos, como un insumo clave para las autoevaluaciones.

Estos esfuerzos representan un progreso, pero siguen limitados por lo que es más fácil de medir. Las métricas capturan los resultados, no las contribuciones más profundas que dan forma a los logros: la visión arquitectónica, la mentoría y el liderazgo colaborativo, una brecha que la IA ahora puede empezar a cerrar.

Aprovechando el potencial de la IA de última generación
Los elementos básicos ya están presentes. Esto es lo que los altos directivos pueden hacer ahora para convertir lo posible en realidad:

Replantea el debate sobre el desempeño centrándote en los momentos trascendentales en lugar de en las etiquetas de rasgos y las afirmaciones de excelencia.
En lugar de pedir a los gerentes que describan el "liderazgo", el "pensamiento estratégico" o la "capacidad para desenvolverse en situaciones ambiguas" de un empleado, las evaluaciones de desempeño deberían plantear una pregunta diferente: ¿Qué momentos en el trabajo de esta persona revelan con mayor claridad esas capacidades? Un solo episodio trascendental —en el que un empleado cuestionó una suposición errónea, reorientó un proyecto fallido o logró el consenso de las partes interesadas en torno a una difícil decisión— suele revelar más sobre la capacidad que una página entera de lenguaje evaluativo. La IA puede ayudar a identificar estos episodios analizando los registros del proyecto, las comunicaciones y los documentos para descubrir los puntos de inflexión donde el juicio fue más importante. La discusión sobre el desempeño entonces pasa de debatir adjetivos a examinar la evidencia: qué decisión se tomó, qué razonamiento la respaldó, qué alternativas se consideraron y qué sucedió como resultado.

Acción del lunes por la mañana: Haga preguntas diferentes en su próxima conversación sobre el desempeño. En lugar de "¿Califica su pensamiento estratégico?", pregunte "¿Qué momento de este trimestre demostró mejor su pensamiento estratégico?". En lugar de "¿Cómo evaluaría su liderazgo?", pregunte "¿Cuándo su influencia cambió de manera más clara la dirección de un proyecto?".

Utilizar herramientas de IA directas, ya implementadas en toda la empresa, para sacar a la luz evidencias de comportamiento en lugar de pulir la narrativa.
La mayoría de las empresas ya implementan asistentes de IA integrados en sus herramientas de trabajo cotidianas: Microsoft Copilot, Google Workspace AI, Claude Cowork o asistentes de gestión del conocimiento internos. Actualmente, estos sistemas se utilizan normalmente para resumir documentos o ayudar a los gerentes a elaborar informes más elaborados. Sin embargo, las organizaciones deberían orientarlos hacia una tarea diferente: analizar los patrones de interacción de los empleados para identificar evidencias de competencias de orden superior.

Acción del lunes por la mañana: Utiliza tu asistente de IA para buscar momentos en los que los empleados influyeron en las decisiones o ayudaron a resolver problemas, en lugar de pedirle que redacte el texto de la evaluación. Prueba con: «Busca ejemplos en los que [ nombre del empleado ] cambió el rumbo de un proyecto o ayudó a alguien a resolver un problema técnico» en lugar de «Ayúdame a redactar una evaluación de desempeño para [ nombre del empleado ]».

Establecer un sistema de gobernanza que equilibre la transparencia con el control de los empleados y evite que la vigilancia se desvíe de su objetivo.
El cambio hacia la recopilación de evidencia conductual mediante inteligencia artificial requiere una gobernanza que equilibre la verificación, el control de los empleados y límites claros.
  • Verificación: La IA debe actuar como un sistema de verificación que remita a fuentes verificables, mientras que los humanos conservan todo el criterio interpretativo. Cada evidencia que la IA presente debe estar directamente vinculada a su fuente original para que los responsables puedan verificar de forma independiente lo sucedido.
  • Control del empleado: Otorgue a los empleados el control sobre su propio portafolio de evidencias. Así es como podría funcionar: los sistemas de IA identificarían episodios de comportamiento potencialmente relevantes y se los presentarían primero al empleado, quien luego elegiría qué evidencias incluir en su evaluación de desempeño.
  • Límites claros para evitar la desviación del alcance: Las evaluaciones de desempeño deben basarse en documentos de trabajo formales (documentos de diseño, retrospectivas de proyectos, propuestas para clientes, especificaciones técnicas) en lugar de comunicaciones informales o mensajes privados. Las organizaciones deben especificar qué sistemas están incluidos en el alcance, hasta qué punto se remonta la evidencia y qué tipos de evidencia son apropiados. La IA nunca debe generar calificaciones de desempeño ni decisiones automatizadas, sino solo recopilar evidencia que los humanos interpreten dentro de un contexto más amplio.
Acción del lunes por la mañana: Definir qué canales de comunicación y tipos de documentos son válidos para la evaluación del desempeño y cuáles no. Dejar claro: «Las evaluaciones de desempeño pueden basarse en documentos del proyecto, actas de reuniones y decisiones de diseño, pero no en mensajes directos de Slack, correos electrónicos personales ni conversaciones informales».
...
Estos pasos crean un camino que conecta las limitaciones de medición actuales con las posibilidades organizativas del futuro. Las organizaciones que opten por esta vía no solo mejorarán sus evaluaciones de desempeño, sino que también construirán sistemas que reconozcan, desarrollen y recompensen todo el potencial humano que impulsa el éxito sostenible.

La tecnología existe. Están surgiendo precedentes organizativos. La única incógnita es si los líderes utilizarán la IA para perpetuar un sistema obsoleto o si lo transformarán en algo que finalmente refleje lo que hace excepcionales a sus mejores empleados.

Lea más sobre la gestión del desempeño de los empleados o temas relacionados: IA generativa y gestión del talento.

Chrysanthos Dellarocas es profesor titular de Sistemas de Información (Cátedra Richard C. Shipley) en la Escuela de Negocios Questrom de la Universidad de Boston. Anteriormente, fue vicerrector asociado de aprendizaje digital e innovación de la Universidad de Boston, donde lideró iniciativas de transformación digital a nivel institucional. Es autor del artículo de Substack titulado « La crisis de las credenciales».


Publicado por en No hay comentarios:
Etiquetas:

Doxa 2528

Es difícil usar la IA en equipo. Estas 3 prácticas pueden ayudar

Por  Gabriele Rosani, Elisa Farri, Daniel Trabucchi y Tommaso Buganza
IA generativa
Harvard Business Review

#Doxa #InteligenciaArtificial #TrabajoEnEquipo #ColaboraciónDigital #Productividad #FlujoDeTrabajo #GestiónDeProyectos #HerramientasIA #Automatización #ComunicaciónEfectiva #CulturaOrganizacional #Capacitación #MejoresPrácticas #Innovación #TransformaciónDigital #EficienciaOperativa
Resumen. Muchas organizaciones esperan que la IA mejore automáticamente el trabajo en equipo, pero las investigaciones demuestran que puede ocurrir lo contrario. Sin una integración intencionada, la IA puede reducir el compromiso, limitar la participación en las reuniones y desviar la responsabilidad del equipo. Un estudio de cinco mesesUn estudio sobre la gestión identifica una nueva capacidad crucial: la química entre humanos e IA. Esta no surge de forma natural y debe desarrollarse deliberadamente mediante tres prácticas. Primero, los equipos deben interactuar con la IA como un todo, asegurándose de que responda al contexto completo del grupo y no a un solo usuario. Segundo, deben aprovechar la flexibilidad de roles de la IA, asignándole múltiples perfiles para profundizar el debate. Tercero, los equipos deben mantener la responsabilidad colectiva, definiendo conjuntamente las indicaciones, debatiendo los resultados y evaluando críticamente las contribuciones de la IA. Al aplicarse, estas prácticas mejoran significativamente los resultados. Los equipos reportan mayor compromiso, una alineación más sólida y mejores decisiones, al tiempo que reducen riesgos como la dependencia excesiva de la IA.
Según una encuesta global realizada por el Instituto de Investigación Capgemini a 500 ejecutivos, se prevé que el uso activo de la IA en las reuniones de equipo se triplique en los próximos tres años. Los ejecutivos encuestados afirmaron que esperan que el uso de la IA en grupo dé lugar a reuniones más productivas con resultados de mayor calidad. Los líderes no deben permitir que este optimismo les haga olvidar los retos que se avecinan. Nuestra investigación sugiere que la integración de la IA en el trabajo en equipo no se produce de forma natural, y que introducirla en las reuniones sin la preparación adecuada puede limitar la participación, fragmentar los debates o desviar la responsabilidad del equipo.

Afortunadamente, existe un enfoque que supera estos obstáculos: lo llamamos “Química de equipo humano-IA”. Nuestra investigación indica tres prácticas para ayudar a desarrollar esta nueva capacidad a medida que la IA se integra más en las organizaciones:
  1. Interactúen con la IA en equipo. Los participantes deben presentarse e involucrar a la IA en un diálogo colectivo para que se dirija al grupo, teniendo en cuenta los diversos conocimientos especializados de los presentes.
  2. Aproveche la fluidez de roles de la IA. La IA no debe usarse solo para tomar notas, sino como un miembro del equipo con múltiples roles, cambiando deliberadamente de función (como representante de las partes interesadas, retador, cliente, competidor, etc.) para enriquecer el debate del equipo.
  3. Mantengan la responsabilidad colectiva de las interacciones con la IA. Cuando los miembros del equipo consideran las sugerencias como un acto colectivo, debaten enfoques alternativos y se detienen a evaluar el resultado de la IA durante la reunión, las interacciones con la IA impulsarán su pensamiento en lugar de delegarlo.
Estas recomendaciones surgieron de un experimento de cinco meses con 60 gerentes de 12 empresas de diversos sectores. En cada organización, un equipo de tres a cuatro gerentes —todos con experiencia previa en el uso de IA generativa— se encargó de diseñar una solución basada en plataforma para abordar un desafío estratégico de negocio de alcance y complejidad similares. Para garantizar la coherencia, todos los equipos siguieron la misma metodología, desarrollada por dos de nosotros (Daniel y Tommaso), y utilizaron el modelo ChatGPT de OpenAI. Cada equipo se reunió presencialmente cinco veces, sumando un total de 30 horas de trabajo colaborativo. Para comprender cómo los equipos interactuaron con la IA y cómo vivieron el proceso, utilizamos tres métodos complementarios: observamos las interacciones de los equipos con la IA en tiempo real, analizamos las transcripciones completas de los chats de cada sesión y recopilamos encuestas posteriores a las sesiones para obtener la opinión de los participantes. Esta combinación nos permitió observar no solo los resultados de los equipos, sino también cómo colaboraron y dónde la colaboración entre el equipo y la IA tuvo éxito o fracasó.

Basándonos en esta investigación, creemos que los equipos que adopten estas prácticas lograrán resultados de mayor calidad y reducirán el riesgo de caer en las trampas comunes relacionadas con la IA.

Sesión uno: Falsos comienzos y potencial desaprovechado
En la primera sesión, la idea de integrar la IA en el trabajo en equipo resultó interesante y novedosa para todos los participantes. Sin embargo, el entusiasmo inicial se desvaneció rápidamente, a menudo en la primera hora. Los equipos se volvieron más silenciosos, adoptaron una actitud más pasiva y comenzaron a limitarse a observar la pantalla mientras la IA generaba respuestas. La IA dominaba la conversación, mientras que el equipo quedaba gradualmente relegado a un segundo plano. Los datos de la encuesta posterior a la primera sesión confirmaron nuestras observaciones: los equipos reportaron beneficios percibidos limitados y la participación general fue baja. Nos quedamos perplejos: el resultado fue el opuesto al esperado. En lugar de potenciar la colaboración, la IA pareció, al menos inicialmente, debilitarla.

Se activa el modo de chat individual por defecto.
Un análisis más detallado de la transcripción del chat reveló la raíz del problema. Como señaló uno de nosotros: «Si no supiera que se trataba de un chat de equipo, habría asumido que era una persona interactuando con una IA». En una reunión de equipo presencial, cuando se incorpora un nuevo compañero o consultor, todos se presentan, explican su función y comparten el contexto para que el recién llegado pueda contribuir eficazmente. Al interactuar con la IA, los equipos no seguían las mismas normas. Como resultado, la IA respondía como si solo estuviera apoyando a la persona que escribía, en lugar de interactuar con todo el grupo o tener en cuenta su dinámica. Al desconocer el contexto del equipo, sus diferentes roles, experiencia y puntos de vista, la IA adoptó por defecto una perspectiva limitada y centrada en el individuo.

Darle a la IA un papel estático
Surgió otro patrón interesante: la mayoría de los equipos asignaron a la IA un único rol estático —a menudo el de «investigador» o «experto en la materia»— y lo mantuvieron así durante toda la sesión, interactuando con ella principalmente en busca de respuestas y tratándola como un repositorio de conocimientos para consultar, en lugar de un interlocutor constructivo. Ninguno experimentó con asignarle a la IA roles más críticos, como el de crítico o el de parte interesada escéptica, lo que podría haber fomentado la reflexión, el debate constructivo o un cuestionamiento más activo. Tampoco le pidieron a la IA que adoptara diferentes perspectivas —la de un cliente, un competidor o un usuario final—, lo que podría haber revelado puntos ciegos o suposiciones ocultas.

Interactuando al estilo staccato
También observamos que la interacción de los equipos con la IA solía ser breve y transaccional: «De acuerdo, adelante», «dame otro ejemplo», «este no es el camino correcto». Estas peticiones rápidas y mínimas revelan que los miembros del equipo actuaron con prisa, sin articular sus objetivos ni explicar su razonamiento a la IA. Además, la IA a menudo se adelantaba proponiendo «siguientes pasos» no solicitados u opciones predefinidas, empujando al equipo hacia una simple confirmación con un solo clic («De acuerdo, opción B») y dirigiendo la conversación antes de que se hubiera alcanzado un consenso colectivo.

Los mismos tres problemas se repitieron en todos los grupos, lo que indica un patrón sistémico en lugar de errores aislados. El problema no radicaba ni en la tecnología ni en las habilidades individuales de los participantes, sino en la forma en que los equipos interactuaban con la IA.

Esto planteó dos preguntas fundamentales. En primer lugar, ¿cómo podemos ayudar a los equipos a tomar conciencia de los desafíos relacionados con la integración de la IA en el trabajo en equipo? Y, en segundo lugar, ¿qué orientación práctica necesitan para incorporar plenamente la IA en sus debates?

Segunda sesión: Desarrollando la química entre el equipo y la IA
Para ayudar a los equipos a evitar los escollos que encontraron en la Sesión Uno, desarrollamos un marco de tres elementos:
  1. Colabora con la IA en equipo.
  2. Aprovechar la fluidez del rol de la IA
  3. Mantener la propiedad colectiva
Para concienciar sobre la importancia de estos elementos, pedimos a cada equipo que revisara las transcripciones de la primera sesión y reflexionara sobre cómo habían trabajado con la IA. Para facilitar esta reflexión, les proporcionamos una lista de verificación práctica con preguntas que guiaran su análisis y les ayudaran a identificar los patrones de interacción que limitaban su eficacia.

Aquí tienes algunos ejemplos de preguntas de autoevaluación:
  • ¿Nos presentamos como equipo y explicamos nuestros respectivos roles y experiencia?
  • ¿Le asignamos más de un rol a la IA?
  • ¿Explicamos nuestro razonamiento con claridad o recurrimos a respuestas breves y mínimas?
Al abordar este conjunto de preguntas, los participantes reflexionaron sobre cómo interactuaban con la IA en equipo e identificaron áreas donde podrían fortalecer la interacción en el próximo taller. A continuación, les proporcionamos consejos prácticos y sugerencias listas para usar, diseñadas para ayudar a los equipos a integrar la IA de forma más intencional, como participante activo en sus conversaciones, y no simplemente como una herramienta de consulta. Por ejemplo: «Usted actúa como [ rol ] y nos guía, pregunta por pregunta, para [ objetivo ]. Espere nuestra respuesta antes de continuar».

Esto resultó útil. Tras la segunda sesión, los equipos se mostraron más optimistas. Un análisis detallado de los registros de chat reveló que la mayoría de los equipos se presentaban ahora como grupo, y la IA comenzó a tener en cuenta los matices de los diferentes roles y conocimientos, en lugar de tratar al grupo como un solo individuo. Los equipos empezaron a mantener una conversación colectiva con la IA.

Los equipos también comenzaron a usar la IA de forma mucho más flexible, yendo más allá de los roles fijos estándar como "tomador de notas", "experto" o "analista". Según la etapa de la discusión, se le pedía a la IA que actuara como colaboradora en la lluvia de ideas, como cuestionadora para poner a prueba las suposiciones, como creadora de prototipos para generar artefactos y como narradora para perfeccionar las presentaciones. Los equipos se dieron cuenta de que la IA puede adaptarse instantáneamente a diferentes partes interesadas y puntos de vista, convirtiéndose en un miembro multifuncional del equipo dentro de la misma reunión.

Si bien las dos primeras capacidades —la interacción en equipo y la asignación de múltiples roles a la IA— se asimilaron con relativa rapidez, la tercera, la propiedad colectiva, tardó más en madurar. Incluso en la segunda sesión, algunos equipos tendían a seguir a la IA en lugar de dirigirla, limitándose a observar la pantalla y reaccionar pasivamente a sus resultados. La IA parecía liderar; el equipo respondía. Sin embargo, en sesiones posteriores, la dinámica cambió gradualmente. Antes de enviar una solicitud, los equipos hacían una pausa para debatir entre sí cómo plantear la siguiente iteración. Analizaban direcciones alternativas, realizaban comprobaciones de criterio y cuestionaban colectivamente los resultados de la IA antes de volver a interactuar. Estas pausas resultaron fundamentales: impidieron que el equipo cayera en el modo espectador y les ayudaron a mantener el control. Los datos de las encuestas de sesiones posteriores confirmaron los beneficios. La participación promedio aumentó un 30 %, y los participantes informaron que la IA proporcionaba un apoyo más significativo a las discusiones de su equipo. Dos tercios señalaron que sus conversaciones grupales, la alineación y la colaboración habían mejorado como resultado, lo que condujo a resultados de mayor calidad. Tres de cada cinco participantes señalaron que el juicio colectivo mitigaba los escollos típicos del uso de la IA en solitario, como el exceso de confianza o la conformidad.

Fomentando la química entre el equipo y la IA en sus reuniones
Como demuestra nuestro experimento, este tipo de sinergia entre equipo e IA no surge de forma natural y rara vez aparece al primer intento. Para la mayoría de los equipos, es necesario fomentarla deliberadamente e integrarla intencionadamente en su forma de trabajar. El riesgo es que el efecto se desvanezca si no se refuerza. ¿Cómo lograrlo en la práctica? Aquí tienes tres consejos:
  • Planifique la agenda de la reunión con espacios específicos para la IA. Identifique los puntos de la agenda en los que participa la IA y especifique el papel que debe desempeñar: por ejemplo, planifique una ronda de introducción de cinco minutos en la que el equipo informe a la IA sobre el contexto, o un "espacio de desafío" de 15 minutos hacia el final de la reunión en el que la IA actúe como escéptica.
  • Prepara algunas indicaciones para que la IA asigne un rol específico. Por ejemplo, «ponte en el lugar de…» y «¿cómo podría reaccionar el interesado XYZ ante…?» o incluye señales que garanticen pausas en el juicio, como: «Espera nuestra decisión antes de continuar».
  • Tras la sesión, revisa la transcripción del chat.  Compárala con una lista de preguntas para evaluar la dinámica entre el equipo y la IA e identificar oportunidades de mejora para la próxima vez. También puedes usar la IA como guía (subiendo la transcripción del chat y solicitando su evaluación según la lista) o como interlocutor (analizando cómo fortalecer la interacción entre el equipo y la IA en futuras sesiones).
Poner en práctica estos consejos requiere más que buenas intenciones: los equipos a menudo carecen de la autoridad para rediseñar las reuniones o cambiar los rituales establecidos por sí solos. Los líderes desempeñan un papel fundamental, ya que son quienes pueden decidir e implementar una nueva forma de trabajar. Un primer paso práctico consiste en que los líderes involucren a su equipo en un experimento, integrando intencionalmente la IA en una reunión. Al hacerlo, los líderes deben dejar claro que puede requerir varias iteraciones superar la curva de aprendizaje y dominar el nuevo enfoque. Una vez probada la nueva práctica, los líderes deben seguir aplicándola y evitar que sus equipos vuelvan a los viejos hábitos.
...
La sinergia entre equipo e IA no surge de forma automática. Para desarrollarla, los equipos de alto rendimiento interactúan con la IA de forma colectiva, aprovechan sus múltiples funciones y comparten la responsabilidad de la interacción. Cuando se fomentan de forma deliberada, estas capacidades mejoran el rendimiento del equipo al generar una mayor alineación y coordinación, y, en última instancia, elevan la calidad de los resultados del trabajo en equipo.

Lea más sobre IA generativa o temas relacionados: Colaboración y equipos, Gestión de reuniones, IA y aprendizaje automático y Tecnología y análisis.

Gabriele Rosani es director de contenido e investigación en el  Management Lab de Capgemini Invent. Es coautor de la Guía HBR sobre IA generativa para gerentes  y de la próxima Guía HBR sobre IA generativa para equipos.

Elisa Farri es vicepresidenta y directora del Management Lab de Capgemini Invent, y miembro de la promoción de 2023 de Thinkers50 Radar. Es coautora de la Guía HBR sobre IA generativa para directivos y de la próxima Guía HBR sobre IA generativa para equipos.

Daniel Trabucchi Es profesor asociado de Pensamiento de Plataforma en el Politécnico de Milán y miembro de la promoción 2024 de Thinkers50 Radar. Es coautor de los libros Platform Thinking y The Digital Phoenix Effect. 

Tommaso Buganza es catedrático de Liderazgo e Innovación en el Politécnico de Milán y miembro de la promoción 2024 de Thinkers50 Radar. Es coautor de los libros Platform Thinking y The Digital Phoenix Effect.  


Publicado por en No hay comentarios:
Etiquetas:

Doxa 2527

La obra de su vida: Entrevista con Jet Li

Por Alison Beard
Crecimiento y transformación personal
Harvard Business Review

#Doxa #JetLi #ArtesMarciales #CineDeAcción #Hollywood #Wushu #LeyendaViva #Filantropía #UnoFundación #KungFu #Actor #China #Espiritualidad #Budismo #Resiliencia #Legado
Resumen. En esta entrevista, la estrella de cine y de artes marciales Jet Li reflexiona sobre una vida marcada por la disciplina, la curiosidad y un sentido de la vocación en constante evolución. Describe cómo creció en la pobreza y cómo encontró luego estructura, oportunidades y confianza en el deporte antes de dar el salto a una carrera en el cine de acción, primero en Hong Kong y después en Estados Unidos. También explica cómo la espiritualidad y su experiencia con el tsunami de 2004 han marcado sus iniciativas filantrópicas y creativas en las últimas dos décadas.
Antes de que Li naciera, su abuela predijo que traería fortuna a su familia, y así fue cuando era adolescente: consiguió una beca del Estado chino para su carrera en las artes marciales y ganó cinco campeonatos nacionales consecutivos. A los veinte años se convirtió en una estrella de cine de acción, popular entre los aficionados de toda Asia y, posteriormente, de todo el mundo. Tras sobrevivir al tsunami de 2004 en las Maldivas, puso en marcha una de las primeras fundaciones benéficas de China y profundizó en su estudio del budismo. Su nueva autobiografía se titula Beyond Life and Death.

¿Sintió la presión de la profecía de su abuela?

Ella siempre contaba esa historia, pero nunca supe si era cierta. Cuando tenía dos años, mi padre falleció. A partir de entonces, mi madre trabajó duro para mantener a la familia, pero seguíamos siendo muy pobres, así que sabía que yo también tenía que esforzarme mucho y dar siempre lo mejor de mí. A los ocho años empecé a practicar artes marciales, y mis maestros me eligieron para seguir adelante.

¿Qué le hizo destacar como artista marcial?

Talento, pero también trabajar con inteligencia. Algunos de mis compañeros se esforzaban mucho más que yo, pero yo era el que, cuando los profesores decían: «Hagan mil movimientos», siempre pensaba: «¿Por qué mil?». ¿Cuál es el objetivo? ¿Y si solo hago 700 de la forma correcta? ¿No es eso mejor que mil? Por eso aprendí rápido, por eso gustaba a mis entrenadores y por eso, en solo un año, fui reconocido por mi excelencia general.

¿Cómo se manifestó esa disposición a cuestionar las cosas más adelante en su carrera?

En las artes marciales, la filosofía subyacente es el yin y el yang, lo que le lleva a considerar las dos caras de cada cosa. En 1974, cuando tenía 11 años, viajé a Estados Unidos por primera vez. El Gobierno nos había dicho que el pueblo y la cultura de China eran buenos, mientras que los de Estados Unidos eran malos. Pero vi que ninguno de los dos países era totalmente bueno ni totalmente malo, lo que me llevó a pensar de forma más independiente.

Usted era muy joven y competía contra hombres de entre veinte y treinta años. ¿Pudo encontrar la manera de aprovechar su juventud e inexperiencia en su beneficio?

Sí, incluso competí contra mis profesores. Pero los niños son adorables, y en cualquier actuación se puede mostrar tanto la personalidad como los movimientos. Se puede ser educado, humilde y amable. Cuando se hace todo eso, incluso las personas a las que se gana siguen estando contentas. Lo mismo ocurre en la interpretación. Mucha gente quiere ser actor, pero al público le gustan aquellos que tienen algo especial en su interior.

¿Cómo fue capaz de actuar tan bien bajo presión?

Tuve un entrenador excelente. Me enseñó a centrarme en mí mismo, en demostrar lo que había aprendido y en dar lo mejor de mí, no en superar a nadie más, y tampoco a darle demasiadas vueltas a las cosas. Eso me resultó de gran ayuda en mi vida posterior. Solo se puede competir contra uno mismo para mejorar cada vez más. Mucha gente toma el camino equivocado, persiguiendo a los demás. Así que siga su propio camino.

¿Por qué quiso pasar del atletismo al mundo del entretenimiento?

Una vez que te conviertes en campeón en China, ganas más dinero que la gente normal. Podía mantener a mi madre, a mis hermanas y a mis hermanos. A los 16 años ya tenía uno de los salarios más altos del país. Así que me pregunté: «¿Cómo puedo esforzarme más, ser más famoso y ganar más dinero?». Eso era lo que pensaba entonces. Tras el viaje a Estados Unidos, de regreso a China pasé por Hong Kong. El director de una productora cinematográfica me preguntó: «¿Quiere ser una estrella de cine de acción?». Le respondí: «¿Por qué no?». Pero yo pertenecía al gobierno, así que no era una decisión mía. A los 17 años me permitieron rodar mi primera película, y efectivamente me hice más famoso y pude cuidar mejor de mi familia. Pero no se trataba solo del dinero. También me encantan las artes marciales y quería promocionarlas. En las demostraciones que realicé en muchos países diferentes hasta los 16 años, había tal vez dos mil personas o menos en cada una. Con las películas, había millones de personas viéndolas. Así que eso me encantaba.

Usted dijo que, incluso en los inicios de su carrera cinematográfica, todavía se sentía como un empleado. ¿Cuándo empezó a reclamar más autonomía?

En la década de los 80, China se abrió al mundo, pero aún no se podían tomar decisiones por cuenta propia; se necesitaba autorización. Así que, en ocho años, solo rodé cuatro películas: una cada dos años. En Hong Kong, al otro lado del puente desde el continente, se rodaban veinte películas o más en ese mismo periodo. Tenía mucha energía y quería hacer más cosas, probar cosas nuevas. Finalmente, en 1988, el Gobierno me permitió ir a Estados Unidos, donde podría hacer lo que quisiera. Pero soy chino, mi inglés es deficiente y nadie me conocía. Así que me fui a Hong Kong en su lugar. Allí, tras unas cuantas películas, fundé mi propia productora, y probablemente fue entonces cuando por fin pude tomar mis propias decisiones.

Cuando protagoniza o produce una película, ¿qué tipo de líder es usted?

Lo primero es llegar a tiempo. Es posible que muchos actores famosos lleguen a las 7:30 a una reunión fijada para las 7 de la mañana. Pero yo siempre llego puntual porque, en mi entrenamiento de artes marciales, si no lo hacía, me castigaban. Lo segundo que aprendí de joven es que el hecho de ser campeón este año no significa que lo vaya a ser el siguiente. En cada competición, hay que volver a empezar y esforzarse más. Lo mismo ocurre con las películas: el hecho de que una sea un éxito no significa que la siguiente lo vaya a ser. Por eso no se puede caer en la pereza. No se puede pensar que uno es especial. Hay que trabajar con seriedad en todo momento, y entonces el equipo le seguirá.

Creo que también entiendo lo que quiere la gente. Las personas que trabajan para mí quieren hacer un buen trabajo y sentirse económicamente seguras. Así que, mientras que otras empresas de Hong Kong pueden retrasarse en los pagos o no pagarle si la película no da beneficios, yo siempre pago a tiempo o incluso antes de tiempo. Y luego, para hacer una buena película, hay que pensar en el público: ¿cómo se sentirá y cómo reaccionará? Ellos son los consumidores.

¿Por qué se le da tan bien tender puentes entre diferentes culturas?

Respeto las diferentes culturas y sistemas. En cada uno de ellos hay que aprender cómo funcionan las cosas, quiénes son los responsables de la toma de decisiones y qué quiere el público. Pero la naturaleza humana es la misma en todas partes. Todos queremos una vida honrada y buena, tener libertad, cuidar de nuestra familia y ayudar a los más desfavorecidos. Y una película de acción sencilla puede apelar a eso.

¿Cómo cree que ha cambiado la relación entre China y Estados Unidos a lo largo de su carrera?

Hay un profesor de sociología de Princeton, de origen chino, que quería escribir un libro utilizando mi vida para explicar los altibajos, desde la década de 1970, cuando ambos países se abrieron mutuamente, hasta la actualidad. Era una idea interesante, pero no escribí ese libro. Sí creo que ambos países son magníficos, fuertes y beneficiosos para el mundo. Pero lo abordan de maneras diferentes. Los estadounidenses comienzan por su familia, luego su ciudad, su estado, su país, y así sucesivamente. En la cultura china, primero está el país, luego el estado, la ciudad y la familia.

Tras alcanzar el éxito en Hollywood, ¿por qué volvió a centrar su vida en Asia?

Todos los actores del mundo quieren ir a Hollywood, pero lo que hay que preguntarse es: «¿Por qué le necesitan a usted?». En mi caso, fue porque hice un tipo de película que aún no existía en el mercado: el estilo de acción de Hong Kong. Les gustó, pero yo sabía que solo sería por un tiempo —de tres a cinco años— antes de que los estadounidenses aprendieran a hacerlo por sí mismos. Y aunque un rostro asiático estaba bien en Los Ángeles, San Francisco, Nueva York y Seattle, la gente de otras partes del país no quería ver eso todo el tiempo, lo cual yo entendía. En China también queremos nuestros propios héroes de acción.

Usted también cambió el tipo y el tono de sus películas. ¿Por qué?

Las películas de artes marciales tratan sobre golpear físicamente a las personas. Pero eso no les hace cambiar de opinión. Por eso quise empezar a contar historias que mostraran cómo la violencia puede ser una solución, pero no es la única. De hecho, lo más poderoso del mundo es una sonrisa, es el amor.

Usted ha superado muchas lesiones y enfermedades, entre ellas una afección tiroidea que padece actualmente. ¿Cómo ha logrado superar esos retos?

Mi libro se titula «Más allá de la vida y la muerte» porque todas las personas a lo largo de la historia de la humanidad tienen el mismo principio y el mismo final, y si esa es la verdad, no hace falta que nos preocupemos demasiado por el resto. Habrá momentos en los que estará sano y otros en los que estará enfermo; habrá momentos de suerte y otros de mala suerte. No puede decir: «¿Por qué a mí?», porque no hay garantías. Podría morir a los 10 años o seguir vivo a los 90. Mucha gente piensa que el dolor y el sufrimiento están relacionados, pero no tiene por qué ser así. Quejarse, gritar o enfadarse no sirve de nada. Si no ha sufrido una pérdida, no sabrá apreciar el éxito.

¿Cómo cambió su trayectoria profesional tras la experiencia del tsunami?

Diría que la primera parte de mi vida giró en torno a lo que yo denomino el «pequeño Jet» o el «yo pequeño»: mi trabajo, mi familia, mi dinero, mi fama y mi poder. Tras el tsunami, supe que tenía que haber algo más. Así que creé una fundación y, a día de hoy, hemos recaudado más de 4.500 millones de yenes a partir de 10.000 millones de donaciones individuales para ayudar a 61 millones de supervivientes de catástrofes. La idea es que todo el mundo pueda aportar un poco. Se trataba de un modelo de recaudación de fondos completamente nuevo, pero como soy budista, creo que cada persona tiene el poder de la compasión. Sí, los gobiernos, las personas ricas y las grandes empresas tienen una responsabilidad. Pero como ciudadano del mundo, usted también tiene una pequeña: tal vez sea donar 12 céntimos al mes o hacer voluntariado. Puede empezar por ahí y crecer.

Al principio del libro escribe que sus logros a menudo le dejaban insatisfecho porque siempre había otra meta que perseguir. ¿Le ayudó la fundación en ese sentido?

Bueno, devolver algo a la sociedad fue la segunda parte de mi vida, a la que denomino «el gran Jet» o «el gran yo», porque ya no trabajaba para mí mismo, sino para ayudar a los demás. Pero siempre hay más metas. Si ha ayudado a 100 000 personas, quiere ayudar a un millón; y si son millones, a decenas de millones. Si ha ayudado a los chinos, quiere ayudar a los africanos. Es más difícil que hacer películas. Por eso he pasado los últimos 30 años formándome con maestros budistas para aprender a ser verdaderamente libre: lo que llamamos «no yo».

¿Cuál es un principio budista que podría ayudar a los líderes ambiciosos y decididos a alcanzar sus metas?

Buda enseña la verdad relativa. Un ejemplo es cuando ve a alguien en Internet que se ha convertido en millonario muy rápidamente —un éxito de la noche a la mañana—, pero no tiene ni idea de lo duro que ha trabajado, ni ve a las personas que no han tenido tanto éxito. No comprende el panorama completo. Cada persona es única, con su propio amor, poder, sabiduría y trayectoria. Debe respetarse a sí mismo y descubrirse a sí mismo.

Recientemente ha rodado otra película y sigue trabajando intensamente en su fundación. No se ha recluido en un monasterio tibetano para practicar el budismo. ¿Qué le depara el futuro?

En lo que a mí respecta, no tengo ningún objetivo. No necesito nada. Disfruto observando el mundo, comprendiendo cómo funciona la gente. A lo largo de mi carrera, he inspirado a muchos niños a practicar artes marciales, pero me sentía un poco culpable porque no tenían muchas oportunidades de poner en práctica sus habilidades. Ahora, con las nuevas tecnologías y las redes sociales, sí pueden, así que estoy ayudando a los jóvenes a crear sus propios cortometrajes. También quiero compartir todo lo que he aprendido sobre entrenamiento mental, filosofía y religión para que las personas sean más sanas y felices. Cuando trabajaba con la Organización Mundial de la Salud, los científicos y los médicos me dijeron que, aunque estamos en camino de encontrar curas para las dos principales causas de muerte actuales —las enfermedades cardíacas y el cáncer—, nuestro mayor problema en el futuro será la tercera: los problemas de salud mental. Por eso he vuelto a dar un paso al frente, a instancias de mis maestros, para explicar mi trayectoria.

Lea sobre Crecimiento y transformación personal or related topics Propósito y valores personales y Estrategia y estilo personales

Alison Beard es editora ejecutiva en Harvard Business Review y copresentadora del podcast HBR IdeaCast. Anteriormente trabajó como reportera y editora en el Financial Times. Madre de dos hijos, intenta -y a veces lo consigue- aplicar las mejores prácticas de gestión a su hogar. @alisonwbeard


Publicado por en No hay comentarios:
Etiquetas: ,

Doxa 2526

Investigación: El marketing tradicional no funciona con los agentes de compras con IA

Las empresas necesitan tácticas diferentes para este segmento de compradores online que crece rápidamente

Por Jafar Sabbah y Oguz A. Acar
Ventas y marketing
Harvard Business Review

#Doxa #AgentesIA #MarketingDigital #ComercioElectrónico #InteligenciaArtificial #EstrategiaDigital #VentasB2B #Automatización #ExperienciaUsuario #Tendencias2026 #TransformaciónDigital #SEO Técnico #DatosEstructurados #Innovación #NegociosDigitales #FuturoDelRetail
Resumen. Los agentes de compras con IA se están convirtiendo rápidamente en una parte significativa de los "compradores" en línea. Nuevas investigaciones muestran que muchas tácticas clásicas de persuasión del comercio electrónico diseñadas para la psicología humana (escasez, temporizadores de cuenta regresiva, precios tachados, cupones,y los paquetes no influyen de manera fiable en los agentes de IA e incluso pueden reducir la selección según el modelo y la categoría del producto. En miles de rondas de compra simuladas en cuatro modelos líderes y cuatro categorías de productos comunes, solo las calificaciones con estrellas aumentaron consistentemente la elección en la dirección esperada, mientras que el precio la redujo de manera fiable; otras señales produjeron efectos inestables y específicos del modelo, y los modelos de razonamiento más avanzados a menudo se mostraron escépticos ante la persuasión explícita. La implicación para los profesionales del marketing es clara: tratar los modelos de IA como segmentos distintos, priorizar aspectos fundamentales como precios competitivos y reseñas auténticas, e invertir en una infraestructura de pruebas que mida continuamente cómo responden los diferentes agentes a medida que evolucionan los modelos y las indicaciones.
Cada vez hay más compradores que no son humanos. Son agentes de IA que investigan, comparan y, cada vez más, compran en nombre de los consumidores. Recientemente, OpenAI ha impulsado ChatGPT para que se integre aún más en el descubrimiento de productos y las aplicaciones para comerciantes; Google ha lanzado un protocolo de comercio universal (UCP) que permite a los agentes de IA realizar transacciones entre diferentes minoristas; y Amazon ha publicado herramientas que permiten a sus agentes comprar en los sitios web de otros minoristas en nombre de los clientes.

Las tácticas de persuasión perfeccionadas por los profesionales del marketing durante décadas, basadas en patrones bien documentados de la cognición humana, no funcionan igual en los agentes de IA. Algunas no funcionan en absoluto. Otras resultan contraproducentes. Esto no es una mera especulación. Al probar ocho mecanismos promocionales comunes del comercio electrónico en cuatro modelos de IA, mediante miles de simulaciones de compras, descubrimos que solo uno se comportaba de forma consistente como cabría esperar de un comprador humano.

La mayoría de las empresas no están preparadas para esto. En una encuesta exploratoria realizada a 50 ejecutivos de comercio electrónico en Estados Unidos y el Reino Unido, la mayoría afirmó haber notado ya cambios en el tráfico o las conversiones que atribuyen a los agentes de IA y que buscan activamente formas de mejorar la interacción de estos agentes con sus sitios web. Sin embargo, muchos de estos mismos ejecutivos creen que las señales que persuaden a los compradores humanos también influyen de manera similar en los agentes de IA, y que ya comprenden qué elementos de sus sitios web son más relevantes para el comportamiento de los agentes.

Nuestra investigación sugiere que esta confianza es infundada. Los mecanismos de persuasión se basaron en estudios con sujetos humanos: aversión a la pérdida, anclaje, sesgo de escasez y prueba social. Para los compradores de IA, estos no son principios fiables. Son hipótesis que deben someterse a prueba. Y los resultados pueden quedar obsoletos con cada actualización del modelo.

Lo que encontramos
Desarrollamos una simulación propia que reproduce cómo los agentes de IA interactúan con las páginas de productos típicas del comercio electrónico. Probamos cuatro modelos de IA diferentes (GPT-4.1-mini, GPT-5, Gemini 2.5 Pro y Gemini 2.5 Flash Lite), cada uno encargado de seleccionar entre productos presentados en un diseño de cuadrícula realista. Variamos ocho tipos de distintivos promocionales comúnmente utilizados en el comercio electrónico: señales de garantía ("Garantía de devolución de dinero"), temporizadores de cuenta regresiva, precios tachados, señales de escasez ("¡Solo quedan 2!"), prueba social (conteo de compras), cupones, paquetes y calificaciones con estrellas. Las categorías de productos rotaron entre cuatro artículos cotidianos (un teléfono, un reloj deportivo, una lavadora y una alfombrilla de ratón) para probar si los patrones se mantenían en contextos de venta minorista comunes. Para cada modelo y producto, ejecutamos 1000 rondas de compra simuladas, lo que generó más de 16 000 situaciones de elección en total.

La conclusión principal fue clara: solo las calificaciones impulsaron consistentemente las decisiones de compra en los cuatro modelos y categorías de productos, reflejando la arraigada confianza humana en las señales de calidad. El resto de las insignias produjeron efectos que variaron según el modelo y la categoría de producto, a veces de forma drástica. La prueba social fue la siguiente señal más sólida, pero incluso esta varió según el caso.

Por el contrario, tácticas conocidas como los precios tachados, los temporizadores de cuenta regresiva y los paquetes de productos no mostraron un patrón estable. En algunos casos aumentaron la variedad de opciones; en otros no tuvieron ningún efecto; y en al menos un caso, los paquetes la redujeron.

Se observó un patrón más general: los modelos sin capacidad de razonamiento —Gemini 2.5 Flash Lite y GPT-4.1-mini— respondieron mejor a las señales promocionales, mientras que los modelos con capacidad de razonamiento —GPT-5 y Gemini 2.5 Pro— respondieron menos. Sin embargo, incluso esta generalización tiene sus limitaciones: la misma insignia podría producir efectos opuestos en el mismo modelo según la categoría del producto.

Luego planteamos una pregunta más profunda: ¿Por qué funcionan estas tácticas con los humanos y explica esa misma lógica cómo responden los agentes de IA? Cada una de estas señales promocionales funciona en las personas por una razón psicológica específica. Las insignias de escasez provocan miedo a perderse algo o la sensación de una posible pérdida, lo que impulsa a las personas a actuar rápidamente antes de que el artículo se agote. Sin embargo, esta señal no tuvo efecto en algunos modelos, e incluso GPT-5 reaccionó negativamente en ciertas categorías de productos, lo que sugiere un patrón contrario a lo que se observa habitualmente en los humanos.

De forma similar, los precios tachados crean un punto de referencia que hace que el descuento se perciba como una ganancia, incentivando así la compra. Sin embargo, no observamos un patrón de respuesta consistente que se ajustara a esta lógica. De hecho, en el caso de Gemini 2.5 Pro, a medida que el descuento se hacía más evidente, su efecto persuasivo adicional se debilitaba en lugar de reforzarse.

La visión general es clara: las señales promocionales a veces influyeron en las decisiones de los agentes, pero no por las mismas razones por las que influyen en los seres humanos.

¿Qué deberían hacer los profesionales del marketing al respecto?
Nuestros hallazgos apuntan a un claro imperativo estratégico: los principios para persuadir a los compradores humanos no se transfieren de forma fiable a los agentes de IA. Pero la investigación también revela una estructura práctica subyacente.

Primero, asegúrate de dominar los fundamentos.
En todos los modelos que probamos, dos factores se comportaron exactamente igual que en el caso de los humanos: el precio y las valoraciones. Los precios más altos redujeron sistemáticamente la variedad de opciones; las valoraciones más altas la aumentaron sistemáticamente. Otros indicadores y señales no resultaron fiables.

Antes de invertir en tácticas específicas para agentes, las empresas deben asegurarse de que sus fundamentos sean sólidos: precios competitivos y perfiles de reseñas auténticos y convincentes.

Trate cada modelo como un segmento de mercado distinto.
Los profesionales del marketing han dedicado décadas a segmentar a los compradores según datos demográficos, geográficos, psicográficos y de comportamiento. Nuestros resultados sugieren que ahora deben considerar una nueva variable de segmentación: el propio modelo de IA. Concebir cada modelo como un segmento distinto, con su propio perfil de respuesta a las señales promocionales, proporciona un marco familiar y práctico para gestionar esta complejidad.

Adapta lo que presentas a quién o qué está mirando.
Si cada modelo responde de manera diferente, el siguiente paso lógico es ofrecer diferentes versiones de la información de su producto dependiendo del agente que interactúe con su sitio web o fuente de datos.

Un punto de partida práctico consiste en identificar qué modelos de IA generan más tráfico o transacciones en su categoría y optimizarlos. Esto es cada vez más sencillo. A medida que las compras se realizan cada vez más a través de protocolos de comercio electrónico como UCP de Google, los comerciantes obtienen visibilidad sobre qué plataformas de IA impulsan sus transacciones. Esto recuerda a los inicios de la optimización móvil, cuando las empresas diseñaban inicialmente para el dispositivo dominante antes de crear experiencias totalmente adaptables.

Un enfoque más eficaz es el dinámico: detectar el modelo del agente y ajustar las señales promocionales en tiempo real (por ejemplo, qué insignias aparecen, cómo se presentan los precios, si se muestran paquetes o cupones) en función del agente que esté evaluando la página.

Actualmente, esto sigue siendo complicado. La mayoría de los agentes de compras con IA navegan a través de navegadores web estándar, lo que dificulta distinguirlos de los visitantes humanos en tiempo real. Sin embargo, a medida que los protocolos de comercio electrónico maduren y la detección del comportamiento mejore, esta brecha se reducirá. Las empresas que comiencen a desarrollar la infraestructura de pruebas ahora estarán mejor posicionadas para actuar cuando la personalización en tiempo real sea cada vez más factible.

Entiende la consigna, no solo al agente.
Un agente de compras con IA no llega con sus propias preferencias, sino con las indicaciones del usuario. Un consumidor que le dice a su agente: «Encuéntrame los auriculares inalámbricos mejor valorados por menos de 100 libras» le da una instrucción muy diferente a la de alguien que dice: «Consígueme la opción más barata con envío mañana». El comportamiento del agente está condicionado por estas instrucciones.

Comprender las estructuras de preguntas más comunes en tu categoría es una forma novedosa e importante de investigación de mercado. Las empresas deberían empezar a estudiar qué les piden los consumidores a sus agentes que optimicen. Esto puede hacerse mediante investigación directa, análisis de patrones de consulta o colaboraciones con plataformas de IA. Las marcas que comprendan cómo se comunican sus clientes con sus agentes estarán mejor posicionadas para garantizar que sus productos aparezcan de la forma adecuada para las consultas correctas.

Cabe esperar que los modelos más avanzados se muestren escépticos ante las tácticas de marketing, en lugar de indiferentes a ellas.
Una suposición común es que, a medida que los modelos de IA se vuelven más capaces, se volverán más "racionales", menos susceptibles a las señales de marketing y más parecidos a los maximizadores de utilidad perfectamente informados de la teoría económica.

Nuestros hallazgos ponen en tela de juicio esta afirmación. Los modelos más avanzados, como GPT-5 y Gemini 2.5 Pro, respondieron menos a ciertas tácticas promocionales, pero no las ignoraron por completo. En varios casos, parecieron penalizar las señales de persuasión explícitas, como si las interpretaran como indicios de baja calidad o manipulación.

Esto significa que las tácticas promocionales agresivas, de las que aún funcionan con muchos compradores, podrían volverse cada vez más contraproducentes a medida que los modelos de agentes evolucionan. La tendencia no apunta hacia agentes que simplemente ignoren tu marketing, sino hacia agentes donde una mayor persuasión reduce la selección de clientes.

Construya una infraestructura de pruebas, no una estrategia puntual.
Quizás la conclusión más importante sea estructural. Los efectos promocionales que medimos hoy no serán los mismos después del próximo modelo. Cada lanzamiento importante, ajuste o nueva configuración de seguridad puede modificar la forma en que un agente responde a los precios, las señales de urgencia o la prueba social. Cualquier estrategia fija de optimización de agentes tiene una vida útil corta.

Las empresas deberían crear entornos de simulación donde puedan ejecutar sistemáticamente agentes de IA en las páginas de sus productos, abarcando diferentes modelos, categorías y configuraciones promocionales. Podrían mantener una base de datos versionada del comportamiento de los agentes, indexada por versión del modelo, para detectar cuándo una táctica que funcionó el trimestre anterior ha dejado de ser efectiva o ha comenzado a tener efectos contraproducentes.
...
Durante décadas, los profesionales del marketing han perfeccionado cada herramienta de persuasión pensando en un único público: los seres humanos. Este público se está dividiendo. Un porcentaje cada vez mayor de las decisiones de compra se tomará, o se filtrará, por agentes que no responden a las señales cuidadosamente diseñadas como lo hacen las personas. Algunos las ignorarán. Otros, como demuestran nuestros datos, las usarán en su contra. Para los profesionales del marketing que han dedicado su carrera a perfeccionar el arte de la persuasión, la conclusión, a veces incómoda, es que lo mejor es moderar la intensidad. Las marcas que prosperen serán aquellas lo suficientemente disciplinadas como para saber cuándo la persuasión en sí misma se ha convertido en un problema.

Lea más sobre ventas y marketing o temas relacionados: publicidad, marketing y comportamiento del consumidor.

Jafar Sabbah es profesor de tecnología e innovación en la Bayes Business School, City St. Georges, Universidad de Londres.

Oguz A. Acar es profesor de marketing e innovación en la King's Business School del King's College de Londres.

 
Publicado por en No hay comentarios:
Etiquetas: , ,

Doxa 2525

Por qué los líderes deberían pasar por alto los errores menores

Por Avery Forman
Empleados con bajo rendimiento
Harvard Business Review

#Doxa #liderazgo #confianza #errores #equipos #productividad #cultura #innovación #aprendizaje #autonomía #gestión #estrategia #motivación #eficiencia #crecimiento #enfoque
Resumen. Muchos gerentes son criticados por mostrar indulgencia en las evaluaciones de desempeño de los empleados con bajo rendimiento. Sin embargo, una nueva investigación revela que esto podría ser una respuesta racional a un problema costoso: las represalias de los empleados. Cuando las evaluaciones negativas provocan chismes, retrasos o incluso el sabotaje, el daño financiero y cultural puede superar los beneficios de una aplicación estricta de las normas. Mediante un modelo teórico y ejemplos reales, el estudio demuestra que vincular estrechamente la remuneración al desempeño mejora la medición, pero aumenta el riesgo de reacciones negativas, especialmente para los empleados con mayor antigüedad. Las empresas podrían beneficiarse más si priorizan las bonificaciones por un desempeño sobresaliente, pasan por alto las deficiencias menores y separan la retroalimentación constructiva de la compensación para preservar tanto la productividad como la armonía en el lugar de trabajo.
Este artículo fue elaborado por Harvard Business School Working Knowledge y presenta las reflexiones del miembro del profesorado Henrique Castro-Pires.

Chismorrear. Trabajar más despacio. Contestar con insolencia. Dañar los productos de la empresa. Estas son algunas maneras en que los empleados descontentos se rebelan contra sus empleadores.

¿Vale la pena, entonces, que el jefe se arriesgue a provocar represalias con una mala evaluación de desempeño? ¿Y qué ocurre cuando una evaluación severa reduce el salario? En la era de plataformas como Glassdoor, donde los trabajadores califican a las empresas, muchos gerentes minimizan las pérdidas: suelen dar evaluaciones promedio a la mayoría de los empleados y, a menudo, se muestran reacios a señalar el bajo rendimiento de quienes no rinden.

Esto no es un fallo de gestión. De hecho, los supervisores que inflan las calificaciones de los empleados con bajo rendimiento lo hacen porque anticipan la reacción negativa, por lo que toman la decisión consciente (o subconsciente) de evitar el drama y los costos asociados.

“¿Qué tan costosa puede ser la represalia para su empresa?”, pregunta Henrique Castro-Pires, profesor adjunto de la Escuela de Negocios de Harvard. “Si piensa conservar a los mismos empleados durante mucho tiempo, tener un equipo saludable es fundamental, y un ambiente disfuncional puede resultar muy costoso”.

En “Gestión, evaluaciones de desempeño y represalias”, publicado en la edición de febrero de Management Science, el modelo teórico de Castro-Pires analiza el costo de la resistencia de los empleados, desde la renuncia discreta hasta el sabotaje directo. En un momento en que los sitios web de búsqueda de talento amplifican el descontento, la investigación destaca el delicado equilibrio que enfrentan los gerentes entre evaluaciones honestas y armonía en el lugar de trabajo.

Su investigación sugiere que los gerentes deberían ofrecer fuertes incentivos para un desempeño excepcional, pero tal vez les convenga más pasar por alto los pequeños errores. El costo de las represalias suele ser mayor que los beneficios de una aplicación más estricta de las normas.

“Nuestros resultados sugieren que a una empresa le convendría más no castigar los malos resultados, incluso si fuera factible hacerlo”, afirma el artículo.

Un sabotaje sacude una fábrica de chocolate.
Castro-Pires decidió estudiar las represalias laborales después de que un amigo, propietario de una fábrica de dulces en Brasil, le contara una historia espeluznante. Enojado por una evaluación de desempeño que redujo el salario de un trabajador, este vertió etanol en un tanque de chocolate derretido como forma de venganza.

La amiga de Castro-Pires, encargada de probar el chocolate a diario, notó que algo no estaba bien y tuvo que desechar la producción de un día. "Fue un gasto enorme", dice Castro-Pires.

Según él, es difícil medir las represalias porque la mayoría de los empleados no lo admiten y la mayoría de los lugares de trabajo no reconocen que están ocurriendo. En el incidente del chocolate, los directivos de la empresa revisaron las grabaciones de las cámaras de seguridad y despidieron al empleado, pero la mayoría de los comportamientos son más sutiles.

“Hay muchas pequeñas cosas que puedes cambiar en tu trabajo diario que harían la vida de tu jefe, o de tu empresa en general, un poco más difícil”, dice Castro-Pires.

Su artículo documenta ejemplos de resistencia en el lugar de trabajo: un estudio de 2022 que examinó un centro de llamadas en EE. UU. descubrió que los trabajadores respondieron a una reducción salarial emitiendo reembolsos elevados a los clientes, con un aumento de los reembolsos de 5,8 puntos porcentuales y una reducción de las ventas netas de aproximadamente 11 dólares por hora. Un libro de 1972 titulado Working describe a un trabajador siderúrgico descontento que se negaba a decir "sí, señor" a su jefe y que ocasionalmente "abollaba [el acero]".

¿Por qué las reseñas no son suficientes?
Un jefe no puede ver todo lo que hace un empleado, lo que genera lo que los expertos en ética denominan riesgo moral, o una dinámica fácilmente explotable. Muchas empresas utilizan recompensas, como aumentos salariales o bonificaciones, para incentivar a los trabajadores a alcanzar objetivos, como metas de ventas u horas trabajadas, y algunas reducen el sueldo cuando el rendimiento es inferior al esperado.

Sin embargo, cuando la productividad es difícil de medir, muchas empresas recurren a evaluaciones de desempeño verbales o escritas, las cuales pueden ser propensas a sesgos o injusticias, afirma. Los críticos reprochan a estas evaluaciones su “indulgencia”, es decir, inflar las calificaciones de los empleados con bajo rendimiento por un trabajo deficiente, y su “centrismo”, es decir, no reflejar las variaciones reales en el desempeño de los empleados.

Básicamente, no suelen ser muy informativas. «No revelan diferencias sutiles en el rendimiento», afirma Castro-Pires. «Pero eso podría ser lo óptimo, incluso desde la perspectiva de la propia empresa».

¿Cuánta represalia pueden tolerar los jefes?
Castro-Pires diseñó un modelo teórico para demostrar que esos supuestos "defectos" —la indulgencia y la centralidad— son, en realidad, características. Estas tendencias implican que los directivos saben que las críticas severas pueden provocar represalias, por lo que deciden que lo mejor para la empresa es evitar dar malas evaluaciones.

Su modelo muestra que los empleados toman represalias cuando su salario es menor al esperado, pero antes de que el gerente comparta una evaluación de desempeño negativa con la empresa. En ese momento, añadir comentarios negativos al castigo podría empeorar aún más la reacción del trabajador.

“La idea central es que el director se enfrenta a una disyuntiva: o bien utiliza más información [negativa] [sobre el empleado] y castiga el mal desempeño, pero sufre pérdidas por represalias, o bien ofrece incentivos solo después de que se observe un buen desempeño, pero desperdicia información”, explica la investigación.

Castro-Pires afirma que los directivos pueden adoptar dos enfoques:
  • Utilice incentivos y sanciones. Vincular el salario al desempeño —recompensando con bonos y penalizando con recortes salariales— ayuda a las empresas a medir el esfuerzo con mayor precisión, pero los gerentes deben prever represalias cuando sancionan a los empleados. Este enfoque funciona mejor para asignaciones a corto plazo, afirma.
  • Utilice únicamente incentivos. Los gerentes pueden premiar el buen desempeño y pasar por alto el deficiente, sabiendo que podría haber represalias. Sin embargo, eliminar la amenaza de recortes salariales puede llevar a algunos trabajadores a esforzarse menos, por lo que las empresas podrían pagar de más por un trabajo mediocre, afirma Castro-Pires. El mal desempeño se vuelve difícil de distinguir del trabajo promedio, por lo que "se está pagando un poco más por el mismo desempeño", explica.
Restablecer la armonía en el trabajo
Castro-Pires ofrece consideraciones prácticas para ayudar a los gerentes, los departamentos de recursos humanos de las empresas y los empleados a encontrar el equilibrio entre brindar retroalimentación honesta y minimizar las represalias.

Para gerentes:
  • No le des importancia a los problemas menores. «Si tu percepción del desempeño de un trabajador está por debajo de lo que esperarías como un desempeño promedio, aunque sea solo un poco, tal vez prefieras no reportarlo para evitar los costos de represalias».
  • Desvincula el salario de las críticas negativas. “[En una evaluación de desempeño], si logras generar la sensación de que ‘no, esto no afecta directamente tu salario. Lo que intento hacer es ayudarte a mejorar’, no veo motivo para que un empleado tome represalias”.
  • Aclarar los motivos de una mala evaluación. «Muchas represalias surgen de esta sensación de injusticia», afirma. «Es importante informar a los empleados sobre los criterios de evaluación, lo que les ayuda a comprender el origen de la misma y a prevenir posibles represalias».
Para los departamentos de recursos humanos:
  • Apuesta por las zanahorias y usa los palos con moderación. «Evita castigar reduciendo el salario si el rendimiento está por debajo de cierto nivel para evitar represalias», afirma. En cambio, céntrate en los incentivos, como las bonificaciones por un buen desempeño.
  • Realice encuestas tanto a gerentes como a empleados para detectar represalias. «Es útil preguntar, de forma anónima, si ha presenciado represalias en la empresa. ¿Las ha experimentado o le preocupa que ocurran?»
Para los empleados:
  • Comunicarse en lugar de tomar represalias. Cuando un empleado no está satisfecho con una evaluación o una reducción salarial, la comunicación honesta es el camino para resolver el problema, afirma.
  • Considera buscar nuevas oportunidades. Si la comunicación no da resultados y los empleados se sienten injustamente evaluados, quizás sea el momento de un nuevo puesto. "¿Es esta la empresa en la que quiero trabajar o no es la adecuada para mí? Considera buscar una cultura y un ambiente laboral que se ajusten mejor a tus valores."

Lea más sobre empleados con bajo rendimiento o temas relacionados : dar retroalimentación, gestión de riesgos, retroalimentación, motivación de las personas, gestión del desempeño de los empleados, gestión de personas y liderazgo y gestión de personas.

Avery Forman es editora asociada sénior en HBS Working Knowledge. Anteriormente fue reportera en The Wall Street Journal.

 
Publicado por en No hay comentarios:
Etiquetas:

Doxa 2524

Rediseñando su organización de marketing para la era de los agentes

Por Michelle Taite, John Winsor y Will Fernandez
Marketing
Harvard Busines Review

#Doxa #AgentesIA #MarketingDigital #AutomatizaciónMarketing #TransformaciónDigital #InteligenciaArtificial #OrganizaciónMarketing #AgentesAutónomos #FuturoMarketing #MarketingConIA #InnovaciónTecnológica #EstrategiaMarketing #ProductividadEmpresarial #DigitalizaciónMarketing #OptimizaciónProcesos #MarketingDelFuturo
Resumen. A medida que la IA acelera el desarrollo de productos y amplía las responsabilidades del marketing, la mayoría de las organizaciones de marketing tienen dificultades para mantenerse al día porque su modelo operativo —secuencial, fragmentado y con una gran necesidad de coordinación— no ha cambiadoLa solución consiste en una nueva estructura diseñada para la colaboración entre humanos y agentes, centrada en un «código de marca»: una base de conocimiento legible por máquina que codifica la estrategia de marca, la información sobre los clientes y las reglas de negocio sobre las que pueden actuar tanto las personas como los agentes de IA. Sistemas multicapa de agentes especializados pueden gestionar la creación, experimentación, distribución e informes de contenido a gran escala, mientras que los profesionales del marketing pasan de la ejecución a la dirección y el juicio estratégicos. El éxito exige replantearse no solo la tecnología, sino también la forma en que las organizaciones contratan y desarrollan talento, priorizando a las personas con capacidad de pensamiento sistémico y de influir en la evolución de la plataforma.
“Estamos listos para el lanzamiento.”

“El marketing no lo es.”

Ningún director de marketing (CMO) se propone convertirse en un cuello de botella, pero cada vez más, eso es lo que les ocurre a muchos en este puesto. ¿Por qué? La IA está acelerando el ritmo de trabajo en toda la empresa, aumentando las exigencias sobre marketing más allá de lo que su modelo operativo actual puede soportar.

La IA ha demostrado sus ventajas más evidentes y cuantificables en los flujos de trabajo de ingeniería y datos, por lo que su adopción empresarial se ha concentrado en este ámbito. Un estudio de Anthropic sugiere que la ingeniería de software representa actualmente casi el 50 % de toda la actividad de la IA. Como resultado, los ciclos de desarrollo de productos son ahora más rápidos, con equipos que realizan lanzamientos de forma continua en lugar de trimestral, un cambio que ha incrementado tanto el volumen como la velocidad de los lanzamientos que el departamento de marketing debe gestionar. Al mismo tiempo, la IA está ampliando las áreas que el departamento de marketing debe cubrir en todos los segmentos, canales y mercados.

El marketing ha experimentado beneficios reales gracias a la IA en áreas como la generación de textos, la creación de imágenes y la personalización. Sin embargo, estos beneficios son localizados y, dado que el trabajo sigue siendo multifuncional y requiere mucha coordinación, integrar la IA en los flujos de trabajo existentes no elimina las dificultades subyacentes. Una mayor rapidez en la producción no se traduce en una ejecución más rápida.

El problema no son las herramientas, sino el modelo operativo. La mayoría de los flujos de trabajo de marketing siguen limitados por procesos secuenciales y sistemas aislados, lo que imposibilita operar a la velocidad que exige el negocio actualmente.

En nuestra experiencia liderando organizaciones de marketing, asesorando en la implementación de IA y desarrollando sistemas basados ​​en IA, hemos observado este patrón repetirse en diversas empresas. Sin embargo, hemos visto organizaciones exitosas que hacen algo fundamentalmente diferente: en lugar de integrar la IA en los flujos de trabajo existentes, introducen un nuevo modelo diseñado para la colaboración entre humanos y agentes, combinando flujos de trabajo autónomos con una base de inteligencia compartida. Están creando lo que denominamos la organización de marketing con agentes.

En el centro de este modelo se encuentra el código de marca: una base de conocimiento legible por máquina donde la información vital sobre la estrategia de marca, la experiencia del producto, las percepciones del cliente y las reglas de negocio se codifica en un formato coherente que tanto las personas como los agentes de IA pueden comprender y aplicar fácilmente. El código de marca es fundamental. Determina cómo se toman las decisiones, cómo se genera el contenido y cómo se configuran las experiencias en todos los puntos de contacto. Piénselo como la documentación de incorporación permanente que tanto las personas como los agentes necesitan para tener éxito en su trabajo.

Con esta base establecida, los agentes pueden ejecutar y coordinar el trabajo mientras las personas se centran en la estrategia, el criterio y la gobernanza, diseñando y guiando el sistema en lugar de gestionarlo paso a paso.

Empresas como HubSpot y AWS han comenzado a implementar este modelo. En estas implementaciones, las organizaciones están obteniendo beneficios cuantificables: los materiales de marketing se adaptan hasta 98 ​​veces más rápido, los costos unitarios se reducen en un 80 % y las tasas de clics aumentan hasta 17 veces. Un estudio de BCG ha demostrado estos beneficios a gran escala: las organizaciones que integran la IA activa en sus flujos de trabajo de marketing, según los investigadores, pueden lograr un aumento de hasta el triple en el retorno de la inversión, la velocidad de las campañas y el volumen de contenido.

A continuación, presentamos un marco práctico para el diseño de una organización de marketing basada en agentes. Este marco se deriva del trabajo que hemos realizado con las empresas mencionadas anteriormente y de proyectos relacionados liderados por Defyner, una consultora de marketing especializada en IA (cofundada por Will).

Construyendo la plataforma: Un equipo de equipos digitales
En una organización de marketing basada en agentes, la plataforma no es una colección de soluciones puntuales, sino un sistema de conexiones inteligentemente organizadas por capas.

La capa fundamental es el código de marca, que operacionaliza la inteligencia compartida, asegurando que cada resultado —independientemente del canal, producto, mercado o equipo— se base en la misma lógica y requisitos subyacentes. Esto se logra codificando la información en formatos estructurados como taxonomías, plantillas de indicaciones, árboles de decisión y conjuntos de datos etiquetados, que los agentes pueden consultar e interpretar directamente dentro de los flujos de trabajo.

El código de marca evoluciona con el uso. A medida que se ejecutan las campañas, los datos de rendimiento se retroalimentan al sistema, lo que permite refinar los mensajes, la definición de la audiencia y la lógica de decisión. Con el tiempo, el sistema se vuelve más preciso y adaptable, mejorando la ejecución del trabajo con cada iteración. Además, aborda un problema común: la pérdida de conocimiento que se produce cuando los empleados abandonan un equipo. Al capturar ese conocimiento, el código de marca lo hace compartido y perdurable.

Sobre la base se encuentra la capa de ejecución. Esta capa contiene agentes enfocados en flujos de trabajo específicos. Cada uno se encarga de un tipo de tarea, como la generación de contenido, la localización o las pruebas, y utiliza las herramientas, los conjuntos de datos y los recursos del equipo existentes para completar el trabajo asignado.

Por ejemplo, en un flujo de trabajo de experimentación, agentes especializados gestionan distintas partes del proceso en paralelo y se coordinan automáticamente cuando surge nueva información. Un agente podría generar variantes creativas, otro podría ensamblar estructuras de prueba, otro podría implementarlas en diferentes canales y otros podrían medir los resultados e informar sobre las conclusiones.

Por encima de la capa de ejecución se encuentra la capa de orquestación. Aquí es donde el sistema coordina el trabajo de los agentes especializados: gestiona las dependencias, prioriza las tareas, enruta las salidas y activa las siguientes acciones. Lo que antes se gestionaba mediante planes de proyecto, reuniones de estado y traspasos manuales, ahora se gestiona dinámicamente por el sistema. La capa de orquestación secuencia, enruta y controla el flujo de trabajo, mientras que la capa de ejecución realiza el trabajo propiamente dicho.

Para continuar con el ejemplo de experimentación: en la capa de orquestación, un agente podría decidir cuándo generar variantes, cuándo las pruebas están listas para ejecutarse, cómo se deben dirigir los resultados para su análisis y cuándo utilizar lo aprendido para iniciar la siguiente ronda de ejecución. Siempre que se requiera la intervención humana —aprobar resultados, definir la dirección— el sistema remite las preguntas y decisiones a los operadores humanos.

La interfaz es donde los profesionales del marketing interactúan con el sistema: definen sus objetivos, revisan los resultados y toman decisiones cuando se les solicita, con permisos acordes a su rol. Se ofrece a través de una única plataforma integrada en herramientas conocidas como Slack, WhatsApp o Teams, lo que permite a los profesionales del marketing trabajar de forma integrada en su flujo de trabajo habitual sin tener que navegar por múltiples plataformas ni recibir formación adicional.

En conjunto, estas capas transforman una plataforma de marketing en un sistema coordinado de agentes, regido por inteligencia compartida y moldeado por responsables de la toma de decisiones humanos.

Rediseñando el proceso: cinco flujos de trabajo con enfoque en la gestión de agentes
Una vez implementado el sistema, la pregunta ya no se centra en dónde aplicar la IA, sino en cómo estructurar el trabajo en sí. Nuestra experiencia sugiere que los sistemas de mayor impacto se construyen en torno a tareas de gran volumen, repetibles y vinculadas a resultados medibles. La adaptación de contenido, la experimentación, la elaboración de informes y la localización son puntos de partida comunes. El valor del sistema basado en agentes reside en cómo estas tareas se conectan como flujos de trabajo.

En este modelo, el marketing se divide naturalmente en cinco flujos de trabajo coordinados:

Inteligencia e ideación.
Esto reemplaza la fase inicial del ciclo de planificación. Para identificar oportunidades, los agentes sintetizan continuamente señales de mercado, información sobre la competencia, comportamiento de la audiencia y datos de rendimiento. El resultado es una dirección estratégica estructurada: oportunidades priorizadas, hipótesis e informes listos para su ejecución. El rol humano pasa de recopilar información a evaluar oportunidades, establecer prioridades y definir la intención estratégica.

Creación de contenido.
Esto transforma la estrategia en ejecución. Los agentes generan contenido en diversos formatos, canales y segmentos, basándose en el código de marca para producir resultados que se ajustan a las especificaciones desde el primer borrador. En lugar de depender de ciclos iterativos de producción y revisión, el contenido se genera y adapta a gran escala dentro de parámetros definidos. El rol humano pasa de la producción a la dirección: establecer estándares, definir la intención creativa y llevar el trabajo a un nivel superior donde los agentes aún no pueden llegar.

Investigación y pruebas.
Esto operacionaliza el aprendizaje. Mediante audiencias reales o sintéticas, los agentes diseñan y ejecutan experimentos en diversos canales y, posteriormente, sintetizan los resultados. Las pruebas dejan de ser puntuales para integrarse en el flujo de trabajo. El rol humano pasa de ejecutar pruebas a definir la agenda de aprendizaje: qué probar, por qué es importante y cómo los resultados influyen en la estrategia.

Distribución.
La proliferación de canales ha convertido la distribución en una de las áreas más complejas operativamente del marketing. Los agentes gestionan la adaptación, la programación y el despliegue de contenido en todos los canales, mercados y segmentos, y el rol humano se centra ahora en la estrategia de canales y las decisiones de colaboración.

Rendimiento e informes.
Esto cierra el ciclo. En lugar de depender de revisiones retrospectivas, los agentes supervisan el rendimiento de forma continua, detectando anomalías, identificando patrones y reincorporando los aprendizajes al sistema prácticamente en tiempo real. La elaboración de informes se centra en la optimización continua, donde los datos de rendimiento fundamentan las decisiones en todos los flujos de trabajo. El rol humano pasa de informar los resultados a interpretarlos: comprender las ventajas y desventajas, identificar patrones y guiar la evolución del sistema.

Redefiniendo el rol del profesional del marketing
Los profesionales del marketing siempre han sido responsables de la estrategia y la toma de decisiones, pero gran parte de su tiempo se ha dedicado a redactar textos de posicionamiento, gestionar recursos y supervisar las transiciones. En un sistema basado en agentes, un mayor número de profesionales del marketing actúan como directores de trabajo, definiendo objetivos, evaluando resultados y tomando decisiones en un contexto que abarca equipos humanos y automatizados. El valor se desplaza del resultado al juicio, ya que los profesionales del marketing definen qué se considera un buen desempeño, evalúan los resultados del sistema y configuran los insumos que guían el rendimiento futuro.

Esto requiere un conjunto diferente de capacidades. Los profesionales del marketing más eficaces saben articular una intención estratégica clara, piensan en términos de flujos de trabajo en lugar de funciones y comprenden cómo las decisiones en una parte del sistema afectan los resultados en otra. Trabajan de forma iterativa, probando, aprendiendo y ajustándose en colaboración con el sistema.

La transición no es puramente acumulativa. Muchos profesionales del marketing han forjado sus carreras y su sentido de competencia basándose en el trabajo. Les satisface producir algo tangible y saber que es bueno. En un sistema basado en agentes, ese control pasa de la ejecución a la dirección. El reto no reside solo en aprender nuevas habilidades, sino también en abandonar el instinto de intervenir y realizar el trabajo.

Este cambio también tiene claras implicaciones en la forma en que las organizaciones contratan, desarrollan y lideran.

Las organizaciones necesitan profesionales del marketing que piensen en sistemas, no en tareas; que puedan diseñar flujos de trabajo, establecer parámetros e interpretar datos con rapidez. Esto no requiere conocimientos técnicos avanzados, pero sí familiaridad con la orquestación y el diseño iterativo de sistemas.

Las prácticas de gestión también deben evolucionar. Cuando la ejecución está a cargo de agentes, el rol del gerente cambia: pasa de revisar los entregables a revisar los sistemas: ¿Están los resultados alineados estratégicamente? ¿Funcionan los mecanismos de retroalimentación? ¿El código de marca es actual y preciso?

Finalmente, las organizaciones deben invertir en la transición misma. Los equipos necesitan aprender a informar eficazmente a las plataformas de IA, evaluar los resultados según criterios estratégicos y determinar cuándo se requiere la intervención humana. Esto podría implicar la colaboración deliberada entre profesionales del marketing con experiencia y sistemas de IA en proyectos reales, no como un proyecto piloto o un experimento, sino como una nueva forma de trabajar. Los profesionales del marketing que se adaptan más rápidamente no son necesariamente los más técnicos. Son aquellos que saben reconocer la calidad en contexto y que comprenden cuándo los resultados son suficientemente buenos, cuándo necesitan mejorar y cómo evolucionar el sistema para optimizarlo en función de sus observaciones.

En la práctica, los profesionales del marketing que se adapten más rápido serán aquellos que puedan moldear el funcionamiento del sistema a medida que este se acelera, tomando decisiones sobre la marcha y traduciendo lo que aprenden en cambios que el sistema pueda implementar.
...
En la organización de marketing proactiva, cuando un equipo dice: «Estamos listos para el lanzamiento», el marketing ya está en marcha. Los recursos están disponibles, las pruebas se están ejecutando y la información se retroalimenta a producto e ingeniería en tiempo real, con el director de marketing marcando la pauta en lugar de ir a remolque. Quienes adopten esta estrategia desde el principio no solo avanzarán más rápido, sino que definirán cómo opera el marketing en la próxima era y obtendrán beneficios exponenciales.

Michelle Taite es una ejecutiva de marketing y oradora principal reconocida por crear marcas que combinan creatividad, tecnología y conexión emocional. Recientemente, se desempeñó como directora de marketing de Intuit Mailchimp. Anteriormente, fue vicepresidenta de marketing global de Intuit QuickBooks en Intuit y ocupó cargos en Unilever y New Balance. Forma parte del Consejo Global de Crecimiento de Directores de Marketing de la Asociación Nacional de Anunciantes y fue nombrada una de las directoras de marketing más innovadoras por Business Insider en 2023.

John Winsor es coautor de Open Talent: Leveraging the Global Workforce to Solve Your Biggest Challenges. También es fundador y presidente de Open Assembly y miembro ejecutivo del Instituto de Diseño, Datos y Digitalización de la Escuela de Negocios de Harvard.    
Will Fernandez es un ejecutivo de marketing y emprendedor centrado en cómo las marcas más ambiciosas del mundo implementan la IA a gran escala. Es cofundador de Defyner, una consultora de marketing especializada en IA. Es un exalumno activo de la Marketing Academy y del Cuerpo de Paz.


Publicado por en No hay comentarios:
Suscribirse a: Entradas (Atom)