Por Karim R. Lakhani, Jared Spataro y Jen Stave
Transformación organizacional
Harvard Business Review
#Doxa #IA #ÚltimaMilla #TransformaciónDigital #Innovación #Tecnología #Implementación #Negocios #Estrategia #Datos #Automatización #Productividad #Futuro #Empresa #Desafíos #Adopción
Resumen. Pocas empresas han logrado cambiar radicalmente sus modelos operativos y de negocio en torno a la IA. El principal obstáculo para el progreso rara vez reside en la calidad del modelo o la disponibilidad de datos, sino más bien en el último tramo de la transformación, donde la tecnologíaLa capacidad debe cumplir con el diseño organizacional. Existen siete fricciones que contribuyen a este problema: la proliferación de pilotos, la brecha de productividad, la deuda de procesos, el problema de identidad del conocimiento tribal, la gobernanza agencial, la complejidad arquitectónica y la trampa de la eficiencia. Para superarlas, las empresas deben centrarse en el rediseño de procesos desde cero, la captura estratégica del conocimiento y la gestión de su nueva fuerza laboral digital.
Los ejecutivos están cada vez más entusiasmados con la promesa de una transformación impulsada por la IA y han invertido en consecuencia. La mayoría de las grandes empresas han iniciado cientos de pilotos y han proporcionado acceso generalizado a herramientas como Copilot y ChatGPT.
Si bien muchos de estos proyectos piloto han tenido éxito individualmente (ahorrando tiempo y dinero, y mejorando la eficiencia de los procesos), estos avances no se han extendido a toda la organización. Pocas empresas han logrado transformar radicalmente sus modelos operativos y de negocio en torno a la IA.
Para explorar el futuro de los negocios para las empresas que se han rediseñado en torno a capacidades de IA de vanguardia, y el camino entre este punto y el futuro, el Instituto de Diseño de Datos Digitales (D^3) (cuyo lanzamiento contribuyó Stave y Lakhani) y Microsoft fundaron la Iniciativa de Empresas Fronterizas (FFI) en la Escuela de Negocios de Harvard. Para ello, la FFI combina la rigurosa investigación organizacional de Harvard con los datos de implementación técnica de primera línea de Microsoft para estudiar cómo las empresas van más allá de la simple automatización hacia flujos de trabajo con agentes que transforman la forma en que crean valor.
Recientemente, la FFI convocó una cumbre a puerta cerrada en la Escuela de Negocios de Harvard para identificar las fricciones organizacionales específicas que impiden que los pilotos de IA se conviertan en modelos operativos para toda la empresa. Invitamos a líderes sénior de una docena de organizaciones globales, representando sectores como la salud, la banca y la manufactura industrial, para debatir los puntos específicos donde sus transformaciones se han estancado. Lo hicimos por dos razones: primero, para comprender los desafíos que enfrentan estas empresas en sus transformaciones de IA y lo que han intentado hasta la fecha; y segundo, para analizar las oportunidades futuras y cómo podrían hacer las cosas de manera diferente en el futuro.
Estos participantes eran entusiastas adoptantes de herramientas de IA, no rezagados. Muchos ya contaban con cientos de implementaciones de IA activas y una adopción casi universal de herramientas de productividad como M365 Copilot, ChatGPT Enterprise o entornos especializados de GitHub Copilot para equipos de ingeniería. Sin embargo, si bien estas herramientas impulsan la productividad individual, a menudo existen como "islas de productividad" difíciles de convertir en sistemas empresariales escalables y confiables. En la práctica, esto se asemeja a un agente de IA capaz de redactar un contrato complejo en segundos, solo para que ese contrato permanezca en una cola de revisión legal manual durante dos semanas porque los marcos de riesgo y gobernanza de la empresa no se han rediseñado para un ritmo de agencia. El cuello de botella simplemente se desplaza.
Según los líderes presentes en la cumbre, el principal obstáculo para el progreso rara vez reside en la calidad del modelo o la disponibilidad de datos, sino más bien en el último tramo de la transformación, donde la capacidad técnica debe coincidir con el diseño organizacional. Identificamos siete fricciones estructurales que impiden una transición fluida de experimentos de IA localizados a un modelo operativo unificado y nativo de IA, así como un plan emergente para líderes que estén listos para avanzar más allá de la fase piloto hacia un modelo operativo verdaderamente nativo de IA.
7 Fricciones que Estancan la Última Milla
Siete fricciones específicas tienden a frenar esta transición. Estas conclusiones se extraen de la investigación en curso del FFI, estudios longitudinales sobre las transformaciones digitales de las empresas Fortune 500 y el testimonio directo de los líderes sénior en nuestra reciente cumbre.
La proliferación de pilotos
Muchas organizaciones se encuentran en una situación de "rica en pilotos, pero pobre en transformación". Por ejemplo, un banco de inversión global documentó recientemente más de 250 aplicaciones que conectaban a los LLM con sus sistemas empresariales. Una empresa global de alimentos y bebidas lanzó con éxito varios pilotos de IA en sus 185 países. Y una empresa global de ropa automatizó más de 18.000 procesos financieros.
A pesar de estas impresionantes cifras, los líderes presentes en la cumbre informaron que lo que funciona en una demostración local rara vez se convierte en el estándar de funcionamiento de la empresa. Los proyectos piloto no logran generar un valor generalizado para la empresa. La limitación reside en la ausencia de una ruta repetible que lleve de una prueba de concepto a un modelo operativo estándar.
La brecha de productividad
Si bien las ganancias de productividad suelen ser visibles a nivel individual, con frecuencia no se reflejan en el balance general. Una red global de pagos informó que más del 99 % de sus empleados utilizan activamente copilotos, y un importante fabricante industrial documentó mejoras de productividad de dos dígitos entre miles de ingenieros que utilizan herramientas de codificación asistidas por IA.
Sin embargo, cuando los líderes financieros buscan identificar dónde se refleja este retorno en términos de cambios de personal o reducción de la duración del ciclo, las respuestas son menos claras. Estas ganancias quedan atrapadas en flujos de trabajo individuales a menos que el liderazgo rediseñe intencionalmente los roles y presupuestos para aprovechar el tiempo recuperado. Esto ocurre porque el tiempo ahorrado a menudo se reabsorbe en actividades de bajo valor —como más reuniones internas o correos electrónicos innecesarios— en lugar de aprovecharse estructuralmente mediante la reclasificación de roles o un mandato y autorización para redirigir el tiempo hacia trabajo estratégico de mayor valor.
La carga de la deuda procesal
La IA suele servir como herramienta de diagnóstico que expone procesos frágiles y con excepciones. En muchas empresas, estos problemas se acumulan durante décadas de adquisiciones, pero la mayoría de las organizaciones sufren este problema en cierta medida. En una importante aseguradora médica, se descubrió que los flujos de trabajo estaban tan fragmentados que la IA detectaba inconsistencias con mayor rapidez de la que podía resolverlas. Una firma global de servicios profesionales que opera en más de 170 países descubrió que el mismo proceso se ejecutaba de decenas de maneras diferentes según la ubicación geográfica.
En estos entornos, el reto reside en la necesidad de rediseñar el propio flujo de trabajo para que la IA pueda operar de forma fiable. Esto requiere un liderazgo tecnofuncional, que implica a personas que comprendan tanto la lógica de negocio como las limitaciones técnicas lo suficiente como para rediseñar los procesos desde cero.
El problema de la identidad del conocimiento tribal
Una barrera importante para la última milla es la dependencia del conocimiento tácito que reside en la mente de los empleados con más antigüedad. En sectores como la infraestructura y los servicios profesionales, este conocimiento rara vez se documenta y a menudo se protege porque confiere prestigio. Sin embargo, este contexto suele ser clave para el funcionamiento de las empresas.
Una consultora de ingeniería planteó esto como un problema de identidad más que de reciclaje profesional. Durante décadas, la experiencia se definía por ser la persona que "sabía", pero la IA ahora exige a esas mismas personas que externalicen su juicio y lo codifiquen en sistemas. Si no se aborda este cambio de identidad profesional, las iniciativas suelen estancarse porque los empleados temen perder su importancia para la empresa.
Gobernanza en un mundo agencial
A medida que las organizaciones avanzan hacia agentes que toman acciones (como actualizar sistemas o coordinar aplicaciones), la gobernanza tradicional se convierte en un cuello de botella.
Un banco global detectó una brecha emergente en la rendición de cuentas, donde los controles humanos, que funcionan en casos aislados, colapsan en arquitecturas multiagente. Una gran institución de gestión de activos, que ya opera con más de 100 agentes, planea un futuro con decenas de miles de ellos.
Los líderes ahora deben hacer preguntas que se parecen más a las de recursos humanos que a las de TI, como por ejemplo cómo incorporar, evaluar, proteger y, finalmente, jubilar a un trabajador digital.
Complejidad arquitectónica
La mayoría de las empresas operan una combinación heterogénea de capacidades de IA en múltiples hiperescaladores (proveedores de servicios de computación en la nube a escala industrial) y pilas de aplicaciones. Esto genera una tensión estratégica entre la alineación con una única plataforma para mayor velocidad y el mantenimiento de una estrategia multiproveedor para mayor flexibilidad.
Una empresa textil global describió los meses necesarios para que los agentes de los entornos SAP, Microsoft y Google se comunicaran de forma fiable. Además, un importante fabricante industrial señaló que la evolución de la plataforma ahora supera los plazos de los proyectos, lo que incita a los equipos a reiniciar las iniciativas cada vez que aparece un nuevo modelo.
La trampa de la eficiencia
La concepción inicial de la IA como una herramienta de reducción de costes se ha convertido en una limitación para muchas empresas. Varias organizaciones compararon el posicionamiento inicial de la IA con una nueva forma de deslocalización, lo que desencadenó una actitud defensiva en la gerencia media y limitó el alcance de la ambición de transformación de la alta dirección.
Una firma de asesoría en datos y análisis advirtió que un enfoque incesante en la eficiencia corre el riesgo de socavar las capacidades humanas, como el buen juicio y la narración, que distinguen el trabajo de alto valor. Si bien las juntas directivas exigen un retorno de la inversión (ROI), es probable que las ganancias más significativas provengan de replantear la creación de valor en lugar de simplemente reducir los minutos de las tareas existentes.
Un plan para la empresa nativa de IA
A pesar de estas fricciones, las organizaciones que están logrando los avances más significativos convergen en un modelo operativo compartido, caracterizado por varios cambios estratégicos. El siguiente modelo representa una reorientación holística hacia lo que llamamos la empresa de vanguardia. Estos cambios se sintetizaron a partir de dos fuentes principales: las historias de primera línea compartidas por las organizaciones globales en nuestra cumbre de Harvard y las actividades de investigación más amplias realizadas por el Instituto D^3 sobre modelos de negocio impulsados por IA.
Más que un menú de tácticas opcionales, estos siete pilares estratégicos constituyen un modelo operativo unificado. Deben entenderse como contrapesos estructurales directos a las fricciones identificadas anteriormente; por cada cuello de botella descubierto en el último tramo, un cambio correspondiente en este plan proporciona el camino a seguir.
Si bien algunas organizaciones pueden comenzar priorizando los pilares que abordan sus puntos débiles más agudos, como la gobernanza o la deuda de procesos, el éxito a largo plazo requiere un esfuerzo sincronizado. Al leerlos, considérelos no como actualizaciones técnicas, sino como una hoja de ruta para que los líderes reimaginan fundamentalmente cómo su empresa crea y captura valor en un mundo agencial.
Rediseño de procesos desde cero
Las empresas líderes han ido más allá de integrar la IA en flujos de trabajo heredados. En su lugar, consideran la tecnología como un detonante para pensar desde cero. El rediseño desde cero implica descartar por completo los flujos de trabajo heredados y preguntarse: "Si desarrolláramos este proceso hoy con agentes de IA modernos, ¿cómo lo haríamos?". Se implementa mapeando el "ciclo externo" de la planificación estratégica y el "ciclo interno" de las tareas de ejecución antes de escribir una sola línea de código.
Por ejemplo, una gran organización sanitaria está rediseñando procesos en periodos cortos e interfuncionales, mientras que una institución financiera global está reimaginando sus servicios principales como si se hubieran desarrollado hoy con agentes como participantes de primera clase. El objetivo es determinar qué pasos existirían si el trabajo se diseñara desde cero en un entorno nativo de IA. Las empresas utilizan el mapeo "centrado en el agente" para identificar dónde un agente de IA puede actuar como trabajador y dónde un humano debe actuar como orquestador, garantizando así una transferencia fluida entre ambos.
Captura estratégica de conocimiento
Las organizaciones que se mueven con rapidez consideran el conocimiento tribal como un activo estratégico. En un contexto de IA, esto significa capturar el contexto de precosecha (reglas y lógica requeridas antes de comenzar una tarea) y el contexto de ejecución (los datos con matices que se transmiten entre los agentes durante una tarea).
Varias empresas están identificando sistemáticamente procesos que dependen de la experiencia y combinando expertos sénior con diseñadores para externalizar su criterio. Los expertos adoptan esta estrategia cuando se presenta como una forma de "construir un legado" y un esfuerzo por codificar su criterio único en un sistema digital que les libera de tareas repetitivas para centrarse en los desafíos más complejos y de mayor importancia que enfrenta la empresa. Esta labor se enmarca como una ampliación de la experiencia que reduce el agotamiento y crea puestos de mayor prestigio, como los arquitectos de procesos de IA y los administradores del conocimiento.
Gestión de la fuerza laboral digital
La gobernanza de modelos ya no es suficiente; la nueva frontera es la gobernanza de agentes. Las organizaciones con visión de futuro están diseñando planos de control que definen quién puede crear agentes, qué acciones pueden realizar y quién asume la responsabilidad cuando algo falla.
El principio rector es que los agentes deben ser tratados como una fuerza laboral gestionada, en lugar de un conjunto de scripts de software. Esto se logra mediante la implementación de "planos de control de agentes", que son paneles centralizados que supervisan el rendimiento de los agentes, los permisos de seguridad y la precisión, de forma similar a un sistema tradicional de gestión del rendimiento de RR. HH.
Rediseño de roles y trayectoria profesional
A medida que la IA absorbe más tareas orientadas a la ejecución, los roles humanos deben orientarse hacia el diseño, la orquestación y la interpretación. Sin este rediseño explícito, la adopción de la IA puede parecer la erosión de una carrera profesional en lugar de su evolución. Este cambio aumenta la demanda de líderes que guíen y verifiquen explícitamente los resultados de la IA, en lugar de realizar el trabajo manual ellos mismos. Una nueva descripción del puesto busca la agilidad de aprendizaje y la profundidad del dominio, a la vez que garantiza una clara responsabilidad por la orquestación de los agentes.
Las empresas de ingeniería anticipan una transición hacia roles de aseguramiento y pensamiento sistémico, mientras que las firmas de asesoría están formalizando capacidades narrativas para contextualizar los resultados de la IA. Las instituciones financieras están comenzando a asignar gerentes a los trabajadores digitales, tal como lo harían con los equipos humanos.
...
La experiencia de estas organizaciones en la cumbre sugiere que el último tramo de la IA no está bloqueado por la tecnología, sino por cuestiones sin resolver sobre los modelos operativos, la gobernanza y la identidad humana.
El modelo operativo y de negocio de las empresas de vanguardia se está haciendo visible, y si bien la ejecución está cada vez más automatizada, lo que aún escasea es la capacidad de liderazgo para imaginar y comprometerse con una forma diferente de dirigir la empresa. El reto para los ejecutivos actuales es decidir si están dispuestos a rediseñar la organización para que finalmente pueda aprovechar el potencial de la tecnología que ya han adquirido.
Lea más sobre Transformación organizacional o temas relacionados IA y aprendizaje automático, Aprendizaje organizacional, Desarrollo organizacional, Gestión del talento y Gestión empresarial.
Karim R. Lakhani es profesor de Administración de Empresas Dorothy y Michael Hintze en la Escuela de Negocios de Harvard y presidente y cofundador del Instituto de Diseño de Datos Digitales de la Universidad de Harvard. Es coautor de Competing in the Age of AI (Harvard Business Review Press, 2020).
Jared Spataro lidera las iniciativas de IA en el Trabajo de Microsoft, ayudando a cada organización a aprovechar la IA y los agentes para resolver sus problemas empresariales específicos, reducir costes e impulsar la creación de valor neto. Su equipo realiza investigaciones para predecir y definir el futuro del trabajo y los negocios en todos los sectores, a la vez que ofrece nuevos productos y funciones en Copilot, Copilot Studio, Microsoft 365, Dynamics 365 y Power Platform.
Jen Stave es la directora inaugural del Instituto Digital, de Datos y Diseño de Harvard, donde lidera el principal motor de la universidad para investigar el impacto de la IA generativa en las empresas y la sociedad. Su trabajo se centra en la interacción entre datos, IA, gestión del cambio, transformación de la fuerza laboral y eficacia organizacional, y sus perspectivas sobre el futuro del trabajo digital se publican en The New York Times, The Wall Street Journal y The Economist. Ha formado parte del comité directivo del programa AI for Good de las Naciones Unidas y colabora frecuentemente con Harvard Business Review.
