Doxa 2498

Cómo los robots de IA de última generación están transformando los servicios

Conversan, interactúan físicamente y aprenden en tiempo real

Por Jochen Wirtz

IA generativa

Harvard Business Review

#Doxa #IA #Robótica #Servicios #Automatización #Aprendizaje #TiempoReal #Interacción #Tecnología #Innovación #Futuro #Digital #Eficiencia #Transformación #Conversacional #Smart

Resumen. Mediante la incorporación de la IA generativa, los robots están evolucionando de máquinas programadas a sistemas adaptativos que interpretan el contexto, aprenden de demostraciones y ajustan su comportamiento en tiempo real. Los avances en los modelos de lenguaje a gran escala y las tecnologías relacionadas sonAyudar a los robots a ofrecer resultados consistentes y personalizados a gran escala. Los vehículos autónomos y los asistentes humanoides de fábrica han demostrado que los robots pueden seguir instrucciones complejas y colaborar con personas en entornos físicos. Sin embargo, para implementar con éxito robots con IA de última generación, las empresas deben elegir casos de uso vinculados a las limitaciones reales de la mano de obra, diseñar interacciones que resulten naturales, posicionar a los robots como socios de los empleados (en lugar de como sustitutos), adaptar las capacidades de los robots a la variabilidad de las tareas y definir métricas de éxito. La privacidad, la transparencia y la seguridad también deben seguir siendo prioridades a medida que los robots recopilan datos e influyen en las decisiones.

Si has tenido la oportunidad de viajar en un Waymo, seguramente te habrás bajado del vehículo asombrado por sus capacidades. Desde que Alphabet lanzó el proyecto en 2009, Waymo ha desarrollado una flota de 2500 robotaxis sin conductor que ahora circulan por San Francisco, Miami, Phoenix y otras ciudades, donde han realizado más de 20 millones de viajes. Estos vehículos hacen mucho más que transportar pasajeros a una velocidad de hasta 105 km/h. Pueden responder a instrucciones verbales («Pon algo de rap de los 80 en Spotify») o contestar preguntas («¿A qué hora es el partido de los Giants?») mientras cambian de carril para evitar una furgoneta de reparto mal aparcada. Los primeros datos de atención al cliente y los comentarios en la aplicación Waymo One muestran que los usuarios están encantados con la experiencia.

Waymo es un caso de uso específico de una tecnología que está madurando rápidamente y que se prevé que se implemente a gran escala: robots impulsados ​​por IA generativa. Muchas empresas ya utilizan chatbots, agentes y tecnologías relacionadas con IA generativa para automatizar y ampliar el servicio al cliente, pero en la mayoría de estos casos, los clientes interactúan con la tecnología a través de pantallas. Integrar la IA generativa en los robots brinda a las empresas la oportunidad de reinventar sus interacciones con los clientes en entornos físicos (restaurantes, hoteles, hospitales, tiendas minoristas y otros establecimientos físicos), donde el servicio ha permanecido obstinadamente humano. Mediante el uso de grandes modelos de lenguaje (LLM), grandes modelos de comportamiento (LBM) e IA con capacidad de agente, esta nueva generación de robots puede comprender mejor el contexto, hacer inferencias y brindar experiencias personalizadas. Pueden conversar como empleados competentes, siguiendo la lógica en los turnos de conversación, aclarando la ambigüedad y explicando ideas complejas de forma sencilla. En el pasado, un paciente que le preguntara a un robot: "¿Esto va a doler? ¿Cuánto tiempo durará? ¿Y qué pasa si me mareo?" superaría los límites de su guion. Pero los robots de servicio actuales, impulsados ​​por LLM, pueden comprender esas inquietudes y ofrecer respuestas en lenguaje sencillo. Un robot llamado Robin ya lo hace, brindando apoyo emocional en 30 unidades pediátricas y residencias de ancianos en todo el país. Se desplaza de forma autónoma para saludar a los niños y responder preguntas. Las enfermeras pueden darle órdenes verbales a Robin, como «Ve a la habitación 517 durante 20 minutos y luego a la habitación 516 durante 10 minutos». También incluye juegos que los niños pueden jugar mediante respuestas verbales.

Probablemente este no sea el primer artículo que lees que afirma que los robots transformarán el sector servicios. Es cierto que su impacto ha crecido más lentamente de lo que esperaban los entusiastas. El mercado global de robots de servicio profesional, que incluye modelos para logística, sanidad, limpieza y otros sectores, creció aproximadamente un 9 % en 2024, alcanzando casi 200 000 unidades vendidas. Pero muchos proyectos piloto se estancaron o tuvieron un rendimiento inferior al esperado. Un estudio de McKinsey muestra que el 71 % de las empresas afirma que los altos costes iniciales son un gran desafío a la hora de adoptar robots, y el 61 % señala la falta de experiencia con la automatización como otro obstáculo importante. El mantenimiento y la fiabilidad siguen siendo desafíos constantes, al igual que la aceptación por parte de clientes y empleados; muchas personas aún prefieren la interacción humana, especialmente en situaciones complejas o con una fuerte carga emocional. Cuando las empresas han implementado robots de atención al cliente, la mayoría de las implementaciones se han limitado a tareas muy específicas, como el servicio de habitaciones o la entrega de equipaje en un hotel. Estos robots de servicio no son mucho mejores que sofisticadas máquinas expendedoras móviles. Siguen de forma fiable las rutas preprogramadas, leen los códigos de barras y responden a las preguntas frecuentes, pero en general no han logrado alcanzar la escala ni los beneficios que esperaban los primeros usuarios.

No obstante, prácticamente todos los principales fabricantes de robots están integrando la IA de última generación en sus productos, y algunos de los primeros resultados son muy prometedores. Llevo más de una década investigando la robótica avanzada y, en los últimos 18 meses, he viajado a Europa, Asia y Norteamérica para observar la implementación de robots de servicio físicos con IA de última generación en 14 organizaciones de los sectores financiero, sanitario, educativo, hotelero y otros. En este artículo, explicaré cómo las empresas pueden utilizar esta nueva tecnología para generar valor, mitigar riesgos y fortalecer su capacidad organizativa para el éxito.

¿Qué son los robots Gen AI?

Los robots con inteligencia artificial de última generación se basan en una combinación de tecnologías, algunas conocidas y otras no.

A estas alturas, la mayoría de los ejecutivos comprenden los LLM y la IA agente. En un robot, los LLM permiten la conversación, y la IA agente añade memoria, planificación, ejecución y reflexión. Mediante estas tecnologías, un robot puede recordar a un cliente recurrente, razonar sobre las ventajas y desventajas (¿ Es posible el registro de entrada anticipado si el servicio de limpieza dice que la habitación está casi lista? ), planificar una secuencia de tareas, ejecutar pasos en sistemas digitales y espacios físicos, y luego reflexionar sobre lo que funcionó y lo que no. La diferencia entre los robots tradicionales, basados ​​en guiones, y aquellos impulsados ​​por IA agente es abismal. Un sistema basado en guiones podría reconocer que una entrega debe priorizarse, pero aun así seguir una ruta predeterminada. Un sistema agente puede asignar la tarea a un humano, redirigir la entrega y reasignar recursos para facilitarla. Si bien un robot posee inteligencia específica del dominio (uno en un hotel se entrenará de forma muy diferente a uno en un hospital), puede tomar decisiones complejas para ejecutar instrucciones de alto nivel, como "registrar a los huéspedes rápidamente" o "reponer el inventario de sueros intravenosos antes del final del turno".

Los LBM son una tecnología menos conocida. Se entrenan con conjuntos extensos de comportamientos, al igual que los LLM se entrenan con una cantidad aparentemente infinita de texto. Los LBM ayudan a los robots a lidiar con el hecho de que el servicio en un entorno físico es complejo. Las bandejas se inclinan. Los suelos se vuelven resbaladizos. Los clientes entregan artículos frágiles. Por lo tanto, programar robots para cada contingencia es imposible. En cambio, los desarrolladores enseñan a los robots a aprender usando LBM para cualquier contexto que se requiera. Los LBM son los que permiten a los vehículos de Waymo sortear furgonetas mal estacionadas.

Los robots Gen AI utilizan cámaras, micrófonos y sensores para aprender observando a los humanos, formulando preguntas y mediante ensayo y error. Este entrenamiento puede realizarse inicialmente en el mundo real. Los robots pueden adquirir comportamientos observando algunas demostraciones (por ejemplo, cómo coger con cuidado una copa de vino) y luego experimentando con millones de microvariaciones de velocidad, agarre y trayectoria, utilizando el metaverso o un gemelo digital para perfeccionar su técnica. Estos comportamientos también pueden transferirse a diferentes contextos. Si un robot aprende a manipular una copa frágil en una cafetería, ciertos elementos de esa habilidad le servirán para manipular viales en una clínica o artículos delicados en una boutique.

Otras tecnologías facilitan la capacidad de aprendizaje de los robots con IA de última generación. La programación sin código y el aprendizaje en flota (que permite compartir instrucciones entre un grupo de robots), por ejemplo, simplifican la implementación y las mejoras en comparación con hace una década. Antes, cualquier ajuste a los robots requería una intervención del departamento de TI o la visita de un proveedor. El entrenamiento sin código (posibilitado por la IA de última generación) permite a los operarios de primera línea ajustar el comportamiento de un robot preguntándole por qué adoptó un enfoque determinado, describiendo uno mejor y demostrándolo físicamente. Esta facilidad de mejora reduce el tiempo de ciclo para las optimizaciones operativas de meses a días. Estas capacidades convierten a los robots en sistemas adaptativos que integran conversación, cognición y acción física, a gran escala y personalizados para cada cliente.

Consideremos los robots que trabajan en la planta de ensamblaje de automóviles de BMW en Spartanburg, Carolina del Sur. La industria automotriz fue pionera en la adopción de la robótica; las fábricas han utilizado brazos robóticos sencillos para realizar tareas repetitivas (como la soldadura por puntos) desde la década de 1980. Pero en 2024, BMW comenzó a probar Figure 02, un robot humanoide que representa una ruptura radical con la automatización industrial tradicional. A diferencia de los robots de fábrica convencionales, Figure 02 puede moverse de forma autónoma por la planta utilizando seis cámaras integradas, interpretar lo que ve y razonar sobre cómo deben usarse los objetos, basándose en una amplia base de conocimientos automotrices y generales. Impulsado por modelos de OpenAI, escucha y procesa el habla humana, infiere la intención incluso de instrucciones vagas, hace preguntas aclaratorias cuando es necesario y aprende de sus errores con el tiempo. Durante un despliegue de 11 meses, Figure 02 contribuyó a la producción de aproximadamente 30 000 vehículos BMW. En el taller de carrocería, actuaba como un par de manos de alta precisión, transportando y colocando piezas frágiles de chapa metálica y alineando componentes para que los robots de soldadura pudieran ensamblar los chasis de los automóviles. BMW ahora está actualizando a Figure 03, un sucesor más ligero y alto diseñado para aplicar estas capacidades más allá de la planta de producción. En un video promocional, Figure 03 realiza tareas como lavar platos, doblar la ropa, servir bebidas y jugar a buscar la pelota, lo que demuestra que la IA de última generación está dotando a los robots de la capacidad de asumir una gama cada vez mayor de funciones.

Cómo implementar robots Gen AI

Mi experiencia con empresas demuestra que los usos más prometedores de los robots con IA de última generación se centran en tareas de atención al cliente y de cara al empleado. Integrar un robot en un entorno laboral es más complejo que simplemente desempaquetarlo, ya que muchos lugares de trabajo son impredecibles: los camareros llevan bandejas, los médicos y enfermeros se mueven de una habitación a otra, etc. Para convertir el potencial en rendimiento, los líderes deben seleccionar cuidadosamente los casos de uso, comunicar a clientes y empleados el porqué y el cómo de su uso, y establecer límites claros. Cuatro pasos fundamentales, basados ​​en mis observaciones sobre el terreno, pueden servirles de guía.

1. Empiece con casos de uso que aborden las limitaciones de mano de obra. Los robots son más efectivos cuando se aplican a tareas repetibles y económicamente valiosas que generan beneficios cuantificables. Muchos de los primeros experimentos que observé involucraban puestos en industrias que enfrentan una escasez crónica de mano de obra. Esto tiene sentido: los robots no solo reducen los costos, sino también la dificultad de reclutar trabajadores difíciles de encontrar. Una vez que haya identificado los puestos objetivo, comience por examinar las tareas específicas que requieren. ¿Son lo suficientemente repetibles como para que un robot las aprenda rápidamente? ¿El beneficio de delegarlas a un robot es inmediato en términos de velocidad, eficiencia, consistencia o al liberar a los empleados para que realicen tareas donde aporten más valor?

Entre los posibles escenarios para realizar experimentos se incluyen el registro de entrada y salida en hoteles, la modificación y entrega de pedidos en restaurantes de comida rápida y la logística en las salas de hospital; entornos donde existe una presión constante sobre la capacidad del personal de primera línea y una clara transferencia operativa que el robot puede gestionar.

Una vez elegido el caso de uso, diseñe el programa piloto de manera que los empleados de primera línea puedan mejorar activamente el rendimiento en el flujo de trabajo. Un empleado que observe que un robot realiza una secuencia subóptima debería poder explicar y demostrar un método mejor, sin tener que esperar semanas para una actualización de software.

Si se implementa correctamente, este enfoque amplía las capacidades de los robots con el tiempo, mejora su rendimiento en el ámbito en cuestión y hace que su implementación sea más eficaz, al tiempo que reorienta las funciones de primera línea hacia trabajos más especializados y alivia la escasez de mano de obra donde es más acuciante.

2. Diseñar interacciones con robots para lograr la aceptación del cliente. La mayor parte de la resistencia a los robots comienza en el punto de contacto con el cliente, no con la tecnología en sí. Los quioscos tradicionales, las tecnologías de autoservicio y los bots programados suelen obligar a los clientes a seguir secuencias rígidas y poco naturales. Este es un problema de diseño, y los robots con tecnología LLM solucionan este inconveniente. Los clientes y los empleados pueden interactuar con ellos de forma natural y, lo que es fundamental, los robots pueden seguir las instrucciones en el entorno físico.

Consideremos el proceso de registro en un hotel. Un empleado humano suele navegar por múltiples sistemas —reservas, programas de fidelización, estado del servicio de limpieza, pagos y preferencias— pantalla por pantalla. Un robot con inteligencia artificial de última generación puede conectarse a esos sistemas en paralelo, resolver conflictos y entregar la llave de la habitación en segundos, interactuando con el huésped y dándole la bienvenida. Para el cliente, la experiencia se traduce en una conversación cordial y eficiente, que a menudo resulta más consistente que la atención humana bajo presión.

Las primeras implementaciones ponen de manifiesto tanto el potencial como los inconvenientes. En el hotel Henn na de Tokio, los recepcionistas robot guían a los huéspedes durante la verificación de identidad, la asignación de habitaciones y el pago. La iniciativa ha contribuido a reducir los costes laborales y paliar la escasez de personal, pero no todo ha funcionado según lo previsto. En ocasiones, los robots han tenido dificultades con los acentos, el ruido ambiental y las peticiones inesperadas, lo que a veces ha incrementado la carga de trabajo del personal en lugar de reducirla.

Diseñar para la aceptación del cliente implica probar estas interacciones en entornos reales con clientes reales, aprender dónde surgen las dificultades y garantizar que la competencia conversacional del robot se corresponda con una ejecución física fiable.

3. Posicionar a los robots como herramientas que mejoran el servicio, no como sustitutos de la mano de obra. La forma en que se presentan los robots —y cómo se explica su función— influye enormemente en cómo los percibe la gente. La aceptación de la IA varía según la demografía y el contexto, y hoy en día muchos clientes aún prefieren la interacción humana para encuentros que requieren calidez, empatía o criterio. Mientras tanto, los empleados temen perder sus puestos de trabajo a causa de la tecnología.

Para abordar esas preferencias y temores, las empresas deberían posicionar a los robots de IA de última generación no como sustitutos de los empleados de primera línea, sino como herramientas que mejoran la accesibilidad, la velocidad y la fiabilidad, liberando a los humanos para que se centren en interacciones emocionalmente complejas, ambiguas o de alto riesgo. En mi experiencia, las implementaciones más exitosas se dan donde la comodidad es la prioridad de los clientes y el valor de la automatización es evidente.

Las empresas también deberían comunicar claramente qué hace el robot y cómo los clientes pueden acceder a asistencia humana cuando la necesiten. En los hospitales, por ejemplo, los robots podrían explicar que facilitan las interacciones sencillas y que solicitan la intervención de un humano cuando alcanzan su límite. En el sector minorista, la presencia visible de empleados en tienda, junto con la automatización robótica en la trastienda, podría contribuir a que la experiencia de compra se mantenga centrada en la atención humana.

Establecer expectativas con honestidad es fundamental. Comparta con clientes y empleados las fortalezas actuales de los robots (velocidad, consistencia y fiabilidad a largo plazo) y las áreas en las que los humanos aún los superan, especialmente en situaciones que requieren empatía, creatividad o soluciones innovadoras. Utilice datos concretos en lugar de exageraciones para reforzar el mensaje. Las métricas son más persuasivas que las promesas abstractas: «Nuestro tiempo de espera se redujo de seis minutos a 90 segundos» o «Nuestras enfermeras caminan 3000 pasos menos por turno y dedican una hora extra a los pacientes». Cifras como estas demuestran cómo los robots representan una ventaja para clientes y empleados.

4. Actualizar continuamente las directrices de uso responsable. Cuando las empresas implementan robots con IA de última generación, aumentan las implicaciones éticas, de equidad y de privacidad. Muchos robots vienen equipados con cámaras y micrófonos, lo que significa que pueden digitalizar prácticamente todo lo que ocurre en las interacciones cara a cara (a menos que las leyes dispongan lo contrario). Si a esto le sumamos las capacidades de los modelos de lenguaje avanzados, de repente los robots pueden persuadir a las personas. Esto es útil para vender y ofrecer productos o servicios adicionales, pero puede cruzar la línea si se analiza, influye y manipula a los clientes de maneras que la empresa nunca pretendió. La situación se vuelve especialmente delicada cuando los robots toman decisiones de asignación o precios (como actualizaciones, registros anticipados u ofertas personalizadas) que pueden generar percepciones de parcialidad o injusticia.

Las implementaciones exitosas tratan a los robots de IA de última generación como sistemas de aprendizaje, no como productos terminados. Las organizaciones necesitan mecanismos para observar cómo interactúan las personas con los robots, identificar dónde fallan las interacciones y mejorar sistemáticamente el rendimiento con el tiempo. Esto comienza con la captura de señales consensuadas —como cuando los usuarios dudan, repiten o anulan las instrucciones de los robots— y la transformación de esas observaciones en conclusiones claras y prácticas para supervisores y líderes de primera línea.

También existen riesgos de aprendizaje. Los robots de IA de última generación aprenden de las interacciones, lo que crea oportunidades para que empleados y clientes se aprovechen de ellos. Sin medidas de seguridad, los robots pueden adquirir comportamientos indeseados. He oído a robots repetir lenguaje inapropiado en hoteles y he visto a visitantes de museos intentar manipularlos para su propio entretenimiento. Las herramientas sin código y el aprendizaje automático en flotas añaden desafíos. Los empleados pueden introducir errores o lógica sesgada sin querer, y personas malintencionadas pueden sabotear los robots, con una rápida propagación de los comportamientos indeseados.

La mejora debe ser deliberada e iterativa: probar los cambios, medir los resultados, conservar lo que funciona y repetir. En la práctica, ninguna implementación de robot funciona bien desde el principio, y un ajuste fino cuidadoso es esencial. Los empleados de primera línea desempeñan un papel fundamental en este ciclo de aprendizaje y deben recibir apoyo como desarrolladores ciudadanos. Con procesos de microaprendizaje, certificaciones y herramientas sin código adecuadas, los expertos en el dominio pueden identificar puntos débiles y explicar mejores enfoques directamente a los robots, utilizando lenguaje natural. Con el tiempo, las funciones de supervisión evolucionan, pasando de monitorear tareas a orquestar sistemas: revisar mejoras, hacer cumplir los protocolos de seguridad y consentimiento, y alinear los incentivos con la calidad, la confiabilidad y los resultados para el cliente, más allá de la mera velocidad.

Al mismo tiempo, el aprendizaje debe regirse por una gobernanza sólida y la responsabilidad digital corporativa. Dado que los robots recopilan datos sensibles, la privacidad es fundamental. Además, como se desplazan por entornos físicos —donde pueden colisionar con personas o propiedades—, la seguridad es una preocupación primordial. El movimiento cuidadoso, la limpieza del entorno y la fiabilidad deben considerarse innegociables, respaldados por análisis de riesgos, geovallado (que restringe el movimiento del robot a un área específica), paradas de emergencia (que permiten a los humanos detener el movimiento del robot) y acuerdos de nivel de servicio claros con los proveedores para el mantenimiento y la respuesta a incidentes.

Esto no significa que las marcas deban evitar los robots con IA de última generación. Pero sí implica que la seguridad, la protección y el diseño responsable deben ser prioridades absolutas. Los errores son inevitables. Si la arquitectura, las políticas y las pruebas son sólidas, es mucho menos probable que esos errores causen daños reales. Las buenas prácticas garantizan que, a medida que los robots se vuelven más capaces, las organizaciones sigan rindiendo cuentas, impulsando la innovación sin sacrificar la confianza.

...

Los robots con IA de última generación ofrecen una vía práctica para lograr un servicio rentable en el mundo físico. Pueden brindar consistencia y personalización a gran escala, lo que durante mucho tiempo ha sido el talón de Aquiles del servicio presencial. Sin embargo, la implementación de estos robots requiere un proceso complejo y prolongado, y dado que debe realizarse en entornos reales, los riesgos son mayores, los fallos son públicos y la seguridad física se convierte en una preocupación fundamental.

Aunque la tecnología aún está en sus inicios, los primeros proyectos piloto demuestran que los robots con inteligencia artificial de última generación pueden beneficiar tanto a empresas como a empleados y clientes. Siguiendo los pasos descritos en este artículo, las empresas pueden comenzar a implementar estos robots de forma estructurada y segura.

Lea más sobre IA generativa o temas relacionados: IA y aprendizaje automático, y Tecnología y análisis.

Una versión de este artículo apareció en el   número de mayo-junio de 2026 de la revista Harvard Business Review.

Jochen Wirtz es profesor de marketing y vicedecano de los programas MBA en la Escuela de Negocios de la Universidad Nacional de Singapur (NUS Business School).

 

Doxa 2497

Negociar cuando no hay un plan B

Puedes encontrar una ventaja incluso cuando la otra parte tiene todo el poder

Por Jonathan Hughes y Saptak Ray

Estrategias de negociación

Harvard Business Review

#Doxa #NegociaciónSinPlanB #PoderNegociador #VentajaEstratégica #InfluenciaSinPoder #PersuasiónEfectiva #NegociaciónAsimétrica #ValorPercibido #PalancaNegociadora #ConfianzaTáctica #ComunicaciónEstratégica #AlternativasCreativas #ResilienciaNegociadora #PsicologíaDelPoder #NegociaciónDeAltoRiesgo #LiderazgoEnCrisis

Resumen. ¿Cómo pueden los negociadores encontrar puntos de influencia incluso cuando parece que no tienen alternativas viables? La ausencia de un MAPAN (mejor alternativa a un acuerdo negociado) claro no significa que los negociadores se encuentren indefensos;pueden ampliar el concepto de alternativas para incluir opciones parciales, temporales y de procedimiento que puedan cambiar la dinámica de la negociación. Los enfoques creativos —como identificar sustitutos parciales, buscar puntos fuertes ocultos en su posición, buscar el consentimiento tácito en lugar de la aprobación explícita, replantear las amenazas como advertencias y apelar a la equidad— pueden ayudar a ganar influencia y lograr mejores resultados, incluso cuando se enfrenta a una dependencia aparentemente unilateral oa ultimátums del tipo «lo tomas o lo deja».

Llevamos varios años trabajando con una de las mayores empresas de servicios públicos del mundo cuando recibimos una llamada urgente de uno de sus altos ejecutivos. «¿Recuerdan esa nueva central eléctrica que anunciamos que íbamos a construir para poder cumplir las promesas que habíamos hecho al mercado en materia de nueva generación de electricidad?», dijo. «Pues bien, ya vamos con retraso, y la empresa de ingeniería y construcción con la que hemos estado negociando ha exigido un enorme pago por adelantado antes de comenzar los trabajos. Simplemente no podemos permitirnos pagar ni de lejos esa cantidad. Pero no tenemos otra alternativa; Los seleccionamos porque eran la única empresa con la capacidad de construir esta central en el plazo que necesitamos. No podemos aceptar lo que exigen, se niegan a negociar y no podemos simplemente dar media vuelta. ¿Qué podemos hacer?».

Como consultores en negociación, lamentablemente recibimos llamadas como esta constantemente. En un mundo ideal, los negociadores siempre cuentan con un plan B. En la literatura sobre negociación, esto se denomina MAPAN (la mejor alternativa a un acuerdo negociado), un término introducido por Roger Fisher y William Ury en su libro de 1981, «Getting to Yes». El concepto tiene varias implicaciones clave: no debe aceptar ningún acuerdo si existe una alternativa mejor; no debe esperar que la otra parte acepte su acuerdo si esta tiene una alternativa mejor; debe tratar de mejorar su MAPAN; y debe, como mínimo, considerar si es posible y cómo debilitar la MAPAN de su contraparte en la negociación.

Sin embargo, en muchas de las negociaciones comerciales más importantes y complejas, no existe una solución evidente que no sea llegar a un acuerdo con una parte concreta. Por ello, parece como si no existiera un plan B. Sin embargo, hemos dedicado buena parte de los últimos 30 años a asesorar a empresas en de negociaciones (con un valor que oscila entre millones y millas de millones de dólares) ya formar miles de personas en tácticas de negociación, y según nuestra experiencia, los negociadores rara vez se encuentran tan limitados como podrían creer en tales situaciones, especialmente si amplían su forma de pensar sobre las alternativas de «retirarse» y sobre la dinámica del poder en la negociación de manera más amplia. De hecho, saber qué hacer cuando parece que no hay un plan B es uno de los puntos fuertes únicos de los negociadores más experimentados y cualificados. En las negociaciones de alto riesgo, a menudo existen soluciones creativas, medidas unilaterales que se pueden tomar para mejorar su posición negociadora y alternativas parciales que pueden cambiar el equilibrio de poder.

En este artículo le explicaremos cuáles son las mejores formas de abordar este reto.

El poder de las alternativas parciales

Cuando los negociadores definen su MAPAN, suelen buscar una alternativa completa que resuelva todos los problemas. Sin embargo, en muchos casos esa solución simplemente no existe. En cambio, el avance decisivo surge al identificar opciones que, aunque no sustituyan por completo el acuerdo sobre la mesa, pueden abrir nuevas posibilidades. Estas soluciones parciales, aunque sean limitadas, pueden cambiar la dinámica de la negociación de manera significativa.

Pensamos en uno de nuestros clientes del sector de la alta tecnología que mantenía una relación de larga duración con un proveedor de componentes electrónicos esenciales. Debido a diversas consideraciones, entre ellas el volumen requerido de los componentes, no existía ningún otro proveedor que pudiera constituir una alternativa completa al proveedor actual. En los últimos años, este proveedor había aumentado continuamente los precios y no había estado a la altura en cuanto a calidad y rendimiento. Como nos dijo nuestro cliente: «No podemos prescindir de ellos, pero cada vez es más difícil seguir trabajando con ellos».»

Tras exigir una nueva subida de precios, el proveedor se negó a entablar negociaciones constructivas. Al parecer, a nuestro cliente no le quedaba más remedio que recurrir a una alternativa «radical»: seguir sin acuerdo y con un suministro insuficiente de varios componentes clave, al menos durante uno o dos años, mientras buscaba y homologaba a un nuevo proveedor. Durante ese tiempo, nuestro cliente ya no podría fabricar determinados productos y, por lo tanto, causaría un daño duradero a algunas relaciones con los clientes, además de perder decenas de millones de dólares en ingresos. Esa MAPAN parecía tan desfavorable que parecía que a nuestro cliente le convendría aceptar prácticamente cualquier aumento de precio del proveedor actual. Esa es una situación en la que ningún negociador desea encontrarse.

Sin embargo, cuando animamos al cliente a que considerara cualquier medida que pudiera adoptar para satisfacer algunas de sus necesidades, la situación empezó a mejorar. De hecho, la empresa tecnológica logró identificar a dos proveedores más pequeños que cumplían con las especificaciones de diseño y los estándares de calidad. Aun sumando su capacidad, solo podía cubrir el 30% del volumen total que necesitaba nuestro cliente, el cual no dejaba de aumentar. No obstante, recurrir a ellos reduciría la dependencia de nuestro cliente respecto al proveedor actual y le proporcionaría una ventaja en la negociación.

La empresa tecnológica volvió a ponerse en contacto con el proveedor actual y le planteó dos opciones: o bien se comprometía a aumentar el volumen de compra en un 5% si el proveedor aceptaba mejorar los precios, o bien reduciría considerablemente el volumen de compra si este se mantenía firme en sus exigencias de precios. Una posible respuesta del proveedor habría sido un ultimátum exigiendo que nuestro cliente le comprara el 100 % de los componentes o, de lo contrario, no trabajaría con él en absoluto. El cliente esperaba con nerviosismo, pero al final el proveedor ganó un nuevo precio a cambio de mayores volúmenes. Nuestro cliente había ganado ventaja al identificar alternativas parciales realistas.

Durante un análisis posterior a la negociación, se puso de manifiesto una idea clave: los intentos anteriores por desarrollar proveedores secundarios y de reserva habían fracasado porque la empresa había subestimado las ventajas de contar con fuentes que solo podían satisfacer un porcentaje muy reducido de sus necesidades. La búsqueda de una única alternativa óptima había resultado limitante. De hecho, cuanto más compleja es la negociación y mayor es la dependencia de la otra parte, más importante resulta buscar alternativas parciales.

No negocies desde una posición de miedo

Aunque recurrir a proveedores alternativos pueda parecer una forma de política de riesgo, hemos constatado que es extremadamente raro que un acuerdo se vaya al traste cuando una empresa plantea exigencias razonables pero firmes. De hecho, solo nos hemos encontrado con esa reacción una vez en los últimos 25 años, y las circunstancias eran muy particulares.

Cuando uno tiene la sensación de no tener alternativa, es natural centrarse en la propia vulnerabilidad y pasar por alto las grietas en la armadura de la otra parte. Incluso los negociadores experimentados pueden caer en esta trampa, obsesionándose con quién «necesita más el acuerdo» y perdiendo oportunidades para ganar ventaja. Pero cuando se amplía la perspectiva —analizando no solo su propio MAPAN, sino también las alternativas de la otra parte—, a menudo se descubren puntos fuertes ocultos en su posición.

En este contexto, volvamos a analizar la preocupación de que el proveedor pueda retirarse si la empresa IT no acepta todas sus condiciones. La razón por la que esto casi nunca ocurre es que la dependencia mutua entre las partes negociadoras suele ser más equilibrada de lo que podría parecer. Si usted depende en gran medida de un proveedor, lo más probable es que este también dependa de su negocio para obtener ingresos. Cuanto mayores sean los costos de cambio para un cliente, más doloroso suele resultar para que el proveedor lo pierda. Incluso si una de las partes tiene más poder de negociación, son pocos los negociadores dispuestos a arriesgarse a sufrir pérdidas sustanciales solo para conseguir un acuerdo ligeramente mejor. Si se encuentra con una contraparte dispuesta a jugar al juego del gallina de esta manera, lo mejor es retirarse —o, al menos, empezar a planificar su salida. El costo a largo plazo de permanecer en una relación de este tipo casi siempre superará el dolor a corto plazo que supone marcharse.

Pensamos en una empresa internacional con la que colaboramos y que dependía en gran medida de un único proveedor para obtener materiales de recubrimiento esenciales, lo que significaba que ningún otro proveedor podía ofrecer lo mismo que este. Durante la renovación del contrato, el proveedor exigió un aumento de precios del 10 %, mientras que nuestro cliente presionaba para conseguir una reducción del 5 %. De no llegar a un acuerdo, nuestro cliente se enfrentaba a la pérdida de más de 100 millones de dólares en ingresos anuales, al despido de cientos de empleados y a un deterioro irreparable de muchas relaciones clave con sus clientes. Por otro lado, aceptar el aumento perjudicaría los márgenes, el EBITDA y el precio de las acciones, y sentaría un precedente para futuras subidas.

El acuerdo representaba «solo» el 10 % de los ingresos del proveedor, pero, como ya señalamos, perdería a nuestro cliente perjudicaría al proveedor más de lo que sugerían las cifras brutas. Se trataba de un fabricante con elevados costes fijos, y el producto era una de sus ofertas más rentables. Dado que esta línea de productos era muy especializada, reemplazar los ingresos perdidos de nuestro cliente requeriría tiempo y dinero, ya que el proveedor tendría que reequipar sus líneas de fabricación para producir recubrimientos que pudieran vender a otros clientes, lo que supondría una carga significativa para su flujo de caja libre.

Conclusión: aunque sus alternativas parezcan poco prometedoras, puede seguir siendo racional que la otra parte haga concesiones. La dependencia en las negociaciones rara vez es unilateral, y sentirse vulnerable no significa que carezca de poder de negociación.

Busque alternativas temporales y el consentimiento tácito

En situaciones en las que la búsqueda de un plan B sigue sin dar frutos, amplíe el análisis para considerar qué se puede hacer, aunque sea solo de forma temporal, sin el consentimiento de la otra parte suele ser la clave. Cuando una contraparte poderosa dice «lo tomas o lo deja», incluso los negociadores más experimentados suelen sentirse presionados a aceptar un acuerdo desfavorable o a retirarse y enfrentarse a las consecuencias, igualmente poco atractivas, de la falta de acuerdo. Pero casi siempre existe una tercera alternativa, al menos durante un tiempo: negarse a aceptar, pero sin rechazar de plano las demandas de la otra parte. Incluso cuando la otra parte considera que negarse a aceptar de inmediato equivale a abandonar la negociación de forma definitiva, normalmente puede reformular su respuesta como una simple negativa a aceptar en este momento. Por supuesto, los negociadores agresivos suelen acompañar una exigencia con un plazo límite. Según nuestra experiencia, casi siempre es posible ampliar dichos plazos, especialmente con una justificación razonable, a menudo alguna variante de «Necesitamos más tiempo para evaluar y considerar».

También puede resultar útil explorar formas de avanzar sin un acuerdo explícito. En última instancia, no se puede llegar a un acuerdo a menos que la otra parte esté de acuerdo. Sin embargo, existen diferentes tipos de consentimiento y, en la práctica, hemos comprobado que distinguir entre consentimiento activo y tácito resulta muy útil. No todas las acciones en una negociación requieren la aprobación formal de la otra parte. En muchos casos, puede actuar siempre y cuando su contraparte no se oponga. Comprender cuándo puede confiar en la aceptación tácita en lugar de esperar un «sí» claro le da más margen de maniobra.

Tomemos como ejemplo una empresa internacional de microprocesadores con la que colaboramos durante muchos años. Durante una revisión de sus contratos con proveedores, descubrimos que uno de sus principales proveedores le cobraba precios radicalmente diferentes cuando se enviaban los mismos componentes a distintas plantas en diferentes países. En algunos casos, los precios unitarios para una planta de fabricación eran más del doble que los de otras, independientemente de los gastos de envío, que, por supuesto, variaban legítimamente según el lugar de entrega.

Los altos directivos de la empresa estaban, como es comprensible, furiosos y querían ponerse en contacto inmediatamente con el proveedor para exigirle una política de precios coherente, además de un reembolso por lo que consideraron sobreprecios cobrados durante el último año. Antes de hacerlo, analizamos cómo podría responder el proveedor. Resultó que era el único proveedor calificado para suministrar los componentes (un clásico caso de «ausencia de alternativas») y, en el mejor de los casos, se tardaría más de un año en homologar a un nuevo proveedor. Aunque era posible que el proveedor cediera ante el argumento de que, en aras de la equidad, debería cobrar el mismo precio bajo a todas las sedes del mundo, consideramos más probable, dado un mercado con restricciones de suministro, que su respuesta fuera que había cobrado de menos a nuestro cliente en algunos casos y que restableciera todos los precios para equipararlos al más alto existente. El aumento de la exposición del cliente en ese escenario ascendía a decenas de millones de dólares al año.

La empresa de microprocesadores decidió no establecer una negociación formal con el proveedor sobre los precios. En su lugar, comenzó a abonar todas las facturas del proveedor basándose en el precio más bajo que este facturaba por sus componentes. Cuando la empresa pagaba menos del importado facturado, adjuntaba una breve nota explicativa: «El import total adeudado parece ser erróneo, ya que se basa en un precio unitario inadecuado de X. Le rogamos que consulte una factura de su empresa correspondiente a los mismos componentes a un precio inferior. Hemos abonado esta factura basándonos en ese precio». Tal y como esperábamos, los pedidos continuaron cumpliéndose sin interrupción. Tras unos meses, nuestro cliente comenzó a recibir cartas sobre el pago insuficiente de las plantas que cobraban precios más elevados, pero la responsabilidad de actuar recaía ahora en el proveedor. La inercia es una fuerza poderosa. En lugar de solicitar el acuerdo del proveedor para reducir los precios a un nivel uniforme, nuestro cliente simplemente había comenzado a pagar al proveedor de acuerdo con ese principio. Mientras tanto, la empresa ahorraba una cantidad significativa de dinero cada mes. En cierto sentido, el proveedor había aceptado este acuerdo, pero solo de manera tácita y pasiva. Podría haber interrumpido los envíos, pero desde el punto de vista operativo y psicológico, tal medida habría supuesto una escalada importante, y evaluamos certeramente que el proveedor no lo haría.

Pasó casi un año antes de que los directivos del proveedor plantearan formalmente el asunto a nuestro cliente. Plantearon la posibilidad de suspender los envíos, pero su tono no fue agresivo y expresaron su deseo de negociar una solución aceptable para ambas partes. Para entonces, el mercado se había enfriado un poco y la oferta y la demanda estaban más equilibradas; la mejor alternativa a un acuerdo (MAPAN) del proveedor respecto al negocio de nuestro cliente se había debilitado. Y el cliente no había estado de brazos cruzados; ahora se encontraba en condiciones de cambiar a un nuevo proveedor si fuera necesario, aunque tal medida habría conllevado riesgos y no era el resultado preferido. Finalmente, nuestro cliente y el proveedor acordaron un nuevo contrato global con precios uniformes a un nivel cercano al precio más bajo que el cliente había estado pagando.

Centrarse en los actores y el proceso.

Cuando parece que no hay un plan B, los negociadores deben considerar, literalmente, cualquier medida que puedan adoptar de forma unilateral y que contribuya a lograr un resultado más favorable. A estas las denominamos «alternativas de procedimiento», en contraposición a las alternativas a un posible acuerdo. Para identificarlas, es necesario tener siempre presente la distinción entre mandante y mandatario; es decir, distinguir entre la empresa con la que se está negociando y las personas concretas con las que se trata.

En una negociación reciente en la que prestamos asesoramiento, el negocio de nuestro cliente solo representaba unos pocos millones de dólares para su distribuidor, una empresa global con ingresos anuales de millas de millones. El equipo del distribuidor hizo hincapié repetidamente en este hecho cuando se plantearon inquietudes sobre los precios y las condiciones contractuales desiguales, dando a entender que nuestro cliente carecía de una influencia significativa. Un análisis más detallado reveló una realidad diferente. Si bien el negocio de nuestro cliente era pequeño en comparación con el negocio global del distribuidor, resultaba fundamental para la unidad específica que participaba en la negociación —la cual se había creado recientemente para centrarse en el sector de nuestro cliente. Nuestro cliente representaba una parte sustancial del objetivo de ingresos de esa unidad, lo que le otorgaba mucho más poder de negociación de lo que sugerían las cifras generales del distribuidor. Además, el negocio de nuestro cliente constituía una parte significativa de la cuota de ingresos personales del negociador principal en el distribuidor.

De repente, la posición de nuestro cliente parecía más prometedora. Sin embargo, la principal negociadora del distribuidor se mantendrá inflexible. En un momento dado, en un intercambio algo acalorado, ella replicó: «Ya he cumplido mis objetivos para este año», dando a entender que no le importaba si el cliente renovaba su contrato. ¿Era eso cierto o estaba finyendo? El equipo de nuestro cliente investigó por canales extraoficiales y se enteró de que la negociadora principal estaba decidida a hacerse un nombre cerrando acuerdos mucho más rentables que los de su predecesor (quien fue despedido por ser demasiado blando y con quien, según se supo después, la negociadora principal de nuestro cliente mantenía una relación muy cordial y colegiada).

Nuestro cliente seguía sin tener un plan B, y las condiciones que ofrecía el distribuidor seguían sin ser aceptables para él. Sin embargo, sí que contábamos con nuevas perspectivas sobre sus alternativas —no en cuanto a un posible acuerdo con el distribuidor, sino en el sentido de posibles medidas unilaterales que nuestro cliente podría adoptar para mejorar su posición negociadora.

Por ejemplo, identificó a un nuevo competidor del socio distribuidor actual, una empresa mucho más pequeña y sin experiencia, pero con grandes ambiciones. El cliente logró negociar rápidamente un acuerdo de alcance limitado (con los precios y las condiciones estrictamente protegidas por un acuerdo de confidencialidad) con dicha empresa, a cambio de un comunicado de prensa diseñado para llamar la atención del socio principal. El cliente también se puso en contacto con uno de sus mayores clientes (que mantenía una relación comercial independiente y muy importante con el distribuidor principal) y pidió a su vicepresidente sénior de ventas que se dirigiera al distribuidor para interceder en nombre del cliente. Aunque pequeño, nuestro cliente era un socio importante para su empresa. Y su empresa y su negocio eran mucho más importantes para el distribuidor que nuestro cliente. (Es bueno tener amigos influyentes.)

A lo largo del proceso, el equipo del cliente consideró la posibilidad de elevar el asunto al superior del negociador principal del distribuidor, pero finalmente decidió que los riesgos de hacerlo superaban a los beneficios. Al final, nuestro cliente logró alcanzar un nuevo acuerdo con mejores precios y condiciones más equilibradas. Su no radicó en identificar una alternativa de retirada, sino en tomar ventaja unilaterales durante el proceso de negociación que presionaron a la otra parte para que se muestrea medidas más razonables.

Reformule las amenazas como advertencias

Comunicar las alternativas de retirada durante las negociaciones es un arte delicado. Si un negociador dice algo como «Estamos barajando acuerdos con otros socios», esto suele desencadenar una espiral descendente de discusiones sobre quién tiene una mejor MAPAN y acaba derivando en amenazas del tipo «lo tomas o lo deja».

Por lo tanto, las personas que trabajan en acuerdos de gran envergadura se enfrentan a una tensión entre dar a entender que son capaces y están dispuestas a retirarse y tratar de atraer a la otra parte hacia un proceso de negociación colaborativa. La solución a este dilema consiste en plantear la posibilidad de alternativas como advertencias, no como amenazas. Estas últimas son coercitivas (“Si no está de acuerdo, interrumpiremos inmediatamente todos los envíos”) y, invariablemente, provocan una actitud defensiva y contraamenazas. Las advertencias, por el contrario, se centran en la autoprotección, no en perjudicar a la otra parte, y por lo tanto es mucho menos probable que provoquen una reacción hostil. (“No podemos permitirnos pagar el precio que exige. A menos que podamos negociar algo más razonable, nos veremos obligados a buscar a otra persona”). La distinción es sencilla, pero su aplicación presenta matices.

Hace unos años, asesoramos a un cliente en la renovación de un contrato de licencia de datos con un valor superior a los 100 millones de dólares en ingresos anuales. La empresa propietaria de los datos exigía un aumento considerable de las tarifas, lo que habría mermado significativamente la rentabilidad de varios productos nuevos que dependían de dichos datos. Sintiéndose acorralados, los ejecutivos de nuestro cliente considerarán adoptar una postura firme. Su razonamiento era: «Si nos oponemos, tal vez cedan. Si simplemente aceptamos, pareceremos débiles y nos expondremos a más exigencias en el futuro. Ellos también necesitan nuestro negocio; tal vez deberíamos dejar eso claro al mercado ya nuestros clientes». Su interpretación de la situación era correcta, pero su instinto de amenazar resultaba arriesgado.

Cuando utilizamos simulaciones para anticipar cómo podría responder la otra parte ante tácticas agresivas, descubrimos que el resultado más probable era un prolongado juego del gallina, con pérdidas de ingresos y perjuicios para ambas partes durante muchos meses, y una probabilidad significativa de que, al final, no se llegara a ningún acuerdo. Hemos visto que las amenazas funcionan en ciertas negociaciones, pero se trata de excepciones poco frecuentes. La mayoría de las personas y organizaciones reaccionan mal ante la coacción y responden con contraamenazas. Por mucho dinero que haya en juego, el ego y las emociones desempeñan un papel significativo en las negociaciones, y una vez que el proceso se convierte en una batalla para ver quién puede infligir más daño, ambas partes pierden inevitablemente.

Finalmente, nuestro cliente decidió adoptar una estrategia que reconocía y analizaba abiertamente las alternativas de ambas partes, pero sin resultar amenazante. «No vamos a pagar la nueva cuota de licencia que nos exigen y, si no están dispuestos a negociar algo más razonable, estamos dispuestos a retirarnos por completo», afirmó nuestro cliente. «Hacerlo nos supondrá un costo muy elevado, tal y como, por supuesto, ustedes han calculado y estimado. Ya hemos comenzado a redactar comunicaciones dirigidas a nuestros clientes en las que les explicamos la situación y les ofrecemos ayuda para buscar sustitutos parciales entre la competencia. Pero, por doloroso que resulte, es un costo que estamos dispuestos a asumir para demostrar al mercado (ya ustedes) que no nos dejaremos extorsionar. Hemos simulado varios resultados y, en la mayoría de ellos, las pérdidas de ingresos a corto plazo para nosotros son, efectivamente, mayores que para ustedes, pero son muy perjudiciales para ambos. A largo plazo, existe un riesgo significativo para ambos y una gran incertidumbre. Estaremos encantados de compartir nuestro análisis con usted y de revisar cualquier análisis que haya realizado. Pero lo que preferiríamos hacer es dedicar tiempo y energía juntos a estudiar cómo hacer crecer el mercado para sus datos y nuestros productos de análisis de riesgos y de toma de decisiones, y negociar nuevos modelos de reparto de ingresos que funcionen para ambos. Tú decides».

Al final, ambas partes dedicaron varias semanas a intercambiar análisis sobre posibles pérdidas de ingresos y daños a la reputación, acompañados de ciertas maniobras de intimidación. En cada momento, el cliente se negoció a morder el anzuelo de responder a cualquier cosa que se percibiera como una amenaza. En su lugar, respondió con advertencias sobre las consecuencias que tendría para ambas partes la falta de acuerdo, al tiempo que expresaba su deseo de continuar e incluso ampliar una colaboración basada en la confianza y el compromiso con los beneficios mutuos. En poco tiempo, las negociaciones se reorientaron hacia opciones para el crecimiento conjunto del mercado, y seis meses después se firmó un nuevo acuerdo que reportó beneficios sustanciales a ambas partes.

Cuando todo lo demás falla, prueba con la equidad

A menudo se considera que las negociaciones son un juego de suma cero: «Quien menos se preocupe por el acuerdo es quien tiene el poder». Pero cuando hay mucho en juego, esa mentalidad resulta limitante. Si a usted no le importa, ¿para qué negociar? El verdadero reto no consiste en preocuparse menos, sino en encontrar formas de hacer que la otra parte se preocupe más.

Un enfoque eficaz consiste en desviar la conversación del poder hacia la equidad, que resulta ser un factor motivador humano sorprendentemente poderoso. Si bien se ha demostrado en experimentos que los negociadores suelen abandonar acuerdos que tienen sentido desde el punto de vista económico si los perciben como injustos, nuestra experiencia demuestra que lo contrario también es cierto: a veces, las personas están dispuestas a hacer concesiones cuando se ven obligadas a reconocer que están tratando a la otra parte de forma injusta. Volvamos a la empresa de servicios públicos que se enfrentaba a la demanda de pago desmesurada de su empresa de construcción e ingeniería. Le aconsejamos que no aceptara ni rechazara el ultimátum, sino que preguntara por qué la empresa planteaba esa exigencia (y que además advirtiera de que la cifra no era en absoluto asequible). Esa simple maniobra replanteó la negociación, pasando de un «lo tomas o lo deja» a un «¿qué es razonable?». La otra parte pasó, no porque hubiera perdido poder, sino porque no podía justificar su postura.

...

Lo ideal sería que pudiera identificar un plan B viable para todos sus acuerdos. Pero cuando realmente no lo hay, adopta una visión más amplia del poder y las alternativas pueden marcar la diferencia. Incluso si se ve absolutamente obligado a cerrar un acuerdo con una contraparte concreta, sigue teniendo opciones, ya menudo hay formas de reducir (aunque no eliminar) su dependencia de la otra parte. Los mejores negociadores son aquellos que miran más allá de lo obvio y encuentran fuentes creativas de influencia para incidir en el proceso de negociación y en sus contrapartes.

Leer más sobre Estrategias de negociación o tema relacionado Gestión de operaciones y cadena de suministro

Una versión de este artículo apareció en la  edición de mayo-junio de 2026  de Harvard Business Review.

Jonathan Hughes (jhughes11489@gmail.com) es consultor estratégico y director ejecutivo de Pareto Frontier Strategies, una empresa híbrida de software y asesoramiento especializado en negociaciones de alto riesgo.

Saptak Ray (saptakray@gmail.com) es consultor estratégico y director de operaciones de Pareto Frontier Strategies.

Doxa 2496

La toma de decisiones por consenso no funciona en la era de la IA

Por Jonathan Rosenthal y Neal Zuckerman

Gestión

Harvard Business Review

#Doxa #TomaDeDecisiones #Consenso #InteligenciaArtificial #EraDigital #LiderazgoAI #DecisionesRápidas #Automatización #GestiónEmpresarial #InnovaciónTecnológica #EficienciaOrganizacional #TransformaciónDigital #AlgoritmosDecisorios #VelocidadEjecutiva #AdaptaciónAI #FuturoDelTrabajo

Resumen. Aunque es probable que la mayoría de los líderes estén de acuerdo en que sus organizaciones tendrán que adaptarse a la IA, son muy pocos los que están dispuestos a admitir que esto les obligará a abandonar uno de los principios de gestión más extendidosdel último medio siglo: la toma de decisiones por consenso. El consenso es el sello distintivo de las organizaciones modernas, pero este enfoque presenta dos debilidades importantes en la era de la IA: 1) es lento y 2) distorsiona la información. De cara al futuro, el éxito dependerá de la agilidad organizativa: la velocidad a la que las empresas identifican señales, toman decisiones y las ejecutan. Las empresas tradicionales deben dejar atrás el consenso y reorganizarse en torno a nuevas estructuras y métodos de toma de decisiones adecuados para la era de la IA. Hay dos cambios estructurales que los consejos de administración y los CEOs pueden implementar de inmediato: 1) el scrum autónomo, que empodera a grupos más pequeños para tomar decisiones significativas, y 2) el marco OVIS, en el que una persona es la responsable de la decisión, dos o tres personas la vetan o influyen en ella, y todos los demás apoyan el resultado.

La inteligencia artificial está provocando un replanteamiento organizativo. Aunque es probable que la mayoría de los líderes estén de acuerdo en que sus organizaciones tendrán que adaptarse, son muy pocos los que están dispuestos a admitir que esto les obligará a abandonar uno de los principios de gestión más extendidos del último medio siglo: la toma de decisiones por consenso. Las empresas que sobrevivan a la próxima década no serán aquellas que cuenten con los mejores algoritmos o con la mayor cantidad de datos. Serán aquellas que tengan el valor de abandonar la forma en que se toman las decisiones.

La gestión basada en el consenso fue, en su momento, una respuesta racional a la complejidad. A medida que las organizaciones crecían, se globalizaban y se volvían multidisciplinares, ya medida que el trabajo intelectual sustituía al trabajo físico, las estructuras de mando y control de la gestión industrial inicial dieron paso a la toma de decisiones distribuidas, la coordinación entre los stakeholders y la elección «socializada». No es de extrañar que las grandes empresas globales adopten la toma de decisiones distribuidas, dada la amplitud geográfica y las comunicaciones asincrónicas de los últimos 50 años. Permitir que unidades muy distantes operen con cierta independencia era una consecuencia necesaria de un mundo predigital. El consenso se convirtió en el sello distintivo de las organizaciones modernas.

Sin embargo, este enfoque presenta dos debilidades importantes.

El primero es la rapidez. Las decisiones pasan por un sinfín de abogados, equipos de marketing, RR.PP., relaciones con los inversores, gestores de riesgos y departamentos de cumplimiento normativo, cada uno de los cuales tiene incentivos para mitigar el riesgo personal y organizativo. Las iniciativas audaces se suavizan, el tiempo de reacción se ralentiza y la organización se orienta hacia la defensa en lugar de hacia la rapidez. En una era de transparencia digital, salvo el CEO, repartir la responsabilidad entre los comités asíla a los líderes del espectáculo público del fracaso. La gestión por consenso es la cultura de las aguas tranquilas: colegiada, reactiva al riesgo y optimizada para la estabilidad en lugar de la rapidez.

La segunda es que distorsiona la información. En nuestro trabajo en docenas de procesos de reestructuración empresarial, la amenaza más peligrosa para una empresa solía ser el filtrado sistemático de la realidad a medida que la información asciende a través de los distintos niveles de la dirección. En cada etapa del proceso de consenso, los «guardianes» filtran e interpretan la información, y las señales se degradan. Para cuando llega a la alta dirección, la información ha sido seleccionada, suavizada y despojada de las señales débiles que a menudo encierran pistas fundamentales para la estrategia óptima. A continuación, el equipo directivo comete el grave error de confiar en el resultado. El resultado es lo que denominamos «teatro del éxito»: cuadros de mando semanales e informes aislados elaborados por mandos intermedios cuyas carreras dependen de la protección del statu quo.

La IA nos empuja hacia aguas más turbulentas y convierte ambas debilidades en riesgos críticos. En primer lugar, porque acelera rápidamente el ritmo al que las empresas pueden —y deben— operar. Y en cuanto a la segunda, porque cuanto más acelera la IA los ciclos de decisión, más se convierte el trabajo a partir de información filtrada y degradada —el tipo de distorsiones que genera la gestión del consenso— en un último crítico. Juntas, crean una organización que es a la vez lenta y ciega: una combinación peligrosa en cualquier época, pero fatal en la era de la IA.

De cara al futuro, el éxito dependerá de la agilidad organizativa: la rapidez con la que las empresas detecten las señales, tomen decisiones y las pongan en práctica. Las empresas tradicionales deben dejar atrás el consenso y reorganizarse en torno a nuevas estructuras y métodos de toma de decisiones que se adaptan a la era de la IA. No es una tarea fácil y es comprensible que los líderes se sientan intimidados por ella. Los CEOs de empresas como Walmart y Coca-Cola han afirmado que el alcance de la transición hacia la IA influyó en su decisión de retirarse y ceder el testigo a la siguiente generación de líderes. Pero la transformación no es negociable. Basándonos en nuestra experiencia como operadores, consultores e inversores, esto es lo que recomendamos a los líderes que hagan ahora.

La arquitectura de la velocidad.

Los líderes deben rediseñar sus organizaciones en torno a una arquitectura de toma de decisiones diferentes e invertir en sistemas de información avanzados basados ​​en la inteligencia artificial. Proponemos dos cambios estructurales que los consejos de administración y los CEOs pueden implementar de inmediato. Y sabemos que funcionan porque los hemos utilizado nosotros mismos para nuestros clientes y nuestras propias empresas.

El «Scrum autónomo»

La mayoría de las organizaciones permiten a los equipos pequeños hacer recomendaciones. Las organizaciones de alta velocidad les permiten actuar. Esto, por supuesto, requiere reajustar las prioridades, además de modificar la estructura de toma de decisiones. Los líderes deben estar dispuestos a tolerar errores más frecuentes en aras de la rapidez y la innovación, ya valorar las estrategias bien pensadas incluso cuando fracasan. También exige que los líderes cedan parte de su poder.

En nuestra opinión, estas compensaciones son esenciales. Si bien los sensores de vanguardia y los sistemas de información sólida aportan gran parte de la solución, los equipos compactos con objetivos bien definidos producen mejores resultados. Por ello, los equipos scrum de entre seis y ocho personas —interdisciplinares, con autonomía y libres de las cadenas burocráticas de aprobación— deben convertirse en la norma organizativa, y no en la excepción. Este enfoque se basa en la metodología ágil, pero se aleja de ella en un aspecto fundamental: los equipos de scrum tradicionales recomiendan y elevan las cuestiones; el Scrum Autónomo es responsable de los resultados. El cambio de la autoridad consultativa a la autoridad decisoria es fundamental, ya que cada nivel de aprobación supone una forma de impedimento. El papel del liderazgo consiste en proporcionar el entorno de datos y las herramientas en las que los scrums puedan tomar buenas decisiones, y en exigir una justificación con plazos definidos y respaldada por pruebas para cualquier veto.

Sabemos que esto funciona. Durante la quiebra de United Airlines entre 2002 y 2006 —una de las reorganizaciones empresariales más grandes y complejas de la historia de Estados Unidos—, organizamos la reestructuración basándonos precisamente en esta estructura. No los llamábamos «scrums», sino «grupos de trabajo». Pero la estructura era idéntica: equipos interdisciplinarios de entre seis y diez personas, formados por acreedores, directivos, trabajadores y profesionales externos, a cada uno de los cuales se le asignaba una tarea concreta y trascendental.

A un grupo se le recomendó la renegociación de 660 contratos de arrendamiento de aeronaves. Otro se utiliza de los convenios colectivos de varios sindicatos. Un tercero se centró en el sector inmobiliario. A un cuarto se le asignó la tarea de recaudar 2.000 millones de dólares en financiación de salida. Seis grupos en total, cada uno de los cuales se reunía dos veces al mes y disponían de una amplia libertad de actuación, partiendo de la premisa de que sus recomendaciones serían adoptadas. El papel de la dirección consistía en supervisar, orientar y crear las condiciones necesarias para el éxito, no en cuestionar cada decisión.

Lo que hizo que funcionara no fue solo la estructura, sino la comprensión compartida de lo que estaba en juego. UAL contaba con 75 años de historia, 83 000 empleados y prestaba servicio a 70 millones de pasajeros al año. El fracaso no era algo abstracto. Incluso los adversarios tradicionales —acreedores, sindicatos, directivos y profesionales externos— se toman en serio sus responsabilidades. La estructura de grupos de trabajo liderada finalmente a la fusión con Continental Airlines, un resultado que habría sido imposible en una organización gestionada de forma tradicional.

Los riesgos de que esta arquitectura diera lugar a una decisión subóptima palidecen ante la parálisis que supone una deliberación interminable. Los agentes de IA dotan al Scrum Autónomo de un ejército de expertos, un profundo conocimiento de la materia y una retroalimentación casi instantánea sobre qué acciones están produciendo resultados positivos.

El marco OVIS para los derechos de decisión.

Cuando las decisiones son fruto del consenso, la responsabilidad resulta difícil de atribuir. Hemos tenido éxito con un enfoque diferente: el marco OVIS. Una persona es la responsable de la decisión. Dos o tres personas pueden vetarla o influir en ella. Todos los demás apoyan el resultado. No se trata de un matiz sutil del consenso, sino de su sustitución deliberada. OVIS elimina la ambigüedad sobre quién decide, que es el mecanismo principal por el que la cultura del consenso se perpetúa. Cuando la responsabilidad se difumina, la rapidez es imposible.

En la práctica: la facultad de veto recae en uno o dos responsables de la toma de decisiones, quienes pueden bloquear formalmente una decisión. La influencia recae en aquellas personas cuyas aportaciones deben tener en cuenta el responsable, pero cuya aprobación no es necesaria. Esta distinción es de vital importancia; confundir ambos conceptos recrea el problema del consenso que OVIS está diseñado para resolver. El responsable es el encargado de responder por el resultado, y esa responsabilidad es lo que hace que el sistema funcione. Una y otra vez, hemos sido testigos del poder de este marco OVIS para aclarar funciones, acelerar la toma de decisiones y eliminar —o al menos reducir de manera significativa— el veto de bolsillo, que algunos colegas emplean por la creencia personal de que «esto debe acabar».

Somos partidarios del aforismo de gestión que suele atribuirse a Jeff Bezos : «Discrepar y comprometerse». El marco OVIS proporciona una estructura —con roles y responsabilidades definidas— para el desacuerdo. Y luego cede el poder de decisión a la «O», obligando a todos los demás a comprometerse con esa decisión. La IA no tomará la decisión, pero puede organizar la información, simular el resultado y cuestionar las suposiciones. Debe haber un ser humano en el proceso para minimizar los errores, reconocer las alucinaciones y garantizar la aplicación del sentido común. Al menos hoy en día.

Lo que deben exigir los consejos de administración

Aunque la CEO y su equipo directivo deben llevar a cabo estos cambios, es poco probable que esto suceda sin un consejo de administración compuesto por personas verdaderamente convencidas, que no se sientan incómodas ante radicales. La mayoría de los CEOs en el cargo son reacciones a dar un giro brusco, a enfrentarse al equipo que han construido con tanto esfuerzo oa destituir a quienes no logran adaptarse. Es natural ser paciente, dar tiempo al tiempo y mantener la esperanza. Pero la inteligencia artificial no tolerará nada de esto y los competidores serán implacables a la hora de hacerse con cuota de mercado.

Los consejos de administración no pueden seguir funcionando como lo hacían en la era anterior a la IA. Si se basan en informes filtrados y aprobados por comités de la alta dirección, no están ejerciendo su función de gobernanza, sino que están perpetuando el campo de distorsión. El deber fiduciario de supervisión exige ahora algo más incómodo: un acceso sin filtros a señales en tiempo real que eludan los resúmenes ejecutivos, como experimentos breves y delimitados con métricas de éxito claras y responsabilidad.

Disponer de más información no es una invitación a entrar. La postura por defecto debería consistir en dar autonomía al equipo de Scrum y no interferir, reservando las deliberaciones del consejo de administración para adquisiciones importantes, contrataciones que definen la cultura de la empresa y dilemas éticos. Sin embargo, lo que está en juego en estas decisiones es, en estos momentos, de una importancia capital. En momentos de transformación industrial —y la IA puede ser la más trascendental en una generación— estas decisiones reajustan la trayectoria de la organización durante años, remodelando simultáneamente la estrategia, la plantilla y las operaciones. Si se acierta, en retrospectiva parecerá una genialidad. Si se falla, y sin señales tempranas y sin filtros, las correcciones de rumbo pueden llegar demasiado tarde para que tengan importancia.

Lo que los consejos de administración deben preguntarse es: ¿Contamos con un equipo directivo capaz de tomar decisiones y ejecutarlas a este ritmo? Esta pregunta es una prueba de supervivencia. El consenso es el sello distintivo del statu quo, y el statu quo es el lugar más peligroso en el que uno puede encontrarse durante un período de cambio exponencial.

Los ejecutivos que prosperan en este entorno compartirán una disposición particular. Se sentirán cómodos —incluso entusiasmados— tomando decisiones trascendentales con información incompleta. Confiarán en las señales más que en el instinto, en la rapidez más que en los procesos, y en los equipos reducidos más que en el consenso. Exigirán un entorno de retroalimentación continua y reconocerán que el mayor pecado no es tomar una decisión equivocada, sino no tomar ninguna decisión.

En esencia, se trata de una prueba de carácter más que de capacidad o inteligencia. En una ocasión nos encontramos con un CEO que se encontraba en plena reestructuración y que sostenía, con auténtica convicción, que sus puntos se adaptaban mejor al crecimiento que a la crisis. «Eso es como ser un general en tiempos de paz», le dijimos. Al día siguiente fue sustituido. La anécdota resulta instructiva no por su desenlace, sino por la psicología que revela; incluso cuando la organización estaba fracasando, el modelo mental del líder permanecía anclado en un mundo que ya no existía.

La tecnología necesaria para competir al ritmo de la IA ya existe y no hará más que cobrar mayor importancia. Lo que parece escasear es la voluntad genuina de desmantelar las estructuras organizativas y las culturas de liderazgo que ya no resultan útiles. La Gran Reorganización de la IA no la ganarán las empresas con mayor capacidad de cálculo ni las que cuenten con mayores recursos económicos. La ganarán aquellas que tengan la lucidez necesaria para ver lo que exige el nuevo entorno y el valor para construirlo.

Leer más sobre Gestión o temas relacionados Inteligencia artificial y aprendizaje automático, Tecnología y análisis, Juntas directivas, Colaboración y equipos, Transformación digital, Liderazgo y gestión de personas, IA generativa, Algoritmos y Análisis y ciencia de datos

Jonathan Rosenthal es presidente y director ejecutivo de Saybrook, una firma de capital riesgo con 30 años de trayectoria, en la que ha realizado inversiones de control o ha dirigido procesos de reestructuración y transformación en sectores complejos y con gran intensidad de activos. Entre sus funciones de liderazgo se incluyen casos emblemáticos como Pacific Gas and Electric Company, Kmart y United Airlines, en los que ha ayudado a las organizaciones a reinventar su estrategia, sus operaciones y su gobernanza ante cambios existenciales en el sector. Durante los últimos cinco años ha dedicado su tiempo a la aplicación de la inteligencia artificial y la informática avanzada para transformar negocios tradicionales.

Neal Zuckerman es director general y socio principal de Boston Consulting Group, y antiguo responsable de la práctica global de medios de comunicación de la empresa. Fundó y preside el Instituto Global para el Futuro de la Televisión y el Streaming de la empresa. Ha ayudado a algunas de las mayores empresas de medios tradicionales a reinventarse a medida que el sector evolucionaba de la radiodifusión al cable y al streaming bajo demanda, y ahora ayuda a los clientes a afrontar los efectos de la inteligencia artificial en los medios de comunicación y el entretenimiento. El Sr. Zuckerman es también el miembro más antiguo de la Junta de la MTA de Nueva York, donde ocupa el cargo de presidente del Comité de Finanzas. Es ex capitán del Ejército de los Estados Unidos y se graduó en la Harvard Business School.

Doxa 2495

Cómo ayuda la IA a ampliar la investigación cualitativa de clientes

Por Jeremy Korst, Stefano Puntoni y Olivier Toubia

IA generativa

Harvard Business Review

#Doxa #InvestigaciónCualitativa #InteligenciaArtificial #AnálisisDeSentimientos #ProcesamientoDeLenguajeNatural #TranscripciónAutomática #CodificaciónPredictiva #InsightsDeClientes #AnálisisTemático #ReconocimientoEmocional #AutomatizaciónDeEntrevistas #DetecciónDePatrones #InvestigaciónDeUsuarios #AnálisisDeVideo #EscalabilidadDeDatos #InterpretaciónEstratégica

Resumen. Los entrevistadores basados ​​en inteligencia artificial permiten a las empresas mantener conversaciones enriquecedoras y adaptativas con millas de participantes de forma rápida y económica. Estos sistemas no solo revelan lo que piensan los clientes, sinoTambién por qué lo piensan, captando matices emocionales, comportamientos en la vida real y respuestas sinceras, especialmente en temas delicados o entre grupos de difícil acceso. Además, reduce los plazos de investigación de semanas o meses a días, lo que hace posible la generación continua de información en tiempo real. Aunque no sustituye por completo a los investigadores humanos, la moderación mediante IA amplía los ámbitos y las formas en que se pueden utilizar los conocimientos cualitativos, lo que permite que estos influyan en muchas más decisiones empresariales que antes.

Para tomar buenas decisiones, las empresas necesitan información sobre las preferencias y el comportamiento de los clientes. Por lo tanto, la función de investigación de mercados es fundamental para el éxito comercial, pero adolece de un problema de siempre: el proceso de recopilación de datos de los consumidores suele ser difícil, lento y costoso. La buena noticia es que la IA generativa promete mejorar esta situación.

Los modelos de lenguaje grande (LLM), en particular, están permitiendo superar la dicotomía tradicional entre amplitud y profundidad. Los métodos cuantitativos (por ejemplo, las encuestas) ofrecen escala y poder estadístico, pero dependen en gran medida de autoinformes estandarizados que proporcionan solo una visión superficial de la experiencia vivida. La investigación cualitativa (por ejemplo, las entrevistas en profundidad) ofrece una visión más rica de cómo piensan, sienten y deciden las personas, pero es de pequeña escala y poco adecuada para la generalización.

Los entrevistadores basados ​​en modelos de lenguaje grande (LLM) están ayudando a las empresas a superar esta disyuntiva. Permiten a los investigadores llegar a un gran número de encuestados —a una escala comparable a la de las encuestas cuantitativas— al tiempo que captan gran parte de los matices, el contexto y la riqueza interpretativa que tradicionalmente se asocian a las entrevistas en profundidad. Además, los LLM pueden aportar conocimientos que serán muy difíciles, y en ocasiones incluso imposibles, de obtener con los enfoques tradicionales.

El verano pasado, analizamos cómo la IA generativa está transformando la recopilación, la creación y el análisis de información de mercado. Esto abarcaba desde el apoyo a las prácticas actuales hasta su sustitución por nuevos métodos y datos sintéticos. Varios meses después, profundizamos en el tema, analizando cómo los «personajes sintéticos» y los «gemelos digitales» generados por la IA generativa pueden servir como sustitutos de los consumidores reales en investigaciones y experimentos. En este artículo abordamos un ámbito en el que la IA generativa ya ha superado la fase de programas piloto y estudios académicos: la investigación cualitativa. Las empresas están utilizando ahora «moderadores» de IA generativa para realizar entrevistas en profundidad con personas reales a una escala y velocidad que los métodos tradicionales no pueden alcanzar.

La investigación cualitativa siempre ha sido la fuente más rica de información sobre los clientes, y la más difícil de ampliar. El costo relativamente elevado, los plazos prolongados y el reducido tamaño de las muestras de las entrevistas cara a cara han dejado a los líderes empresariales en una encrucijada: valoran la profundidad de los hallazgos cualitativos, pero les cuesta actuar en consecuencia con la misma confianza que depositan en los datos cuantitativos estructurados y estadísticamente significativos. Los directivos llevan mucho tiempo buscando un enfoque que ofrezca tanto la riqueza contextual de una conversación en profundidad como la amplitud y la estructura de una encuesta, a ser posible a un costo menor.

Una oleada de start-ups nativas de IA pretende impulsar por fin esa convergencia, y la comunidad de capital riesgo ha tomado nota. Durante el último año, por ejemplo, Outset, Listen Labs y Simile han recaudado cada una entre 50 y 100 millones de dólares de fondos de capital riesgo de primer nivel. Estos son solo tres de las muchas empresas que utilizan la IA generativa no solo para reducir el costo y la duración de los proyectos de investigación cualitativa, sino para hacer posible una investigación que antes simplemente no podía llevarse a cabo. A continuación, informaremos sobre el estado actual del sector y ofreceremos un marco de referencia para ayudar a los directivos a evaluar y orientarse en el prometedor conjunto de herramientas de moderación de la IA.

Cuando se necesita el «porqué» que hay detrás de las cifras

Quizás la aplicación más significativa de las entrevistas moderadas por IA sea su capacidad para combinar la profundidad cualitativa con la amplitud cuantitativa, al permitir ampliar la investigación cualitativa —una capacidad difícil de alcanzar que los profesionales llevan mucho tiempo deseando—.

Microsoft demostró recientemente el potencial de esta capacidad en su esfuerzo por comprender las percepciones de los consumidores sobre sus productos en comparación con los de la competencia. El sistema tradicional de seguimiento de marca de la empresa podía indicar al equipo qué percepciones estaban cambiando en la categoría de IA, pero no por qué.

Mediante el uso de Listen Labs para llevar a cabo más de 250 entrevistas con tres públicos diferentes, Microsoft puso una prueba lo que internamente denomina «Frontier Listening», un programa de entrevistas semiestructuradas y de funcionamiento continuo que recoge tanto la profundidad cualitativa de las respuestas abiertas como métricas cuantificables en un único flujo de trabajo. «Este nuevo enfoque nos permite combinar profundidad, escala y rapidez en un único flujo de trabajo, sacando a la luz los matices más sutiles de los clientes en cuestión de días en lugar de semanas», nos explicó Rob Graves, director sénior que supervisó el proyecto de Microsoft. «Al recopilar y sintetizar continuamente las perspectivas de los clientes, convierte los comentarios en información útil que guía las decisiones de todos los equipos en tiempo real, al tiempo que reduce la dependencia de ciclos de investigación esporádicos y más lentos».

Conscientes de que los cuadros de texto tradicionales a menudo no logran captar los matices emocionales necesarios para crear perfiles sintéticos de alta fidelidad, una de nuestras empresas (la de Jeremy), GBK Collective, se comercializa con Twinloop, una empresa emergente dedicada al desarrollo de métodos de investigación basados ​​en la inteligencia artificial, para comparar sus entrevistas de voz moderadas por IA con las encuestas escritas estándar.

Los resultados fueron contundentes: las respuestas verbales fueron, de media, siete veces más largas que las escritas. La capacidad de la IA para indagar activamente y dar seguimiento a sentimientos específicos permitió alcanzar un nivel de «empatía escalada» poco habitual en la investigación cuantitativa, lo que hizo posible transformar datos de encuestas planos en narrativas ricas y multidimensionales.

El término «escala» puede tener distintos significados según el contexto. En muchas ocasiones, se refiere a la cobertura global. Anthropic, por ejemplo, anunció recientemente que había utilizado su «Anthropic Interviewer», basado en Claude, para realizar más de 80 000 entrevistas a usuarios de 159 países y en 70 idiomas, mediante una combinación de preguntas abiertas predeterminadas y preguntas de seguimiento generadas dinámicamente. «La IA nos ha permitido recopilar entrevistas abiertas y exhaustivas a una escala extraordinaria», informó la empresa. «Este enfoque resuelve la típica disyuntiva en la investigación cualitativa entre profundidad y volumen».

A veces, las ideas más valiosas que surgen de las entrevistas se producen cuando los investigadores humanos se salen del guion o profundizan con preguntas más específicas en tiempo real. Las entrevistas moderadas por IA pueden reproducir esta dinámica a gran escala.

Eso es exactamente lo que ocurrió cuando Sweetgreen colaboró ​​con Listen Labs para averiguar qué esperaban los clientes de su menú. La IA de Listen Labs descubrió que los clientes no solo deseaban una mayor cantidad de determinados macronutrientes (como las proteínas), sino también una mayor capacidad para ver y personalizar los ingredientes de su comida. Esos datos influyeron directamente en la decisión de Sweetgreen de lanzar una nueva herramienta de seguimiento de macronutrientes integrada en la aplicación.

Según Jonathan Neman, CEO de Sweetgreen, gracias al uso de la IA generativa, la empresa pudo llevar a cabo su estudio a un tercio del costo, con cinco veces más respuestas y con unos resultados obtenidos aproximadamente cinco veces más rápido. De hecho, lo que en el pasado habría sido un ciclo de investigación de varias semanas se redujo a unos pocos días.

Cuando es necesario ver lo que las personas no pueden decir

La mayoría de las plataformas de entrevistas moderadas por IA se basan en grandes modelos de lenguaje y, por lo tanto, se centran internamente en lo que dicen los participantes. Sin embargo, algunas de las aplicaciones más prometedoras captan lo que la gente hace y siente.

Conveo, una empresa surgida de Y Combinator, ha desarrollado capacidades de inteligencia artificial precisamente para eso. En una colaboración reciente con Unilever, la empresa llevó a cabo entrevistas en vídeo a través del móvil, con tecnología de inteligencia artificial, a consumidores en sus propias cocinas, lo que permitió a Unilever tanto recabar información verbal como observar los comportamientos y actitudes reales en sus contextos naturales mediante análisis de vídeo multimodal. A continuación, la plataforma utilizó esos datos para generar perfiles sintéticos que los equipos de innovación y análisis de Unilever pudieron consultar de forma interactiva para poner a prueba conceptos adicionales. El proceso comprimió lo que normalmente llevaría meses de investigación convencional en ciclos rápidos, dando lugar finalmente a dos conceptos de producto que obtuvieron las resultados más altas posibles en la validación cuantitativa.

Cuando el tema es demasiado delicado para un entrevistador humano

Una de las ventajas más sorprendentes de la IA en la investigación cualitativa no tiene nada que ver con la velocidad ni con el coste. Más bien se debe a que las personas pueden sentirse más cómodas abbriéndose ante un entrevistador de IA que ante uno humano. Cuando la investigación aborda cuestiones de salud, inseguridades personales u otros temas delicados, resulta que los entrevistados a menudo se muestran evasivos, eluden las preguntas o, sencillamente, no acuden a la entrevista.

Una empresa líder en el sector de la salud masculina lo descubrió de primera mano. El intento de llevar a cabo una investigación cualitativa tradicional con hombres que padecían disfunción eréctil, junto con sus parejas, resultó ser prácticamente imposible. Los participantes no concertaban entrevistas, no acudían a ellas o se negaban a encender la cámara. Sin embargo, cuando la empresa pasó a realizar entrevistas en vídeo moderadas por IA, con la ayuda de Outset, los participantes se mostraron más comunicativos y proporcionaron una visión en profundidad a la que la empresa no habría podido acceder de otra manera.

Listen Labs se encontró con una dinámica similar al trabajar con la marca de ropa Chubbies, que deseaba hablar con niños pequeños para comprender cómo realizar el marketing de una nueva línea de ropa. Descubrieron que los niños suelen mostrarse más comunicativos con un entrevistador de IA que con un desconocido.

Este patrón sugiere un principio que va en contra de lo que cabría esperar: en contextos en los que el factor humano de la investigación puede generar incomodidad o fricciones sociales, un entrevistador basado en IA suele obtener información más valiosa que una persona real. Varios artículos académicos recientes han confirmado esta conclusión. En un estudio, por ejemplo, cuando los participantes en la investigación creían que estaban interactuando con una persona simulada en lugar de con una real, manifestaron menos temor a ser juzgados, se preocuparon menos por causar una buena impresión y se mostraron más abiertos a la hora de revelar información.

Cuando es difícil contactar con los encuestados o concertar una cita

La investigación cualitativa tradicional parte del supuesto de que los participantes pueden dedicar hasta una hora o más a interactuar con un entrevistador en un momento que convenga a ambas partes. Esa suposición no se cumple en el caso de muchos de los públicos de gran valor que las empresas más desean comprender.

Doximity, una comunidad médica en línea, se enfrentó a una variante de ese desafío. Sus clientes objetivo —principalmente médicos, cirujanos y enfermeros— simplemente no podían reservar tiempo para entrevistas en directo debido a sus dinámicas agendas diarias. Sin embargo, gracias a Outset, los profesionales sanitarios pudieron hacer clic en un enlace y completar entrevistas preprogramadas cuando les resultaba más conveniente, entre un paciente y otro oa última hora de la noche. El resultado no fue solo un mayor número de entrevistas, sino entrevistas con personas que probablemente nunca habrían participado en un estudio tradicional.

El camino por delante

Consideramos que estos enfoques basados ​​en la inteligencia artificial amplían considerablemente las oportunidades de obtener información cualitativa valiosa, en lugar de sustituir por completa a la entrevista tradicional dirigida por personas. En muchos casos, ambos métodos funcionarán bien en conjunto. Algunos temas seguirán requiriendo la conexión y la confianza que solo puede generar el contacto humano, como el trabajo etnográfico con matices emocionales o la investigación en la que la experiencia o la credibilidad del entrevistador forman parte de la propia metodología (por ejemplo, investigaciones B2B complejas). Sin embargo, para los responsables que evalúan en qué ámbitos las entrevistas cualitativas moderadas por IA pueden aportar un valor inmediato, los casos anteriores sugieren un marco práctico.

La moderación mediante IA se encuentra aún en una fase incipiente. Al igual que con cualquier nueva herramienta de medición, será importante establecer claves métricas, como la confiabilidad test-retest y la validez externa. También resultará útil determinar en qué medida cualquier beneficio derivado de la moderación mediante IA proviene de la modalidad de interacción (por ejemplo, IA frente a humano, voz frente a texto) o del contenido de la interacción (por ejemplo, la capacidad del agente para adaptar las preguntas y profundizar en ellas). La investigación académica sobre estos temas sigue en curso. En esta etapa, antes de comprometerse con la moderación mediante IA, se recomienda a los responsables establecer una prueba de concepto, tal vez comparando la moderación mediante IA con los métodos tradicionales utilizando una muestra reducida.

De cara al futuro, prevemos que las capacidades de moderación basadas en la inteligencia artificial se combinarán cada vez más con los enfoques de «personas sintéticas» y «gemelos digitales» que hemos analizado en nuestros artículos anteriores. De hecho, empresas como Simile.ai y Twinloop utilizan entrevistas moderadas por IA para recopilar los datos necesarios para crear gemelos digitales, que posteriormente se implementan en diversos casos de uso. Esta profundidad es fundamental para entrenar a la próxima generación de gemelos digitales. Con el fin de validar rigurosamente este vínculo entre datos más profundos y mejores predicciones, GBK ha puesto en marcha un nuevo estudio en colaboración con la Columbia Business School y Twinloop para determinar qué datos de entrenamiento, combinados con qué modalidades de entrevistas de encuesta, producen los gemelos digitales más precisos desde el punto de vista empírico.

Los investigadores también han comenzado a explorar la creación de rostros sintéticos para estos gemelos digitales: rostros diseñados para parecerse en cierta medida a cómo podrían ser las personas, teniendo en cuenta lo que se sabe sobre su personalidad. Ya se dispone de la tecnología necesaria para animar estos rostros y crear avatares de gemelos digitales con los que los profesionales del marketing podrán realizar entrevistas cualitativas cuando les resulte conveniente: avatares que imitan los pensamientos, los comportamientos e incluso las expresiones de los consumidores reales. Cuando eso suceda, la moderación de la IA habrá hecho posible que los agentes de IA actúen como profesionales del marketing que hablan con consumidores reales y como consumidores que hablan con profesionales del marketing reales.

...

La principal ventaja de los moderadores de IA es su capacidad para ampliar el alcance de la investigación cualitativa. Además, permiten a las empresas aplicar la investigación cualitativa en contextos en los que antes no era viable: las decisiones rápidas sobre productos, las revisiones estratégicas a mitad de ciclo o la entrada en un mercado en el que no hay tiempo ni presupuesto para un estudio tradicional. El resultado será un mayor número de conocimientos cualitativos que se incorporarán a decisiones que antes se tomarán basándose únicamente en datos cuantitativos o, lo que es peor, en el instinto.

Lea más sobre IA generativa o temas relacionados Inteligencia artificial y aprendizaje automático, Informática empresarial, Ventas y marketing, Marketing, Investigación de mercado, Comportamiento del consumidor, Innovación, Experimentación, Innovación disruptiva y Algoritmos

Jeremy Korst es el fundador de Mindspan Labs, una consultora e incubadora dedicada a la transformación mediante la inteligencia artificial. Anteriormente, ocupó puestos ejecutivos sénior en Microsoft y T-Mobile. También es socio de GBK Collective, que proporciona información estratégica a marcas globales. Es coautor del estudio anual de la Wharton School sobre la adopción de la inteligencia artificial en las empresas.

Stefano Puntoni es profesor de marketing en la Wharton School de la Universidad de Pensilvania y codirector de Wharton Human-AI Research.

Olivier Toubia es profesor de marketing en la Columbia Business School y un líder reconocido en el campo del marketing cuantitativo.