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.


Doxa 2494

Para tener éxito con la IA, hay que dominar los fundamentos

Cinco principios atemporales que se refuerzan mutuamente y que toda empresa debe comprender correctamente

Por Thomas C. Redman
Tecnología y análisis
Harvard Business Review

#Doxa #IA #InteligenciaArtificial #FundamentosIA #TransformaciónDigital #EstrategiaEmpresarial #InnovaciónTecnológica #DatosCalidad #AutomatizaciónInteligente #AprendizajeAutomático #ÉticaIA #LiderazgoDigital #CulturaDataDriven #AdaptabilidadOrganizacional #ValorDeNegocio #FuturoDelTrabajo
Resumen. En lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que están sentando bien las bases. En concreto, deben centrarse en aplicar cinco principios atemporales deGestión de la calidad que se refuerzan mutuamente: la orientación centrada en los clientes, el enfoque en los procesos, el compromiso de actuar calculando en los hechos, una filosofía de mejora continua y el reconocimiento de que la calidad se consigue a través de las personas. Esto puede parecer engañosamente sencillo, pero las cosas sencillas suelen ser difíciles. Lograr que estos principios funcionen requiere que los líderes —a todos los niveles— se opongan al espíritu de prisa y precipitación del momento y reflexionen profundamente sobre sus organizaciones con la mirada puesta en el largo plazo.
Las personas y las empresas inteligentes caen en una trampa habitual en lo que respeta a la IA: la falsa creencia de que añadir una capa de IA a sus procesos actuales ocultará, en lugar de revelar, una multitud de errores del pasado. Aunque saben perfectamente que «si entran datos erróneos, salen datos erróneos», se imaginan inmunes a los errores, las alucinaciones y la insatisfacción de los clientes. Creen que sus datos son mejores que los medios, a pesar de la escasa inversión, o que la intervención humana resolverá cualquier problema que surja más adelante.

¿Por qué líderes que, por lo demás, son perspicaces sucumben a este tipo de pensamiento mágico? En pocas palabras, se dejan seducir por la promesa de que la IA es, de alguna manera, una fuente de dinero fácil. Cuando los proyectos se estancan y los beneficios no llegan, buscan una solución en un nuevo director de datos, una nueva tecnología o un proveedor diferente. Cuando nada más funciona, lanzan un vago llamamiento a «cambiar la cultura».

Están mirando en la dirección equivocada. Aunque muchos dicen todo lo correcto, están restando importancia a las personas, los datos, los clientes, la calidad y el propósito empresarial. Piénselo: aunque prácticamente todo el mundo está de acuerdo en que «los datos de alta calidad son la base de la IA», ¿cuántas empresas siguen sin tomar las medidas adecuadas? ¿Cuántos cuentan con procesos que tengan seriamente en cuenta los deseos, las aspiraciones y las necesidades de los destinatarios del trabajo generado por la IA? No es de extrañar que el trabajo de mala calidad sea tan habitual.

En lugar de preocuparse por si están adoptando la IA con la suficiente rapidez, a la mayoría de las empresas les convendría más asegurarse de que están sentando bien las bases. Como asesor de empresas de todo el mundo desde hace unos 35 años, les he ayudado a adaptar y aplicar a los datos cinco principios básicos atemporales de la gestión de la calidad que se refuerzan mutuamente: la orientación centrada en los clientes, el enfoque en los procesos, el compromiso de actuar aumentarán en los hechos, una filosofía de mejora continua y el reconocimiento de que la calidad se consigue gracias a las personas.

Esto puede parecer engañosamente sencillo, pero las cosas sencillas suelen ser difíciles. Para hacerlo bien, es necesario que los líderes —a todos los niveles— se opongan al espíritu de precipitación que impera en estos momentos y reflexionen en profundidad sobre sus organizaciones con una visión a largo plazo. Adoptar una nueva tecnología o idea es emocionante y genera una sensación de impulso hacia adelante. Sin embargo, la adopción de la IA es un medio para alcanzar un fin, no un fin en sí mismo. Para que funcione, los líderes deben asegurarse primero de sentar unas bases sólidas.

Analizamos cada uno de ellos por separado.

Satisfacer a los clientes, tanto internos como externos.
Según mi experiencia, la IA actúa como un acelerador. Sean cuales sean los puntos fuertes y débiles de las relaciones actuales, la IA las potenciará. Si los clientes de pago perciben a su empresa como fría y distante, la IA les convencerá aún más de que usted no tiene ningún interés en ellos personalmente. Si los empleados no colaboran bien entre departamentos, la IA hará que hacerlo resulte aún más difícil. Hay mucho que perder.

Por otro lado, muchos clientes mantienen excelentes relaciones con uno o varios representantes de atención al cliente. La IA puede enriquecer esas relaciones. Además, es de esperar que la IA dé lugar a mejores productos y servicios. Por lo tanto, ¡también existe una oportunidad real!

La pregunta fundamental aquí es: ¿está ofreciendo a los clientes lo que necesitan y desean?

Normalmente pensamos en los clientes como entidades externas : clientes que pagan, organismos reguladores y otros stakeholders. Sin embargo, para sentar unas bases sólidas, resulta útil ampliar esta definición e incluir también a los clientes internos , en el sentido de «las personas que utilizarán su trabajo para realizar el suyo», ya sea la siguiente persona, departamento, equipo, aplicación o agente de la cadena. Satisfacer sus necesidades significa que pueden realizar su trabajo de forma más eficaz y eficiente, sin cuestionar su trabajo (o, en términos de IA, sin tener que lidiar con «imperfecciones»). Cuando se aplica de manera coherente en toda la empresa, tanto las personas como la empresa son más eficaces y eficientes.

A lo largo de mi carrera, lo que más impacto ha tenido ha sido conseguir que las personas y las empresas «piensen de forma diferente sobre los clientes».

Consideramos un sencillo ejemplo hipotético del uso práctico de la IA. Sarah, una directora, va retrasada con las evaluaciones de rendimiento y, de todos modos, no se le dan muy bien. Le pide a Gemini que «redacte una evaluación para Tim, un analista que realiza un trabajo sólido, pero que debe mostrarse más asertivo en las reuniones». Gemini genera tres párrafos muy bien redactados, mucho más elocuentes de lo que Sarah podría escribir.

Tanto Tim como el departamento de RR. HH., que se consideran clientes según la definición anterior, se dan cuenta. Tim desea un ascenso y no recibe el asesoramiento específico que necesita para lograrlo; se siente infravalorado. El departamento de RR. S.S. observa que Sarah no está respaldando una iniciativa corporativa destinada a ofrecer comentarios más constructivos. Sarah ha tachado una tarea de su lista de cosas por hacer y se ha ahorrado unos minutos, pero ambos clientes están insatisfechos. Cabe mencionar que, aparte de una pequeña ganancia en productividad, no se han atendido los intereses de Sarah. Y, mientras Sarah se esfuerza por recuperar la confianza de Tim, seguramente dedicará más tiempo del que se ahorró.

La IA ofrece muchas ventajas, pero por sí sola no puede saber quiénes son sus clientes ni discernir sus necesidades (que pueden ser contradictorias). Ignorar esa laguna garantiza prácticamente la insatisfacción de los clientes y el malestar que se deriva de las respuestas inadecuadas dentro de las empresas . Pocas empresas pueden permitirse esto, ya sea con clientes externos o internos. De hecho, el éxito de la IA depende tanto de la satisfacción del cliente como de cualquier otro factor.

Los líderes deben plantearse algunas preguntas fundamentales:
  • ¿Qué tipo de relaciones queremos establecer con los clientes externos?
  • ¿Cómo queremos trabajar juntos a nivel interno?
  • ¿Cómo podemos utilizar la IA para construir mejores relaciones? ¿Qué debemos evitar?
  • ¿Cómo nos aseguramos de contar con la capacidad adecuada para escuchar y responder a los clientes a medida que la IA transforma sus necesidades y relaciones?
  • ¿Cómo podemos experimentar con las interfaces entre la empresa y los clientes para crear otras mejores?
Llevará algún tiempo tomar todas las medidas adecuadas. Mientras tanto, los líderes pueden dar un primer paso indicando a quienes utilizan la IA (incluidos ellos mismos) que siguen dos pasos. En primer lugar, antes de pulsar «enviar» en cualquier mensaje, pregúntese:
  • ¿A quién va dirigida la respuesta?
  • ¿Cómo sería para ellos una buena respuesta?
En segundo lugar, ofrezca comentarios. En el ejemplo anterior, tanto Tim como el responsable de RR. S.S. guarda silencio. Sin embargo, Tim debe expresarse con mayor frecuencia para poder optar a un ascenso. En el caso del responsable de RR. HH., el hecho de no ofrecer comentarios supone un incumplimiento directo de la política del departamento.

Céntrese en el proceso
La mayoría de las personas y las empresas no están creando sus propios modelos. Por lo tanto, la única oportunidad real de obtener mejores respuestas es proporcionar mejores datos de entrada. Así, Sarah, en el ejemplo anterior, podría incluir lo siguiente en su mensaje:
  • La empresa quiere que los directivos ofrezcan comentarios más constructivos.
  • Quiero apoyar a Tim, pero también ser firme. Él necesita expresarse con más frecuencia y con más contundencia para avanzar en su carrera.
  • No soy una escritora experta, aunque a mucha gente le gusta mi tono desenfadado e informal.
En términos más generales, la IA necesita una gran cantidad de datos específicos de la empresa para ofrecer respuestas adecuadas a las necesidades concretas de esta. Por lo tanto, la pregunta fundamental que deben plantearse los líderes es: «¿Cómo se proporcionó a la IA el contenido confiable, el contexto y las conexiones de datos necesarias para ofrecer buenas respuestas, a gran escala ya un costo razonable?».

Ahí es donde entra en juego la gestión de procesos. De hecho, la gestión de procesos y la IA son la combinación perfecta : unos procesos bien gestionados facilitan tanto la implementación de la IA como la creación de los datos de alta calidad que esta necesita.

Las bases de datos de la mayoría de las empresas son bastante precarias y se deterioran cada día más. Los datos están dispersos y mal definidos, y resulta difícil conectar las diferentes fuentes. Según mi experiencia, las empresas hacen frente a los errores y al desorden mediante lo que yo denomino «fábricas de datos ocultos»: personas que acaban limpiando los datos erróneos una vez que estos se convierten en un problema para ellas.

Estos problemas se derivan directamente de la falta de procesos para construir bases de datos sólidas. Y cuanto más tardan los líderes en abordarlos, mayor se vuelve el problema.

Los líderes deben preguntarse: «¿Cómo proporcionó a la IA el contenido confiable, el contexto y las conexiones de datos necesarias para ofrecer respuestas buenas, a gran escala ya un costo razonable?».

No hay mucho que pueda hacer con respecto a los datos que ya ha creado, pero mejorar su gestión de cara al futuro le reportará beneficios. Esto implica desarrollar procesos con arquitecturas de datos inclusivas, vocabularios compartidos, gestión de identidades, modelos conceptuales, gráficos de conocimiento, estándares elevados para los nuevos contenidos y niveles cada vez mayores de intercambio de datos. Se trata de una tarea de gran envergadura que requiere una inversión considerable. La buena noticia es que unas bases sólidas perduran en el tiempo .

La expresión «mejores procesos» puede parecer un poco abstracta, pero, en realidad, suele referirse a los aspectos concretos que conforman la jornada laboral. Pensemos en alguien que utiliza una herramienta de IA para elaborar un informe. Dispone de sus datos: sus análisis, datos específicos de la empresa, etc. Luego está la herramienta en sí, que podría ser un modelo como Gemini. Y, por último, está lo que cree que el destinatario previsto —el cliente— necesita del resultado. Para ayudar a los empleados a producir un resultado bueno y confiable, las empresas podrían inculcarles el hábito de plantearse tres preguntas antes de pulsar «generar»:
  • ¿Qué datos me gustaría introducir en el aviso?
  • De esos, ¿cuáles son relativamente fáciles de incluir en el aviso? y
  • De todo ello, ¿en qué confio realmente?
Deberían incluir este tercer conjunto en el aviso. (Después, por supuesto, tendrán que leer la respuesta para asegurarse de que cumple los requisitos para considerar «buena»).

Actuar en función de los hechos (y medir lo que realmente importa)
Quizás la expresión más manida en el mundo empresarial sea: «No se puede gestionar lo que no se mide». Sin embargo, a lo largo de mi carrera, este principio parece ser el que más problemas plantea a las empresas. Disponen de demasiados indicadores (la mayoría de ellos mal definidos), los resultados no son aplicables, los propios indicadores no se ajustan bien a los objetivos empresariales y los directivos no son muy hábiles a la hora de interpretarlos.

Cuando se trata de utilizar la IA, sentar bien las bases significa empezar desde el principio y preguntarse continuamente: «¿Qué estamos tratando de lograr?». Para la mayoría de los líderes, las respuestas sinceras hoy en día son: «Estamos tratando de averiguarlo» (o «Estamos tratando de dar la impresión de que vamos por delante de la competencia»). Sin embargo, sus indicadores no concuerdan.

Me parece especialmente esclarecedora una anécdota que cuenta mi ocasional coautor Tom Davenport : el responsable de un proyecto observa que los empleados ahorran tiempo con Copilot , pero no sabe decir qué hacen con ese tiempo ganado. Por lo tanto, no puede citar las esperadas mejoras en la productividad como una ventaja de la IA.

Es un gran error. No tengo nada en contra de la productividad, pero sería una lástima que lo único que una empresa obtuviera de la IA fuera una reducción de plantilla. ¿Y si los empleados no eran más productivos, pero estaban más contentos porque se ha reducido su jornada laboral? ¿O que unas respuestas mejores ahorren tiempo a otro empleado? ¿O que una respuesta aclare una propuesta y la empresa consiga nuevos negocios? Esas posibilidades se ajustan más a «intentar averiguarlo». ¡Pero no encontrarás estos beneficios si no los buscas!

Los indicadores de productividad tratan la IA como una especie de herramienta del tipo «basta con conectarla para obtener beneficios», más parecida a una pistola de clavos que reemplaza al martillo que a la innovación esencialmente nueva que realmente es. Como tal, requiere un proceso de desarrollo y experimentación para descubrir todas las formas en que puede aportar valor. Los indicadores asociados deben reflejar esto.

A largo plazo, los líderes deben preguntarse con regularidad: «¿Qué estamos tratando de lograr?». Deberían aplicar esa pregunta a cada proyecto y preguntarse también si sus organizaciones cuentan con las competencias necesarias para definir los indicadores adecuados, establecer objetivos razonables e interpretar los resultados desde la perspectiva correcta. Recordemos que Amazon tardó nada menos que diez años en obtener sus primeros beneficios.

Los líderes deben adoptar un enfoque basado en el cuadro de mando integral , que abarque la satisfacción del cliente, la calidad de las respuestas, el ritmo y la penetración de la innovación, y los beneficios empresariales. Paralelamente, deben elaborar descripciones que reflejen las experiencias y los sentimientos de las personas. Además, deben profundizar lo suficiente para comprender qué funciona bien y qué no.

El primer paso inmediato es: centrar las métricas en si la IA está proporcionando buenas respuestas y si gusta tanto a los clientes internos como a los externos.

Adopte la mejora continua
Si bien la gestión de procesos proporciona una estructura global, mejorar realmente la calidad de los datos y definir mejores los procesos para que puedan automatizarse mediante la IA requiere numerosas pequeñas mejoras. En la actualidad, existen demasiadas «fábricas de datos» ocultas, traspasos poco confiables entre pasos y una dependencia excesiva del conocimiento tácito como para que las herramientas de IA puedan funcionar de forma inmediata. Incluso la mejor implementación de una nueva IA requerirá ajustes considerables para que funcione.

Ahí es donde entra en juego la mejora continua. Como uno de los dos pilares del famoso Sistema de Producción de Toyota, se trata de una filosofía de gestión que apuesta por la innovación constante en los productos, los servicios, los mecanismos de entrega y los datos. El objetivo es lograr que las cosas funcionen siempre un poco mejor. El cofundador de Intuit, Scott Cook, y el exdecano de la Harvard Business School, Nitin Nohria, lo describieron como «Mejor, más rápido, más barato: cada año, para siempre».

Aunque algunas mejoras pueden ser de gran envergadura (por ejemplo, rediseñar un proceso amplio y multifuncional para adaptarlo a la IA), la mayoría son pequeñas, como formar al personal para que redactar mejores avisos, precisar las descripciones de los puestos de trabajo en los que interviene el ser humano, o incorporar una nueva fuente de datos. Lo importante es la rapidez con la que se avanza en la mejora. La mejora continua también reconoce que el mundo está en constante cambio: los nuevos clientes quieren cosas diferentes, los gustos cambian, las nuevas tecnologías ofrecen nuevas oportunidades, etcétera. ¡Quien no se mantiene al día, se queda atrás!

Para las empresas que hasta ahora han evitado la mejora continua, la pregunta esencial es: «¿Cómo vamos a llevar a cabo estas mejoras?». Si tiene una alternativa mejor, estupenda. Si no es así, considere seriamente la mejora continua.

Una buena forma de empezar y hacerse una idea del potencial de la mejora continua está centrada en un solo departamento (por ejemplo, de unas 100 personas). Junto con su equipo directivo, identifique uno o dos problemas empresariales de larga data, forme a todo el personal en una metodología de mejora como Six Sigma y encargue al departamento que identifique y lleve a cabo 20 proyectos en seis meses. Aún mejor si la mayoría de esos proyectos están relacionados con la inteligencia artificial. A partir de ahí, amplia la iniciativa.

Reconozca que la calidad se consigue a través de las personas
Al fin y al cabo, nada bueno sucede a menos que haya un gran número de personas comprometidas, que pongan todo su corazón, su mente y su alma en el esfuerzo. Lo más gratificante de mi trabajo es ver cómo las personas se interesan por los datos, se empoderan para asumir nuevas funciones y colaboran entre sí para mejorar las cosas.

Por supuesto, millones de personas ya utilizan la IA para ser eficaces y eficientes en el trabajo. A falta de los fundamentos mencionados anteriormente, el progreso logrado hasta la fecha es un tributo a su tenacidad.

Los líderes deben plantearse algunas preguntas difíciles:
  • ¿Cómo podemos animar al mayor número posible de personas, incluidos nosotros mismos, a sumarse a esta iniciativa ya buscar formas en las que la IA pueda contribuir a nuestro negocio?
  • ¿Existen otras barreras, como incentivos erróneos o estructuras organizativas, que frenan el progreso?
  • ¿Cómo es que, quizás de forma inconsciente, no le hemos dado a la IA la oportunidad que se merece?
Estas preguntas son especialmente difíciles. Afortunadamente, el primer paso inmediato está claro. Empezando por usted mismo, anime a las personas a preguntarse: ¿Puede la IA ayudarme a desempeñar mejor mi trabajo? ¿Puede mejorar mi satisfacción laboral? ¿Puede abrirme los ojos a nuevas formas de hacer las cosas? ¿Puedo minimizar aquellos aspectos de mi trabajo que no me gustan? ¿Puede liberarme tiempo para dedicarlo a las cosas que sí me gustan? Si la respuesta a cualquiera de estas preguntas es afirmativa, siga algunos de los pasos iniciales que se indican más arriba.
. . .
Esta llamada a sentar bien las bases era casi inevitable. Hay tanto bombo en torno a la IA y sus defensores han dado a entender que lo único que hay que hacer es abrir su pila tecnológica, incorporar Copilot o un agente, y contar el dinero. Nunca iba a suceder así.

Si lleva más de un par de años en esto, es hora de salir de la rutina. Pero no se limita a comprar una nueva. Reflexione detenidamente sobre los clientes, los datos, las métricas, la mejora continua y su organización. Al mismo tiempo, ponga en práctica las medidas mencionadas. Le ayudará a ganar impulso ya fomentar una visión a más largo plazo.

Leer más sobre Tecnología y análisis o temas relacionados Inteligencia artificial y aprendizaje automático , Gestión de procesos , Análisis y ciencia de datos y Gestión de datos

Thomas C. Redman es el presidente de Data Quality Solutions y autor de Personas y datos: unirse para transformar su negocio (Página de Kogan, 2023).