Doxa 2518

Cómo pasar de la experimentación con IA a la transformación mediante IA

Por Arjun Dutt, Gene Rapoport, Aaron “Ronnie” Chatterji, Gawesha Weeratunga y Harrison Satcher

IA generativa

Harvard Business Review

#Doxa #TransformaciónConIA #DeExperimentoAProducción #EstrategiaDeIA #EscalabilidadDeIA #IAEmpresarial #MadurezDigital #ImplementaciónDeIA #InnovaciónEstratégica #GobernanzaDeIA #CasosDeUsoReales #ROIenIA #CulturaDataDriven #LiderazgoTecnológico #AutomatizaciónInteligente #ValorDeNegocioConIA

Resumen. Muchas empresas están invirtiendo fuertemente en IA, pero no logran traducir las ganancias aisladas de productividad en resultados comerciales significativos. El problema es una “trampa de microproductividad”, dondecreación, impidiendo un impacto en toda la organización. Este artículo describe cuatro pasos para escapar de esta trampa: reducir estratégicamente los casos de uso, reimaginar los flujos de trabajo interfuncionales, involucrar a los empleados de primera línea y medir los resultados vinculados al valor empresarial, ilustrados con ejemplos de empresas como Lowe's y una empresa manufacturera de la lista Fortune 1000.

La IA generativa ha pasado de ser una novedad a una prioridad en las juntas directivas en un tiempo récord. Pero a pesar de la adopción generalizada de esta tecnología, no todas las empresas están obteniendo una mejora en sus resultados financieros acorde con sus capacidades.

Nuestra experiencia como proveedores de IA para más de un millón de empresas en OpenAI y asesores en la implementación de IA empresarial en Bain nos ha brindado una perspectiva única sobre qué enfoques impulsan una productividad transformadora y un crecimiento del EBITDA, y cuáles fracasan. Hemos escrito este artículo para los numerosos líderes cuyas empresas han superado la fase de experimentación básica y están intentando implementar IA a gran escala, pero ven que las implementaciones se estancan o aún no ofrecen el retorno de la inversión prometido.

En los sectores de servicios financieros, comercio minorista, sanidad, tecnología y otros, hemos observado que la mayoría de las empresas que no aprovechan el potencial de la IA caen en lo que denominamos la «trampa de la microproductividad». Esto significa que tratan la IA como una inversión SaaS lista para usar, con casos de uso aislados y proyectos piloto dispersos. En estos casos, los líderes utilizan la IA para optimizar las ofertas existentes («bloqueo de oferta») o para automatizar los procesos actuales sin replantearlos («bloqueo de proceso»), y a menudo ambas cosas. Si bien los individuos suelen experimentar mejoras de productividad en tareas clave, estas mejoras a menudo se estancan a nivel empresarial cuando el flujo de trabajo circundante aún depende del conocimiento tácito, las transferencias manuales o los sistemas heredados no diseñados para la IA. La IA puede acelerar una tarea, pero a menos que las empresas aborden los cuellos de botella del flujo de trabajo, las mejoras de productividad podrían no traducirse en valor para el negocio.

Por otro lado, las empresas que han tenido éxito en la transformación mediante IA adoptan una perspectiva integral y orientada al futuro. Dejan atrás la idea de "mejorar la tarea" para centrarse en "reinventar el negocio". En lugar de optimizar las ofertas actuales, reexaminan su propuesta de valor principal, redefiniendo dónde reside el valor y enfocándose en dónde pueden tener éxito en el futuro. En vez de reinventar los procesos existentes, adoptan un enfoque orientado a los resultados, centrándose en los resultados que dichos procesos generan y reconstruyendo sus flujos de trabajo partiendo de la premisa de que vivimos en un mundo donde existen potentes herramientas de IA.

Aquí reside el verdadero potencial de la IA: en una transformación integral de cómo su empresa genera ingresos, atiende a sus clientes y compite en el mercado. Las empresas con las que hemos colaborado y que han adoptado la IA de esta manera están obteniendo resultados positivos. Los clientes de Bain han experimentado incrementos en el EBITDA de entre el 10 % y el 25 %, que siguen aumentando a medida que los programas se expanden. Estos resultados generan un retorno de la inversión significativo sobre la inversión y el esfuerzo invertidos.

Hemos observado que las empresas que han tenido éxito en este esfuerzo han seguido cuatro pasos comunes que les han ayudado a mantener una mentalidad de reinvención empresarial en toda la organización: 1) Limitar estratégicamente las posibilidades y los esfuerzos; 2) reimaginar los flujos de trabajo en toda la organización; 3) involucrar a quienes están más cerca del proceso actual para liderar el cambio; y 4) seleccionar las medidas de éxito adecuadas. Mostraremos cómo se aplicaron estos pasos en dos de las empresas con las que hemos trabajado estrechamente: la cadena de tiendas de mejoras para el hogar Lowe's (que se asoció con OpenAI para lanzar las dos ofertas que destacamos a continuación) y una empresa manufacturera de la lista Fortune 1000 a la que llamaremos FabricationCo (que contó con el apoyo de Bain durante el trabajo que describimos).

Paso 1: Limitar estratégicamente las posibilidades

El potencial transformador de la IA está impactando todas las funciones y roles, pero las empresas que la han adoptado con mayor eficacia se han resistido a la tentación de implementarla indiscriminadamente sin resultados concretos. En cambio, identifican cuatro o cinco áreas clave y concentran sus esfuerzos de transformación en ellas. El desarrollo de software, la atención al cliente, la eficiencia de los trabajadores del conocimiento y el marketing se encuentran sistemáticamente entre las cuatro áreas principales de aplicación de la IA en el trabajo de Bain con sus clientes y son las más citadas en las opiniones de los responsables de la toma de decisiones, por ejemplo. Sin embargo, los ejecutivos deberán identificar las áreas adecuadas para sus respectivos sectores.

Para delimitar el campo a los casos de uso adecuados para su empresa, considere la organización en su conjunto y hágase varias preguntas:

• ¿Qué áreas de la empresa se beneficiarán más de la IA hoy y mañana, suponiendo que continúe el progreso en sus capacidades?
• ¿Dónde tenemos la mayor concentración de recursos con el trabajo más repetible?
• ¿Cuáles son los casos de uso de alto valor y bajo esfuerzo (a menudo donde los trabajadores se ven limitados actualmente)?
• ¿Qué soluciones deberían adquirirse o desarrollarse internamente?
• ¿En qué áreas contamos internamente con las habilidades y capacidades necesarias y en cuáles necesitamos colaborar con otras entidades?

Por ejemplo, en FabricationCo, los líderes reunieron un equipo de alto rendimiento de operarios y gerentes de primera línea de cada división y organizaron un taller interfuncional de una semana de duración centrado en el descubrimiento de casos de uso de IA. A lo largo de la semana, los equipos mapearon los flujos de trabajo más importantes de principio a fin, tanto para el cliente como para los roles internos, lo que permitió identificar puntos débiles operativos claros en equipos como ventas, ingeniería y fabricación.

Este esfuerzo reveló 14 casos de uso de IA específicos, que representan un valor potencial total de decenas de millones de dólares. Esto permitió al equipo directivo centrarse en un pequeño conjunto de iniciativas con un claro potencial para obtener resultados a corto plazo, alineadas con un alto impacto en el cliente y con los problemas comunes a los equipos de primera línea. Al centrarse en un subconjunto reducido de casos de uso potenciales, FabricationCo está ahora en camino de generar aproximadamente 30 millones de dólares en ganancias adicionales.

Al intensificar sus esfuerzos en IA tras el lanzamiento de ChatGPT, Lowe's se centró en un área que gira en torno al valor fundamental que ofrece la empresa: ayudar a los clientes a completar sus proyectos. Dentro de su marco más amplio de "Cómo compran los clientes con nosotros, cómo vendemos, cómo trabajamos", priorizaron los esfuerzos en función de "la madurez de la tecnología, el tamaño de los casos de uso, la disposición al cambio y el riesgo dimensional, incluido el riesgo de marca, así como otros riesgos comerciales", según Chandhu Nair, vicepresidente sénior de tiendas, datos, IA e innovación. Dados estos factores, llegaron a una visión de democratizar la experiencia en toda la organización y crearon dos interfaces de IA que se lanzaron en marzo de 2025: Mylow y Mylow Companion, que extendieron el conocimiento experto en mejoras para el hogar a todos los visitantes en línea y empleados de tienda, respectivamente.

Paso 2: Rediseñar los flujos de trabajo en toda la organización. 

En nuestra experiencia, el rediseño de procesos —no la tecnología— es el aspecto más desafiante de la implementación de la IA para las empresas, y también el que genera mayor valor. Es fundamental considerar el alcance total del trabajo en toda la compañía, en lugar de que los equipos y departamentos aborden los procesos de forma aislada. Muchos productos de trabajo aparentemente específicos de un departamento son, en realidad, multifuncionales. En FabricationCo, incluso actividades aparentemente sencillas como la elaboración de presupuestos para clientes requerían coordinación entre los equipos de ventas, diseño y operaciones, con variaciones significativas en los procesos entre las distintas áreas del negocio. Esto convirtió a estos flujos de valor en candidatos ideales para la reinvención, en lugar de la automatización incremental.

Como hizo FabricationCo, comience por comprender los flujos de trabajo actuales en toda la empresa para la prioridad estratégica elegida y determine cómo y quién invierte tiempo en esa área. Esto le ayudará a seleccionar las oportunidades más rentables de entre las identificadas y garantizar que el valor se materialice en toda la organización. Pregúntese: ¿Qué áreas ofrecen el mayor valor en términos de tiempo, esfuerzo y uso? ¿Qué procesos están más preparados en términos de repetibilidad, calidad de los datos de apoyo y tecnología? ¿Y dónde existe actualmente una gran variación entre las unidades de negocio? Luego, rediseñe estos flujos de trabajo con la IA como eje central.

A partir del conjunto más amplio de oportunidades que identificaron, FabricationCo utilizó preguntas como estas para preseleccionar dos casos de uso para reinventar el proceso de principio a fin, centrándose en las áreas donde el esfuerzo manual, el tiempo de ciclo y los costos posteriores eran más críticos. El primero de ellos se centró en repensar el proceso de cotización para las ofertas de los clientes. Anteriormente, los ingenieros de diseño dedicaban varias horas a producir diseños iniciales como entrada para las cotizaciones de cada oferta, incluidas aquellas con pocas probabilidades de conversión, lo cual era significativo, en más del 50 % para ciertos segmentos de clientes. En el flujo de trabajo transformado, un estimado de costos rápido, de 20 minutos, es completado por personas sin experiencia en diseño para las ofertas en etapa temprana, lo que permite reservar los diseños de ingeniería completos para oportunidades de mayor probabilidad. Este cambio redujo el esfuerzo desperdiciado al tiempo que mejoró la velocidad, el enfoque y la economía general de las ofertas, logrando un tiempo de generación de cotizaciones aproximadamente 15 veces más rápido que el proceso anterior. Como resultado, FabricationCo redujo significativamente el tiempo total de respuesta y también mejoró las tasas de éxito.

Paso 3: Involucre a las personas más cercanas al proceso actual.

Los líderes visionarios pueden describir cómo será un nuevo proceso, sus beneficios e incluso cómo se percibirá de manera diferente. Pero las soluciones transformadoras exitosas involucran perspectivas tanto de arriba hacia abajo como de abajo hacia arriba.

Rediseñar los procesos requiere una estrecha colaboración con líderes de todos los niveles jerárquicos que estén familiarizados con el proceso de trabajo, comprometidos con la transformación digital y capaces de visualizar una nueva forma de trabajar. Los profesionales destacados en su área son fundamentales para comprender a fondo el proceso actual, especialmente aquellos que pueden analizar la situación con perspectiva y replantearse cómo optimizar el trabajo con IA. Al involucrar a los empleados de primera línea, los líderes obtienen información valiosa de quienes están más cerca de los problemas del enfoque actual y que pueden haber descubierto mejoras individuales en la productividad que se traducen en innovaciones generales en los flujos de trabajo.

Otra forma de involucrar a los empleados es mediante la creación de prototipos. Anime a los miembros del equipo a participar en hackatones o microsprints. Una cultura de creación de prototipos en todas las áreas de la empresa (no solo en el equipo técnico) puede acelerar los ciclos de iteración y propiciar innovaciones desde la base. Los resultados de estas sesiones pueden ser muy valiosos: ofrecer a los miembros del equipo incluso un esquema básico de una nueva solución puede motivar a aquellos que se muestren escépticos, ansiosos o desmotivados, al mostrarles qué es posible y qué no, y de dónde provendrá el valor para la organización en el futuro.

Desde el principio, FabricationCo rediseñó los flujos de trabajo y las herramientas de soporte con un grupo representativo de empleados de todas las regiones. Los usuarios fueron seleccionados en función de la importancia estratégica de su región y su disposición a ser pioneros dentro de la organización. Los éxitos visibles en las regiones piloto generaron confianza en otras regiones antes de su implementación. Incluso cuando la herramienta se probó en una sola región para evaluar su rendimiento y recopilar comentarios en tiempo real, los empleados de otras regiones también recibieron demostraciones y capacitación sobre la herramienta y fueron invitados a participar en sesiones de retroalimentación con los empleados del programa piloto. Esto facilitó una rápida expansión a otros mercados.

Otros usuarios de otras regiones verían demostraciones y recibirían capacitación sobre la herramienta, al igual que los usuarios/empleados que la estaban probando; también participarían en sesiones de retroalimentación que los desarrolladores de la herramienta llevarían a cabo con los empleados que la probaron.

Para Mylow Companion, Lowe's realizó pruebas piloto en tiendas específicas con empleados para recopilar comentarios sobre el uso real. Comenzaron con uno o dos departamentos en cada tienda (por ejemplo, plomería o electricidad), involucrando a los empleados mediante mecanismos de retroalimentación en la aplicación y en la tienda para perfeccionar las indicaciones, las medidas de seguridad de la IA y la experiencia de usuario. Posteriormente, ampliaron gradualmente las pruebas a otros departamentos y tiendas. El equipo de desarrollo utilizó esta información para perfeccionar Mylow Companion antes de cada expansión. Gracias a este proceso, Mylow Companion se ha implementado completamente en más de 1700 tiendas Lowe's.

Paso 4: Mide lo que importa

Al emprender una iniciativa de IA, es fundamental seleccionar las métricas adecuadas para el seguimiento. Términos como "eficiencia" o "productividad" son demasiado vagos; en cambio, estos beneficios deben estar vinculados a resultados empresariales clave, con métricas que permitan comparaciones con métodos que no utilizan IA.

Por ejemplo, FabricationCo evaluó sus flujos de trabajo rediseñados principalmente desde la perspectiva de la capacidad de respuesta al cliente y la diferenciación en el mercado. El objetivo principal era aprovechar la IA para generar presupuestos más rápidos y, en última instancia, mejorar las tasas de éxito. Para evaluar el progreso hacia este objetivo, la empresa se centró en varias métricas clave: tasas de éxito para presupuestos generados por IA frente a presupuestos sin IA, tiempos de respuesta de los presupuestos, márgenes en los costos de materiales y fábrica, y el volumen y la precisión de las ofertas con precio. En los dos flujos de trabajo priorizados, la empresa observó una mejora significativa en cada una de estas dimensiones; en particular, un aumento de 10 puntos porcentuales en la tasa de éxito durante los primeros tres meses de implementación, lo que refuerza la necesidad de escalar estos cambios a toda la empresa.

Además, los sistemas de IA requieren nuevas formas de medición continua. Dado que estos sistemas, al igual que los humanos, pueden generar resultados diferentes ante la misma solicitud, es necesario evaluar su comportamiento de forma constante. Para ello, se requiere un conjunto de herramientas de evaluación (eval); estas herramientas miden el resultado del sistema en función de un rango aceptable de comportamientos deseados. El proceso para crearlas requiere no solo una definición clara de dichos comportamientos, sino también la identificación de niveles de tolerancia adecuados, la auditoría de los procesos para garantizar su cumplimiento y su mejora cuando no se cumplen.

Para evaluar su sistema, Lowe's contrató a expertos en la materia para crear un conjunto de preguntas y respuestas validadas por expertos sobre cómo Mylow Companion debería responder a las preguntas típicas de un empleado. Evaluaron el desempeño de varios modelos con respecto a las respuestas validadas y ajustaron las preguntas para mejorar el rendimiento del sistema. Además, Lowe's también recopiló comentarios de los usuarios y solicitó a sus empleados que auditaran periódicamente tanto los resultados mostrados a los clientes como los pasos intermedios del sistema para identificar oportunidades de mejora y garantizar que el sistema cumpliera con las expectativas.

Para medir los resultados, Lowe's optó por hacer un seguimiento de los factores que influyen en los resultados comerciales, como el tamaño de la cesta de compra, la tasa de conversión y las ventas incrementales, así como de los factores clave de éxito, como el conocimiento de los empleados, la satisfacción del cliente y la facilidad de pago. Cuando los clientes interactúan con Mylow durante sus visitas en línea, la tasa de conversión se duplica con creces y Lowe's observa un aumento de 200 puntos básicos en los índices de satisfacción del cliente cuando los empleados utilizan Mylow Companion para ayudar a los clientes a comprar en los pasillos.

El imperativo de la sala de juntas

El liderazgo de la alta dirección es fundamental para el éxito de la transformación digital mediante IA. En las empresas que se quedan rezagadas en la adopción de IA, hemos observado que los líderes reconocen que la IA representa una oportunidad importante, pero delegan la responsabilidad a los grupos o divisiones de tecnología. Por lo general, esta delegación se realiza sin objetivos ni métricas específicas, simplemente con un vago «mejorar la productividad» o «centrarse en las fuentes de valor con alto potencial». A partir de ahí, las iniciativas suelen fracasar.

En cambio, la transformación mediante IA debe priorizarse en los niveles más altos de la empresa, con la participación de todos los ejecutivos y departamentos, ya que los líderes con una visión integral de la organización son fundamentales para las implementaciones transformadoras. Deben establecer objetivos ambiciosos, definidos desde la alta dirección y gestionados por la empresa, y luego exigir responsabilidades a sus equipos.

Para pasar de estar rezagadas a liderar, las empresas deben evitar las iniciativas aisladas y, en cambio, impulsar una transformación integral de su negocio. Para ello, estos pasos pueden ayudar a líderes y organizaciones a superar el impacto limitado de la trampa de la microproductividad.

Los autores desean agradecer a Mike Coxon y Daan Kakebeeke de Bain por sus contribuciones a la redacción de este artículo.

Lea más sobre IA generativa o temas relacionados: IA y aprendizaje automático, transformación digital, estrategia corporativa, gestión de procesos e indicadores de rendimiento.

Arjun Dutt es socio de Bain & Company y se especializa en inteligencia artificial y aprendizaje automático.

Gene Rapoport es socio y director del área de IA para el sector de capital privado en Bain & Company.

Aaron “Ronnie” Chatterji es profesor titular de Negocios y Políticas Públicas (Cátedra Mark Burgess y Lisa Benson-Burgess) en la Universidad de Duke y economista jefe en OpenAI.

Gawesha Weeratunga es miembro del equipo de investigación económica de OpenAI.

Harrison Satcher es miembro del equipo de investigación económica de OpenAI.