Doxa 2523

3 maneras en que la IA puede liberar a las organizaciones de los flujos de trabajo heredados

Por Graham Kenny y Ganna Pogrebna

Inteligencia artificial y aprendizaje automático

Harvard Business Review

#Doxa #InteligenciaArtificial #TransformaciónDigital #Automatización #FlujosDeTrabajo #SistemasLegados #InnovaciónTecnológica #Productividad #EficienciaOperativa #ModernizaciónTI #ProcesosDigitales #IAEmpresarial #Optimización #TecnologíaCloud #IntegraciónSistemas #AgilidadOrganizacional

Resumen. Las organizaciones suelen asumir que su mayor limitación es la falta de nuevas capacidades. Sin embargo, con mayor frecuencia, se trata de la acumulación de capacidades obsoletas. Los flujos de trabajo heredados, las suposiciones arraigadas y las métricas heredadas influyen silenciosamente en las decisiones mucho después de que se hayan tomadoHan dejado de reflejar las realidades actuales del mercado, especialmente en entornos transformados por datos en tiempo real e IA. Esta incapacidad para desprenderse del pasado, conocida como olvido organizacional, se subestima y resulta cada vez más costosa. Cuando las empresas se aferran a métricas de rendimiento heredadas, distorsionan las prioridades, reforzando comportamientos que antes impulsaban el éxito pero que ahora lo socavan. Cuando se basan en patrones históricos para guiar sus decisiones, interpretan erróneamente las condiciones actuales. Y cuando las prácticas del pasado permanecen arraigadas en sistemas y procesos, impiden la experimentación y la adaptación. La IA puede desempeñar un papel fundamental para romper esta inercia, no solo optimizando los procesos existentes, sino también revelando dónde estos ya no tienen sentido. Al sacar a la luz las contradicciones, poner a prueba las suposiciones y modelar enfoques alternativos, la IA puede ayudar a los líderes a construir un argumento objetivo para el cambio. La competitividad, en este contexto, depende menos de lo que las organizaciones añaden que de lo que están dispuestas —y son capaces— de dejar atrás.

Elena* dirige una empresa de logística que en su día fue innovadora y que hemos estudiado, a la que llamaremos Sistemas Virtuales. Ahora le cuesta mantenerse al día. «No nos falta capacidad», nos explicó, «nos lastra nuestro propio pasado». Los flujos de trabajo heredados persisten, las decisiones se basan en viejas suposiciones y la estrategia se define por «la forma en que siempre lo hemos hecho». En un mercado transformado por los datos en tiempo real y la automatización, estos hábitos erosionan silenciosamente la competitividad.

Como ilustra Virtal, lo que a menudo limita la competitividad de una empresa no es lo que le falta, sino lo que arrastra a través de su memoria corporativa. Los directivos se aferran a métodos arraigados que ya no reflejan la realidad del mercado actual. La necesidad de que una organización supere su pasado y comience de cero se conoce como « olvido organizacional ». Sin embargo, este olvido se suele pasar por alto, a pesar de su importancia en un entorno caracterizado por la expansión de las infraestructuras de datos y la creciente influencia de la IA en la toma de decisiones organizacionales.

Aquí describimos tres limitaciones organizativas que surgen cuando los equipos directivos tienen dificultades para dejar atrás el pasado. También ofrecemos ejemplos de cómo se puede emplear la IA para renovar las prácticas de la organización y lograr un futuro más competitivo, así como utilizarla para justificar objetivamente la necesidad del cambio.

Métricas de rendimiento que distorsionan las prioridades

Aferrarse a métricas obsoletas lleva a las empresas a asignar mal los recursos, premiar comportamientos inadecuados y pasar por alto los factores clave de rendimiento actualizados que impulsan el éxito organizacional. En la era de los paneles de control digitales, este peligro se agrava, ya que los KPI desactualizados no solo permanecen en los informes, sino que se visualizan, se consolidan y se difunden. Esto introduce distorsiones profundas en los sistemas de toma de decisiones.

Tomemos como ejemplo una cadena minorista nacional del Reino Unido que estudiamos: la llamaremos Whitford & Co. Se trata de una cooperativa de consumo propiedad de sus miembros, conocida principalmente por sus tiendas de alimentación. Sus ventas estaban estancadas, los márgenes se reducían y la rotación de clientes aumentaba. A pesar de los esfuerzos de la dirección por mejorar los resultados mediante programas de gestión del cambio, estos se mantenían prácticamente inalterados. Por costumbre, el personal se aferraba a los indicadores clave de rendimiento (KPI) tradicionales a los que se habían acostumbrado.

Cómo ayudó la IA: Iniciativa de revisión de métricas

Un obstáculo fundamental en un programa de olvido organizacional es la complejidad. Para determinar qué métricas heredadas eran relevantes y cuáles no, Whitford & Co implementó dos plataformas de análisis basadas en IA, Snowflake Cortex Agents y Microsoft Fabric, para lograr lo que los analistas humanos no podían: examinar simultáneamente los datos de transacciones de clientes, los registros de interacción digital y los registros operativos.

La IA procesó miles de puntos de datos que revelaron que muchas de las métricas más destacadas no tenían una correlación sólida ni con la retención de clientes ni con la rentabilidad del negocio. Por ejemplo, el principal KPI de la organización, la conversión de ventas en tienda (porcentaje de visitantes de la tienda física que completan una compra), reflejaba una visión obsoleta del comportamiento del cliente. En un mundo de experiencias de cliente híbridas, esta métrica solo registraba el último punto de contacto físico, ignorando las interacciones digitales previas que influyen cada vez más en las decisiones de compra actuales.

La complejidad no era el único problema al que se enfrentaba Whitford & Co. La alta dirección también descubrió que los gerentes se resistían a abandonar lo antiguo para adoptar lo nuevo. Con la IA, los altos directivos podían justificar la eliminación de los KPI sin depender de la opinión de ningún individuo o grupo. Como nos comentó Vesna, directora de rendimiento comercial en la división minorista: «El uso de la IA proporcionó una justificación objetiva y basada en datos para la eliminación de cada KPI obsoleto. Eliminó la fricción emocional y política que suele obstaculizar estos procesos».

En tres meses, la división minorista logró eliminar siete de sus doce indicadores clave de rendimiento (KPI) tradicionales, entre ellos la tasa de conversión de ventas en tienda y la tasa de visitas a consultas (el porcentaje de visitantes que se convertían en consultas de servicio). En su lugar, la empresa adoptó indicadores relevantes para el comportamiento del cliente, como las tasas de finalización de la ruta multicanal (la proporción de clientes que completan un proceso de compra a través de los puntos de contacto digitales y físicos combinados) y las puntuaciones de esfuerzo del cliente (una medida de la facilidad con la que los clientes interactúan con la empresa).

Identidades empresariales que confunden al mercado.

Las identidades corporativas y el posicionamiento de marca que antes eran activos pueden convertirse en pasivos. Tomemos como ejemplo la empresa de software estadounidense que estudiamos, a la que llamaremos FengSys.  Esta empresa desarrolla plataformas de integración y análisis de datos para clientes de los sectores público y privado. A principios de la década de 2010, construyó su marca en torno a la filosofía de "prioridad a los datos". Su estrategia de comercialización, la capacitación en ventas y las propuestas a los clientes giraban en torno a este posicionamiento.

Con el tiempo, sin embargo, las expectativas de los clientes cambiaron. Ya no les impresionaba el enfoque centrado en los datos. Habían llegado a dar por sentada la capacidad de análisis de datos y ahora buscaban socios que pudieran demostrar resultados comerciales: decisiones más rápidas, menor riesgo operativo y un retorno de la inversión en tecnología cuantificable.

A pesar de las múltiples reuniones estratégicas fuera de la oficina, al personal de FengSys le resultó difícil abandonar su identidad original. Como resultado, la alta dirección continuó añadiendo nuevos eslóganes a los ya obsoletos. Por ejemplo, frases más recientes como «transformación basada en datos» e «infraestructura preparada para la IA» se incorporaron a presentaciones de ventas y propuestas que aún comenzaban con el lema «los datos primero».

Cómo ayudó la IA: Purga estratégica del lenguaje

El problema del olvido organizacional de FengSys requería que la IA primero reconociera patrones, específicamente, el laberinto oculto de contradicciones incrustado en miles de documentos que ningún revisor humano podría detectar de manera confiable dentro del presupuesto y a gran escala.

Dado que el personal interno estaba demasiado inmerso en la historia de la empresa como para percibir claramente la incoherencia —habían redactado gran parte del material ellos mismos y desconocían su escasa alineación con la nueva estrategia—, la empresa colaboró ​​con una consultora externa especializada. Esta consultora implementó un modelo basado en GPT-4, configurado específicamente para la biblioteca documental de la propia empresa, con el fin de escanear miles de páginas de presentaciones de ventas, propuestas y comunicaciones con clientes. Esto permitió que el proceso se desarrollara sin el apego emocional que había paralizado los esfuerzos anteriores.

El modelo se encargó de detectar declaraciones contradictorias, terminología obsoleta y posicionamientos incoherentes en toda la biblioteca de documentos. Por ejemplo, identificó 23 variantes de mensajes distintas utilizadas por el equipo de ventas, cada una un fragmento heredado de un momento estratégico diferente en la historia de la empresa. Muchas de estas aparecían junto con el enfoque dominante de "prioridad a los datos" en los mismos documentos.

¿El resultado? Como explicó Leonor, la vicepresidenta de marketing: “Esto nos brindó una visión objetiva y basada en evidencia del problema que ningún defensor interno pudo refutar ni desviar. Cuando el personal vio la matriz de contradicciones —la evidencia visual de lo fragmentado e incoherente que se había vuelto el mensaje— la resistencia se desvaneció. El problema dejó de ser una cuestión de opinión. Se convirtió en un hecho, documentado y expuesto”.

Mitos de los clientes que distorsionan la estrategia

Una firma global de servicios financieros que estudiamos, a la que llamaremos SuboBank, se aferraba a la creencia de que "los clientes mayores evitan la banca móvil". Este mito se originó hace una década y estaba arraigado en los manuales de capacitación y la lógica de segmentación de clientes de la empresa. También persistía en sus decisiones de diseño de productos.

Aunque los datos externos indicaban que los jubilados constituían uno de los grupos de usuarios de aplicaciones móviles de más rápido crecimiento, persistía la creencia de que eran rezagados tecnológicamente. SuboBank se basaba en una premisa arraigada, que defendía con total seguridad y que nunca había sido contrastada sistemáticamente con el comportamiento real de los clientes. Ningún equipo interno tenía la autoridad ni las herramientas para cuestionarla.

Cómo ayudó la IA: Desmintiendo mitos a través de la evidencia conductual.

Para descubrir esta creencia arraigada, la gerencia configuró IBM Watson Analytics para ingerir y cotejar simultáneamente tres flujos de datos en tiempo real: 1) registros de comportamiento dentro de la aplicación que rastrean cómo los clientes de todas las edades realmente usaron la plataforma móvil de SuboBank; 2) datos de opinión del cliente extraídos de interacciones de soporte, respuestas a encuestas y registros de quejas; y 3) datos demográficos externos sobre las tendencias de adopción móvil entre clientes de 60 años o más.

Como explicó Kevin, jefe de análisis de clientes: “Dirigimos el motor IBM Watson Analytics simultáneamente a dos elementos: la documentación interna de la empresa, como manuales de capacitación, archivos de diseño de productos y registros de segmentación de clientes, y los flujos de datos en tiempo real que registran las decisiones reales de los clientes. El sistema leyó la documentación en busca de suposiciones implícitas sobre el comportamiento de los clientes mayores y luego probó continuamente esas suposiciones con la evidencia de comportamiento real”.

Siempre que el comportamiento real contradecía lo que presuponía la documentación, el sistema lo señalaba. Este ejercicio reveló varias conclusiones sorprendentes.

En primer lugar, se demostró que los clientes de 65 años o más accedían a la plataforma móvil de SuboBank con mayor frecuencia que cualquier otro grupo de edad: un promedio de 11 veces al mes, en comparación con las ocho veces de los clientes de entre 25 y 40 años. En segundo lugar, este grupo de mayor edad presentó el mayor volumen de solicitudes de soporte, no porque tuvieran dificultades, sino porque buscaban activamente hacer más con la plataforma de lo que permitía su interfaz limitada. En tercer lugar, el análisis de sentimiento de las transcripciones de soporte reveló que los clientes mayores expresaban los niveles más altos de frustración, no con la banca móvil en sí, sino con las decisiones de diseño específicas de SuboBank, que se habían basado en la suposición de que no se involucrarían.

Estos hechos hicieron imposible defender el mito. Ningún defensor interno de la antigua creencia pudo refutar los registros de uso y los datos de opinión presentados sistemáticamente a través de cientos de miles de interacciones. A medida que los gerentes y altos directivos revisaban los informes de comportamiento generados por la IA, tomaban sus propias decisiones sobre qué cambios de diseño priorizar.

...

Probablemente ya hayas descubierto que el olvido organizacional es difícil. Esto se debe a que va en contra de hábitos organizacionales arraigados, donde los líderes se aferran a métricas que ya no validan el desempeño, los equipos se aferran a un lenguaje que ya no funciona y los datos ya no explican los resultados. Puedes superar esto con IA. Además, puede eliminar las opiniones personales y las intuiciones emocionales del análisis estratégico y presentar argumentos sólidos para el cambio organizacional.

Nota de los autores: Todos los nombres de personas y empresas se han cambiado en este artículo para proteger la confidencialidad.

Lea más sobre IA y aprendizaje automático o temas relacionados: Indicadores de rendimiento, Gestión de datos, Sesgo cognitivo, Análisis estratégico e IA generativa.

Graham Kenny es el director ejecutivo de Strategic Factors y autor de Strategy Discovery: Achieving Business Resilience, Engagement and Performance (Routledge, 2023).

Ganna Pogrebna es titular de la Cátedra David Trimble en la Universidad Queen's de Belfast. Profesora y ejecutiva con experiencia en IA conductual y tecnologías emergentes, colabora con empresas para mejorar la experiencia del cliente, fortalecer la toma de decisiones estratégicas y gestionar el riesgo tecnológico. Puedes conectar con ella en LinkedIn.