Doxa 2589

Investigación: Por qué algunos empleados jóvenes se desenvuelven bien con la IA y otros no

Un nuevo estudio reveló que habilidades fundamentales como el pensamiento crítico, la alfabetización en IA y el conocimiento del sector no eran indicadores claros de éxito

Por Ashish Agarwal, Anitesh Barua, Anu Puvvada, Fangchen Song y Wen Wen

IA generativa

Harvard Business Review

#Doxa #IA #empleadosjóvenes #pensamientocrítico #alfabetizaciónIA #conocimientosectorial #adaptabilidadtecnológica #habilidadesdigitales #productividadlaboral #competenciasprofesionales #transformacióndigital

Resumen. Las organizaciones necesitan comprender cómo las personas crean valor más allá de la base de la IA en entornos organizacionales reales, particularmente en trabajos profesionales de alto riesgo que requieren criterio, experiencia en el dominio y resultados listos para la toma de decisiones. KPMG e Investigadores de la Universidad de Texas realizaron un estudio de campo a gran escala con 523 profesionales en las primeras etapas de su carrera. Los participantes completaron tareas específicas del negocio utilizando un agente de IA diseñado para el dominio. Esta investigación puede ayudar a responder dos preguntas: 1) ¿Qué permite a los empleados principiantes aportar valor en los flujos de trabajo habilitados por IA? Y 2) ¿Cómo se pueden desarrollar intencionalmente esas capacidades de manera que se mantenga la mejora continua a medida que la IA avanza? Los resultados clasificaron a los participantes en tres grupos: aprendices de IA, delegadores de IA y amplificadores de IA. Una sorpresa en los resultados fue que las habilidades fundamentales, como la capacidad de pensamiento crítico, la alfabetización en IA y el conocimiento del dominio, no fueron indicadores claros para determinar a qué grupo pertenecía cada persona. Esto puede ayudar a los líderes a replantearse cómo diseñar el trabajo de nivel inicial y cómo contratar para estos puestos.

Los empleados principiantes se encuentran en la primera línea de una rápida transformación del trabajo intelectual. Estos puestos solían estar repletos de tareas que servían de trampolín para entrar en un sector y ayudaban a los empleados jóvenes a desarrollar su experiencia. Sin embargo, ahora, muchas de estas tareas corren el riesgo de ser delegadas a flujos de trabajo impulsados ​​por IA, que cada vez son más capaces de gestionar tareas analíticas y con gran cantidad de información. Y a medida que la IA continúa mejorando, las investigaciones han demostrado que está redefiniendo rápidamente los estándares, elevando el nivel de exigencia para un rendimiento aceptable a medida que los modelos mejoran.

En este contexto, las organizaciones necesitan comprender cómo las personas generan valor más allá de la IA básica en entornos organizacionales reales, especialmente en trabajos profesionales de alto riesgo que requieren criterio, experiencia en el sector y resultados listos para la toma de decisiones. Esto plantea dos preguntas clave: 1) ¿Qué permite a los empleados principiantes aportar valor en flujos de trabajo habilitados por IA? Y 2) ¿cómo se pueden desarrollar intencionalmente esas capacidades de manera que se mantenga la mejora continua a medida que la IA avanza? Los líderes necesitan respuestas claras y explícitas a ambas. De lo contrario, corren el riesgo de comprometer el retorno de la inversión en IA y el desarrollo del talento de su organización.

Para ayudar a responder estas preguntas, KPMG y la Universidad de Texas en Austin llevaron a cabo un estudio de campo a gran escala con 523 profesionales jóvenes de KPMG en Estados Unidos, con una antigüedad de 18 meses o menos, para comprender mejor cómo generar valor en este contexto. La investigación se diseñó como un estudio de campo, donde los participantes completaron tareas específicas del negocio utilizando un agente de IA desarrollado para el sector. Estas tareas fueron diseñadas por expertos sénior de KPMG para reflejar el trabajo que realizan los profesionales jóvenes en la práctica. Son versiones simplificadas de tareas de interacción con el cliente que requieren que los participantes analicen información empresarial, ejerzan su criterio profesional y elaboren recomendaciones.

Para establecer una línea de base, comenzamos el estudio de campo con agentes de IA que realizaban el trabajo de forma independiente. Luego, solicitamos a los participantes que realizaran el mismo trabajo utilizando el agente de IA. Los resultados de los participantes se evaluaron mediante rúbricas de calificación detalladas, desarrolladas por expertos de KPMG, para reflejar las expectativas de desempeño en el mundo real, y su desempeño se comparó con la línea de base que solo utilizaba la IA. También evaluamos las habilidades fundamentales de los participantes, incluyendo el conocimiento del dominio, el pensamiento crítico y la alfabetización en IA, y analizamos sus interacciones con la IA para comprender cómo aplicaron estas habilidades al completar las tareas.

El objetivo era identificar quién aporta valor añadido más allá de la IA, quién simplemente la replica y quién puede reducir el rendimiento de forma inadvertida. Los resultados revelaron tres perfiles de rendimiento distintos:

• Los aprendices de IA  (24,1%) obtuvieron resultados por debajo del nivel de referencia de la IA.
• Los delegadores de IA  (25,8%) produjeron resultados comparables a la línea base de la IA.
• Los amplificadores de IA (50,1%) superaron el rendimiento de la IA de referencia.

Una sorpresa en los resultados fue que las habilidades fundamentales, como el pensamiento crítico, la alfabetización en IA y el conocimiento del sector, no eran indicadores claros para determinar a qué grupo pertenecía cada persona. Más bien, la forma en que trabajaban las personas parecía marcar la diferencia. Esto revela algo importante: la IA no estandariza el trabajo, sino que magnifica las diferencias en cómo las personas aplican sus habilidades. Estos hallazgos ofrecen una lección importante para las empresas: necesitan replantearse cómo diseñan los puestos de trabajo de nivel inicial y cómo miden el desempeño de los empleados.

Cómo funcionan los amplificadores, los delegadores y los aprendices

Es comprensible que las organizaciones prioricen el pensamiento crítico, el conocimiento del sector y la alfabetización en IA al considerar candidatos para puestos de nivel inicial. Sin embargo, según nuestros hallazgos, estas tres cualidades por sí solas no predicen con fiabilidad quién tendrá un buen desempeño en puestos de nivel inicial en la era de la IA. Sorprendentemente, empleados con niveles similares de habilidades y conocimientos básicos pueden generar resultados radicalmente diferentes al trabajar con el mismo agente de IA.

Aprendices de IA: Capaces, pero no logran traducir sus habilidades en valor. Los aprendices de IA obtuvieron puntuaciones más altas que los delegadores en pensamiento crítico, conocimiento del dominio y alfabetización en IA, y son prácticamente indistinguibles de los amplificadores de IA en estas medidas. Si bien criticaron las respuestas de la IA, dicha crítica rara vez mejoró el resultado. Nuestro análisis revela lo que falta en las interacciones de los aprendices con la IA: no aplicaron sus habilidades fundamentales dentro de los flujos de trabajo habilitados por IA para guiar, evaluar y refinar el resultado de la IA. A menudo se centraron en cuestiones irrelevantes o guiaron a la IA en direcciones improductivas. Por ejemplo, dada la tarea de revisar un conjunto complejo de documentos comerciales y preparar recomendaciones utilizando IA, los aprendices interactuaron con la IA. Pero en lugar de tratarla como una forma de poner a prueba su propio pensamiento, dedicaron la mayor parte de la conversación a solicitar, reescribir o reorganizar información, o a abordar preguntas menos relevantes.

Delegadores de IA: Productivos en apariencia, limitados en la práctica. Los delegadores de IA obtuvieron las puntuaciones más bajas en habilidades básicas, pero no fueron los de peor desempeño. Dado que los sistemas de IA ya generan resultados competentes, los delegadores demostraron ser razonablemente productivos cuando el desempeño se evaluó únicamente en función de la calidad del producto final. Por lo general, aceptaron los resultados de la IA con un mínimo de análisis, añadieron un razonamiento limitado y aportaron poco o ningún valor adicional. Cuando se les encomendó la tarea de revisar documentos complejos y preparar recomendaciones, proporcionaron los materiales pertinentes y el producto final deseado, y luego aceptaron en gran medida el resultado de la IA con una intervención mínima.Amplificadores de IA: capaces de convertir la capacidad en rendimiento. Los amplificadores de IA se distinguieron no por tener habilidades subyacentes más sólidas, sino por cómo combinaron y aplicaron esas habilidades al trabajar con la IA.

Orquestaron activamente el flujo de trabajo y plantearon los problemas de manera que guiaran a la IA hacia análisis relevantes, fundamentando el trabajo en marcos de dominio apropiados y definiendo criterios de evaluación claros. Interrogaron los resultados, cuestionaron las suposiciones y refinaron los resultados de forma iterativa. Al mismo tiempo, utilizaron su conocimiento de la IA para proporcionar una guía precisa y específica para cada tarea, lo que permitió al sistema generar entregables que cumplían con los estándares de rendimiento del mundo real. En la tarea de documentos, los amplificadores trataron a la IA como un socio de pensamiento, pidiéndole que probara suposiciones, explicara su razonamiento, considerara explicaciones alternativas e identificara la evidencia faltante antes de refinar la recomendación final.

Repensando el potencial de los profesionales al inicio de su carrera.

Nuestros resultados de investigación sugieren que existe una oportunidad importante para que las organizaciones replanteen el desarrollo de personal de nivel inicial. Los empleados que aparentemente tienen niveles similares de conocimiento y habilidades pueden obtener resultados muy diferentes una vez que la IA se integra en el flujo de trabajo. Sin embargo, con la intervención adecuada, quienes hoy tienen dificultades pueden convertirse en valiosos colaboradores a largo plazo, especialmente si sus capacidades actuales se adaptan mejor a la forma en que se trabaja con la IA.

Analicemos cada uno por separado.

Los aprendices de IA representan una paradoja interesante: poseen las habilidades básicas necesarias, pero no logran convertirlas en valor. Los líderes pueden liberar este potencial latente y transformar a estos empleados en colaboradores de alto valor rediseñando los flujos de trabajo y la capacitación. Al otorgarles a los empleados mayor autonomía, casos de uso prácticos y oportunidades para aplicar la IA en su trabajo diario, pueden pasar de simplemente usar herramientas de IA a integrar sus capacidades en flujos de trabajo mediados por IA.

Los delegadores de IA ponen de manifiesto una oportunidad de crecimiento diferente. Dado que los sistemas de IA ya generan resultados competentes, estos empleados pueden parecer productivos cuando la evaluación se centra únicamente en los resultados finales. Nuestros hallazgos sugieren que este patrón puede reflejar sus capacidades fundamentales comparativamente más débiles, lo que podría llevarlos a depender más de la IA en lugar de contribuir activamente a su desarrollo y mejora. El riesgo reside en que este comportamiento pase prácticamente desapercibido, permitiendo que el bajo rendimiento persista y parezca aceptable. Por lo tanto, las organizaciones deberían invertir en formación que fortalezca tanto sus capacidades fundamentales como el conocimiento práctico para aplicarlas eficazmente en la colaboración entre humanos e IA.

Los amplificadores de IA ofrecen a las organizaciones un modelo práctico de cómo debe ser la colaboración efectiva entre humanos e IA. Su ventaja parece radicar no solo en su profundo conocimiento del sector, su pensamiento crítico y su dominio de la IA, sino también en su capacidad para integrar estas habilidades en cada etapa del trabajo con IA. La oportunidad reside en lograr que sus comportamientos sean duraderos y escalables, al tiempo que amplían sus capacidades mediante tareas más complejas y de mayor envergadura.

Aquí hay una oportunidad para las organizaciones. A medida que la IA se consolida como un referente de alta calidad, prevemos que las funciones humanas evolucionarán: en lugar de generar respuestas, se centrarán en dirigir, evaluar y ampliar el trabajo generado por la IA. Los sistemas de capacitación y evaluación del desempeño que enfatizan cómo los empleados plantean los problemas, analizan los resultados de la IA, refinan los resultados e integran la información en la toma de decisiones, ayudarán a que más personas traduzcan sus capacidades en un impacto real de forma consistente.

Repensando la experiencia al inicio de la carrera profesional

Capacitar a profesionales noveles no solo implica ampliar sus conocimientos, sino también ayudarlos a traducirlos de manera consistente en acciones efectivas dentro de los flujos de trabajo con IA. Según los resultados de nuestro estudio, las organizaciones deberían priorizar la formación contextual y basada en tareas, centrada en cómo se trabaja realmente con agentes de IA: cómo los empleados estructuran los problemas, guían iterativamente los sistemas de IA, evalúan críticamente los resultados e integran las conclusiones en los procesos de toma de decisiones. Esto significa diseñar el aprendizaje de la IA como un modelo de desarrollo continuo, en lugar de una intervención de formación puntual.

KPMG es un caso de prueba para este enfoque. Basándose en esta investigación en curso con la Universidad de Texas, la empresa está intentando aplicar y escalar este enfoque para desarrollar y reforzar comportamientos que potencien la IA en toda la organización. En lugar de un programa de formación independiente, el programa interno de formación en IA de KPMG busca un aprendizaje continuo dirigido a aumentar la fluidez en IA de cada profesional. Los empleados comienzan con una evaluación de habilidades para determinar su nivel actual de fluidez en IA y, a continuación, avanzan por rutas de aprendizaje personalizadas que combinan cursos generales y específicos de cada función, activaciones de mercado, podcasts, actividades en el puesto de trabajo y participación en una creciente red de expertos en IA. Cada profesional completa un número mínimo de horas de aprendizaje estructurado, complementado con actividades experienciales adaptadas a su rol, nivel y competencia. Los primeros resultados sugieren que esta personalización, que aborda las deficiencias de habilidades de cada persona, combinada con el aprendizaje formal, la aplicación práctica y el refuerzo entre pares, conduce a un sólido desarrollo de capacidades.

El mismo principio se aplica a nivel funcional, donde el aprendizaje de la IA debe integrarse en las tareas y decisiones que dan forma al trabajo diario. Por ejemplo, en KPMG, los ejercicios basados ​​en simulaciones reflejan escenarios comunes de los clientes, desde la revisión de entregables fiscales complejos hasta el asesoramiento sobre las implicaciones comerciales más amplias de las principales señales y disrupciones del mercado. En este entorno, la IA puede generar borradores y análisis iniciales, pero el juicio humano determina cómo evaluar la relevancia, secuenciar el trabajo y decidir los siguientes pasos. Este cambio también está influyendo en la Capacitación Nacional de Pasantes de KPMG en KPMG Lakehouse, su evento anual de aprendizaje específico para cada función, que recientemente ha evolucionado para enfatizar estas mismas experiencias prácticas basadas en escenarios, comenzando con los pasantes de Auditoría este verano y con planes para extender elementos a Impuestos y Asesoría con el tiempo. Los primeros indicadores sugieren que los empleados que reciben oportunidades de desarrollo de IA personalizadas y basadas en roles demuestran mayor confianza, compromiso y eficacia al aplicar la IA al trabajo del mundo real.

En términos más generales, nuestros hallazgos pueden resumirse en tres lecciones para las empresas que preparan a sus empleados al inicio de su carrera profesional para maximizar el valor de la colaboración entre humanos e inteligencia artificial.

Replantear la creación de valor humano. A medida que los agentes de IA generan resultados de mayor calidad, creemos que la contribución de los empleados pasará de producir respuestas a dirigir, evaluar y ampliar dichos resultados. Nuestra investigación demuestra que poseer capacidades fundamentales, como el conocimiento del dominio, el pensamiento crítico y la alfabetización en IA, es necesario, pero no suficiente, para que las personas creen valor más allá de la IA. Por lo tanto, la capacitación organizacional debe involucrar a los empleados trabajando no solo con documentación, sino también con flujos de trabajo de IA y aprendiendo a guiar la IA para crear valor más allá del enfoque basado únicamente en IA.Hacer visible el juicio desde el principio. Las organizaciones deberían hacer mayor hincapié en el desarrollo del criterio en los primeros puestos de trabajo. En los entornos de formación tradicionales, el razonamiento sólido suele quedar implícito. En el trabajo mediado por IA, KPMG, por ejemplo, ha empezado a fomentar prácticas como documentar por qué se aceptaron, modificaron o rechazaron los resultados de la IA, y articular los criterios utilizados para evaluarlos. Esto hace que la contribución humana sea explícita y susceptible de formación, en lugar de darse por sentada.Cambiar la evaluación de las respuestas al proceso. Evaluar a los empleados basándose únicamente en la calidad de los resultados finales ya no es suficiente cuando la IA puede generar resultados de alta calidad de forma independiente. A medida que los sistemas de IA se vuelven más capaces, las organizaciones deberían evaluar cómo interactúan los empleados con la IA a lo largo del flujo de trabajo. KPMG está implementando un programa piloto de evaluación basado en el flujo de trabajo para jóvenes profesionales. Por ejemplo, un programa piloto específico para un área funcional, dirigido a pasantes de auditoría, se centra en la resolución de problemas y la comunicación, evaluando a los candidatos no solo en cuanto a precisión técnica, sino también en su capacidad para analizar problemas, cuestionar suposiciones y explicar decisiones. Este enfoque ayuda a distinguir entre quienes simplemente reproducen los resultados de la IA y quienes los amplían.

...

En conjunto, estos cambios exigen una transición fundamental: pasar de considerar la IA como una herramienta de fácil uso para tareas individuales a utilizarla como catalizador para reconfigurar por completo la forma en que se realiza el trabajo. Las organizaciones que se adapten con mayor eficacia no solo se centrarán en desarrollar empleados con conocimientos de IA, sino que crearán modelos operativos totalmente nuevos. A medida que los agentes de IA se encarguen de las tareas básicas de los profesionales al inicio de su carrera, las diferencias en la creación de valor reflejarán cada vez más el grado de capacitación de los empleados para aplicar sus habilidades fundamentales dentro de flujos de trabajo bien diseñados y mediados por IA.

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

Ashish Agarwal es profesor en la Escuela de Negocios McCombs de la Universidad de Texas en Austin. Es editor asociado de Management Science y editor de sección en Decision Sciences. Su investigación se centra en la inteligencia artificial, las plataformas digitales, el Internet de las Cosas y la publicidad digital.

Anitesh Barua  es titular de la Cátedra Centenaria David Bruton Jr. de Negocios en la Escuela de Negocios McCombs de la Universidad de Texas en Austin. Su investigación se centra en la IA y la transformación digital, y ha sido publicada en revistas de prestigio como Management Science, MIS Quarterly, Information Systems Research y Organization Science.

Anu Puvvada dirige KPMG Studio, donde combina la investigación prospectiva con la creación de empresas para identificar oportunidades emergentes y lanzar servicios escalables y negocios basados ​​en tecnología.

Fangchen Song  es candidata a doctora en la Escuela de Negocios McCombs de la Universidad de Texas en Austin. Su investigación examina el impacto de la IA en la colaboración en equipo, las organizaciones y el futuro del trabajo. Su trabajo ha sido aceptado para su publicación en Information Systems Research.

Wen Wen Wen es profesora asociada en la Escuela de Negocios McCombs de la Universidad de Texas en Austin. Investiga cómo la IA y las tecnologías digitales están transformando el trabajo, la productividad y el desempeño organizacional. Sus investigaciones se han publicado en prestigiosas revistas, como Management Science, Information Systems Research, MIS Quarterly, Strategic Management Journal y Journal of Marketing Research.