Doxa 2592

Tres preguntas para poner a prueba sus prioridades

Por Karen Walker

Toma de Decisiones y Resolución de Problemas

Harvard Business Review

#Doxa #Prioridades #TomaDeDecisiones #Estrategia #Autoevaluación #GestiónDelTiempo #ObjetivosClave #Enfoque #Liderazgo #Reflexión #Alineación

Resumen. Los líderes de hoy en día operan en un estado de «urgencia ambiental», en el que el cambio constante, las prioridades contrapuestas y las exigencias implacables hacen que todo parezca igual de importante. Los marcos tradicionales de establecimiento de prioridades y gestión del tiempo se diseñaron para crisis temporales y resultan menos eficaces cuando la urgencia se convierte en la norma. En lugar de intentar hacer más, los líderes deben tomar menos decisiones, pero mejores, eligiendo conscientemente qué perseguir, delegar, aplazar o abandonar. Hay tres pruebas de toma de decisiones que pueden resultar de ayuda: la «prueba de sustitución» identifica el trabajo que solo el líder puede realizar; la «prueba de acumulación» da prioridad al valor a largo plazo; y la «prueba del miedo» saca a la luz las decisiones que se están eludiendo. En conjunto, mejoran el criterio, reducen la fatiga decisoria y fomentan organizaciones más saludables.

A principios de este año, participé en un taller con diez directivos de una empresa tecnológica valorada en mil millones de dólares que estaba llevando a cabo una transformación de SaaS a IA. Inicié la conversación con una pregunta sencilla: «¿Qué les ha exigido realmente estos últimos 90 días?»

El ambiente se animó rápidamente.

«Simplemente no consigo desconectar del trabajo. En cuanto lo intento, surge algo urgente», comentó uno de los directivos.

«No puedo establecer prioridades porque estoy desbordado de solicitudes», añadió otro.

Un tercero tomó la palabra: «Quiero dedicar más tiempo a formar a mi equipo, pero todo es tan frenético que he acabado dejando marchar a buenos profesionales. Siento que es culpa mía. Simplemente no podía ocuparme de todo lo demás y, al mismo tiempo, brindarles el apoyo que necesitaban».

No se trataba de líderes noveles que carecieran de habilidades o que necesitaran que se les explicara cómo establecer prioridades. Eran líderes con experiencia, acostumbrados a tomar decisiones complejas y a dirigir equipos numerosos. Pero algo fallaba y supe al instante que no se trataba de un caso aislado.

Desde entonces, he observado cómo se repite el mismo patrón en mi labor de coaching con altos ejecutivos: la dificultad no radica en la incapacidad de un líder para decir «no» ni en una mala gestión del tiempo. Se trata de tener que tomar las mejores decisiones cuando todo parece crítico, cuando surgen nuevas prioridades antes de que se puedan resolver las anteriores y cuando cada concesión tiene consecuencias reales.

Los líderes trabajan en un mundo en el que la urgencia —racional o irracional— se ha convertido en la condición operativa por defecto. A esta condición la denomino «urgencia ambiental».

Cuando la urgencia ambiental es la norma

La urgencia ambiental es esa sensación crónica y de baja intensidad de que todo es urgente, de que hay que seguir avanzando y de que nada puede esperar. A diferencia de la urgencia episódica —que es efímera y acaba resolviéndose con una solución—, la urgencia ambiental no remite. Se trata de un estado permanente e invisible que se desarrolla en segundo plano.

Lo que hace que la urgencia ambiental resulte especialmente desafiante es que se autorreproduce. Los líderes atrapados en un sistema que genera presión constante la perpetúan al crear, sin quererlo, las mismas condiciones en las que operan sus equipos.

La cuestión, pues, no es cómo ralentizar el río, sino cómo actuar de forma más reflexiva en su seno.

Históricamente, los líderes han recurrido a marcos de priorización a la hora de gestionar situaciones de urgencia puntuales. Estos marcos funcionan bien cuando se enfrenta una interrupción temporal —un momento que requiere concentración y tras el cual el sistema puede volver a la normalidad—. Se basaban en la suposición de que, si los líderes simplemente tenían más claros sus valores, establecían mejores límites o aprendían a utilizar mejor las herramientas de gestión del tiempo, la urgencia se aliviaría. Se trataba de buenas guías para las circunstancias del pasado. Pero las cosas han cambiado.

En un estado de urgencia constante, la tarea ya no consiste en clasificar qué se debe hacer primero, sino en tomar decisiones difíciles y hacer concesiones sobre qué perseguir, aplazar o descartar.

Las investigaciones demuestran que la calidad de las decisiones se deteriora drásticamente en condiciones de gran volumen y alta presión. Cuantas más decisiones tomamos, peor son las decisiones posteriores. La urgencia ambiental crea un estado permanente de fatiga decisoria sin margen de recuperación. Cuando la recuperación es estructuralmente imposible, el rendimiento también disminuye.

Someta sus prioridades a tres pruebas

Para tomar menos decisiones, pero mejores y más claras, en situaciones de gran importancia y en un contexto de urgencia, debe someter sus prioridades a tres pruebas. Es posible que no todas las situaciones requieran aplicar cada una de estas pruebas, pero son válidas en todo tipo de situaciones.

La prueba de sustitución

Pregúntese: ¿Estoy tomando esta decisión porque me encuentro en una posición única para hacerlo o porque soy la persona por defecto encargada de tomar estas decisiones?

Es posible que le resulte difícil delegar ciertas tareas porque lleva tanto tiempo realizándolas que se ha convertido en algo habitual. Sin embargo, al hacerlo, confunde la responsabilidad con la autoría. Trata cada solicitud como algo que requiere su atención personal, lo que hace que se le acumule el trabajo. Y, en un contexto de urgencia, esa costumbre es lo que le abruma.

Para romper ese ciclo, debe identificar cuál es la prioridad que le corresponde exclusivamente a usted, de modo que pueda centrar su atención en ella.

Si su respuesta revela que está tomando esta decisión por defecto, es probable que no sea la decisión que le reporta mayor impacto. Por ejemplo, si dedica 20 minutos a aprobar un informe de gastos crítico que podría autorizar el director financiero, no supera la prueba de sustitución. Esta pregunta le obliga a examinar dónde reside realmente su valor.

Las decisiones que superan esta prueba comparten una característica distintiva: abarcan varias funciones, son decisiones difíciles de tomar que ningún análisis puede resolver por sí solo, o marcan el rumbo a seguir. En cada caso, usted no es el responsable de la toma de decisiones por defecto; es el único que puede tomarla.

La prueba de la capitalización

Pregúntese: ¿Esta decisión generará un valor que aumente con el tiempo o simplemente me ayuda a gestionar la presión del momento?

Cuando todas las decisiones parecen igual de urgentes, se tiende a centrarse en aquellas cuyo impacto se percibe de forma inmediata. La prueba de la acumulación le ayuda a liberarse del pensamiento a corto plazo y a distinguir entre impacto y urgencia. También le permite identificar qué decisiones tienen consecuencias que se acumulan con el tiempo y cuáles solo resuelven lo que es evidente hoy, pero que probablemente no tendrán importancia el próximo trimestre.

Volvamos al ejemplo del directivo que despidió a un buen empleado porque no tenía tiempo para formarlo. Se trata de un fracaso en la prueba de la acumulación que se ha ido manifestando con el paso del tiempo. Desarrollar a las personas genera un efecto acumulativo. Perderlas, por el contrario, supone un deterioro.

Las decisiones cuyo valor se acumula merecen una atención más reflexiva, ya que determinan la trayectoria de la organización. Si hoy resuelve un problema evidente a corto plazo —por ejemplo, limitarse a dar retroalimentación a un empleado con gran potencial cada vez que comete un error— a costa de dejar sin abordar un problema crónico sutil (la tutoría y el desarrollo continuos), está optimizando la situación actual y el alivio inmediato, pero no el progreso.

Un CEO, en una conversación que mantuve con él, lo expresó acertadamente: «Todo lo que hacemos es importante para el resultado, pero quizá no tan importante para el resultado global». Y esa fue la distinción más acertada entre lo que importa ahora y lo que contribuye a alcanzar el objetivo.

La prueba del miedo

Pregúntese: ¿Estoy evitando esta decisión porque no es la más acertada o porque no quiero afrontar las consecuencias de tomarla?

Al trabajar bajo una presión constante, el problema no es que haya demasiadas decisiones que tomar, sino que la urgencia ambiental crea un entorno en el que uno empieza a posponer las decisiones incómodas. Uno quiere dejarlo pasar, pero hacerlo requiere valor y genera miedo: miedo a equivocarse, a perder prestigio, a lo desconocido o al conflicto.

La urgencia sirve de buena excusa para posponer las decisiones difíciles: «Me ocuparé de ello cuando tenga tiempo» o «Recopilemos más datos antes de dar por terminada la colaboración con este cliente». La incomodidad nunca desaparece; simplemente queda enterrada.

Por ejemplo, su empresa está trabajando en tres iniciativas importantes al mismo tiempo: la adopción de la inteligencia artificial, las mejoras operativas y la reducción de costes. Aunque todas ellas parecen prioritarias, usted sabe que está sacrificando la rapidez porque no dispone de recursos suficientes para destinarlos a las tres. Es posible que evite descartar ninguna de las iniciativas porque podría parecer un fracaso por su parte. Esto provoca que las tres se retrasen y que su empresa salga perdiendo frente a la competencia.

Plantearse esta pregunta puede ayudarle a darse cuenta del coste que supone la inacción y de por qué está evitando tomar una decisión, lo que, en consecuencia, le ayudará a realizar concesiones de forma consciente.

Si sigue trabajando en un producto basado en la inteligencia artificial incluso después de que las demandas del mercado hayan cambiado, o si considera que reducir el alcance de una transformación a nivel de toda la empresa es un fracaso y no un reajuste de prioridades, ha suspendido la «prueba del miedo».

...

La mayoría de los líderes ya están llevando a cabo alguna versión de estas pruebas de manera informal. El valor de hacerlas explícitas no radica en reinventar la rueda, sino en lograr que las decisiones importantes sean conscientes, compartidas y reproducibles en todo el equipo.

Los antiguos marcos de toma de decisiones partían del supuesto de que la urgencia era un fallo del liderazgo. No lo es. Es la realidad actual. La cuestión es si establecerá sus prioridades de forma consciente o reactiva. Con unas directrices de toma de decisiones menos numerosas, mejores y más claras, podrá ejercer un juicio más sensato sin ralentizar a su equipo.

Leer sobre Toma de decisiones y resolución de problemas o temas relacionados a Gestión del tiempo, Productividad personal, Delegación, Liderazgo, Visión de liderazgo, Gestión personal, Liderazgo y gestión de personas y Gestionar la incertidumbre

Karen Walker asesora a CEOs y equipos de alta dirección de empresas en fase de fuerte crecimiento durante los procesos de expansión y los puntos de inflexión. Su trabajo figura en la lista de la revista HBR de «10 lecturas imprescindibles sobre el alto rendimiento».

Doxa 2591

No permitas que la IA empeore los malos análisis

Las empresas necesitan disciplina para evitar que los análisis erróneos se generalicen

Por Steven Tadelis

Inteligencia Artificial y Aprendizaje Automático

Harvard Business Review

#Doxa #InteligenciaArtificial #AnálisisErróneos #DisciplinaEmpresarial #GobernanzaDeDatos #TomaDeDecisiones #CalidadDeDatos #SesgoCognitivo #ValidaciónDeModelos #RiesgoEmpresarial #PensamientoCrítico

Resumen. La IA está haciendo que el análisis de datos sea más rápido y accesible, pero también puede amplificar el razonamiento erróneo al generar más respuestas a preguntas equivocadas. Las organizaciones pueden evitar esta trampa desarrollando una «disciplina en la toma de decisiones»: comenzando por la decisión. Deben distinguir entre preguntas descriptivas, predictivas y causales, explicitar las suposiciones, gestionar las métricas de forma coherente, validar los análisis de alto riesgo y priorizar la búsqueda de la verdad sobre la confirmación. Las empresas que utilicen la IA para mejorar la calidad de las decisiones —y no solo la velocidad del análisis— estarán mejor posicionadas para transformar la gran cantidad de datos en juicios sólidos.

La mayoría de las empresas están desarrollando análisis de IA como un problema de acceso: ¿Cómo permitimos que más personas hagan más preguntas sobre más datos? Pero ese no es el punto de partida adecuado. La pregunta correcta es: ¿Cómo ayudamos a las personas a tomar mejores decisiones con las respuestas que reciben?

Soy economista y he dedicado tres décadas a estudiar cómo las organizaciones utilizan los datos para tomar decisiones: como profesor en la Universidad de California en Berkeley, en puestos de alta dirección en eBay y Amazon, y como consultor para empresas de diversos sectores. En el transcurso de este trabajo, he identificado una forma importante de responder a esa pregunta. La clave está en distinguir entre el análisis de autoservicio y el análisis de servicios de decisión. El análisis de autoservicio parte de la pregunta del usuario: ¿Qué quieres saber? El análisis de servicios de decisión empieza un paso antes: ¿Qué decisión intentas mejorar?

Esa diferencia importa. Si un gerente pregunta: "¿Qué campaña tuvo la tasa de conversión más alta?", la IA puede responder rápidamente. Pero si la decisión real es cómo asignar el presupuesto de marketing del próximo trimestre, la pregunta más pertinente podría ser: "¿Qué campaña generó la mayor ganancia incremental entre los clientes que de otro modo no habrían comprado?". Esto podría requerir experimentación, grupos de control o un diseño de medición completamente diferente.

La IA puede ser extremadamente útil en este modelo. Puede reducir el trabajo repetitivo, ayudar a los gerentes a explorar datos, detectar anomalías, generar hipótesis, escribir código, documentar flujos de trabajo y comunicar hallazgos. También puede liberar a los equipos de datos para que dediquen menos tiempo a responder preguntas repetitivas y más tiempo al modelado causal, la previsión, la experimentación y el análisis estratégico.

Pero esas ventajas no llegarán automáticamente. Muchas empresas utilizarán la analítica de IA para mejorar la eficiencia (consultas más automatizadas, tiempos de respuesta más rápidos, menos cuellos de botella); las mejores empresas la utilizarán para aumentar la fiabilidad (capas semánticas, documentación, procedencia de los datos, flujos de trabajo de validación, revisión por expertos); y las mejores empresas la utilizarán para mejorar la calidad de las decisiones (rediseñando la analítica en torno a las decisiones más importantes).

Ajay Agrawal, Joshua Gans y Avi Goldfarb han argumentado que las herramientas cognitivas, como las computadoras y la IA, a menudo sustituyen la habilidad de implementación —la capacidad de ejecutar una tarea— al tiempo que aumentan el valor del juicio. Es cierto. Pero en el análisis de datos, la pregunta clave para la gestión es más específica: ¿Qué rutinas organizacionales transforman el juicio en evidencia útil para la toma de decisiones?

Integrar la disciplina en la toma de decisiones en el análisis de IA

El análisis mediante IA no debe considerarse un complemento para generar más respuestas. Debe integrarse en un modelo operativo para el análisis de datos de alta calidad: las prácticas que determinan qué preguntas vale la pena formular, qué respuestas son fiables y qué decisiones deben tomarse.

Ese modelo operativo consta de seis partes, que detallaré a continuación. Tenga en cuenta que este modelo exige la participación no solo del equipo de datos, sino también de los líderes (quienes deben responsabilizarse de las decisiones), los equipos de análisis (quienes deben responsabilizarse de la disciplina de medición) y los altos ejecutivos (quienes deben responsabilizarse de los incentivos que determinan si se acepta o se ignora la evidencia inconveniente).

1. Empieza por la decisión. Antes de pedirle a la IA que analice los datos, los líderes deberían preguntarse: ¿Qué decisión se pretende mejorar con este análisis? ¿Qué medidas podríamos tomar? ¿Qué evidencia nos haría cambiar de opinión?

El proceso de Amazon de trabajar a la inversa ofrece una analogía útil. Antes de desarrollar un producto, los equipos suelen redactar un comunicado de prensa y una sección de preguntas frecuentes ficticios, partiendo del problema del cliente y el resultado deseado. La clave no reside en que esto responda a la pregunta analítica, sino en que obliga al equipo a clarificar la decisión antes de debatir la evidencia. El análisis de datos mediante IA requiere una disciplina similar: antes de solicitar al sistema que analice los datos, los responsables deben especificar la decisión que el análisis pretende mejorar.

Sin esa disciplina, el análisis se convierte en un ejercicio de producir datos interesantes, o peor aún, en un razonamiento motivado con mejores gráficos. Un panel de control puede mostrar que un segmento de clientes tiene mayor retención que otro, pero este dato no les indica a los líderes qué hacer. El análisis relevante depende de la decisión: si cambiar los precios, ajustar la incorporación de clientes, modificar las características del producto o reorientar el presupuesto de marketing. Cada elección requiere una comparación diferente, un estándar de evidencia distinto y, a menudo, una pregunta causal diferente. Un enfoque centrado en la decisión impone una disciplina sencilla: antes de preguntar qué dicen los datos, hay que especificar qué decisión se supone que la evidencia debe mejorar.

2. Etiqueta la pregunta. Muchos fallos en el análisis de datos comienzan porque la gente no sabe qué tipo de pregunta está formulando. Una pregunta descriptiva pregunta qué sucedió; una pregunta predictiva pregunta qué es probable que suceda; y una pregunta causal pregunta qué sucederá si intervenimos.

Los sistemas de IA pueden difuminar estas distinciones. Un usuario pregunta si una promoción "funcionó", y el sistema informa que los clientes que la recibieron compraron más. Se trata de una comparación descriptiva, no de una relación causal. Un modelo predice qué clientes tienen más probabilidades de regresar, y un gerente concluye que ofrecerles un incentivo los hará volver. Esto es una predicción, no una evidencia de incremento.

He presenciado esta confusión en muchas organizaciones. Un equipo crea un modelo para predecir qué clientes tienen más probabilidades de darse de baja, y los gerentes lo interpretan como la respuesta a quién se le debe ofrecer una oferta de retención. Pero son preguntas distintas. "¿Quién está en riesgo?" es una pregunta predictiva. "¿Cambiará el comportamiento de quién si intervenimos?" es una pregunta causal.

Los resultados analíticos importantes deben indicar explícitamente la pregunta: ¿Este análisis describe un patrón, predice un resultado o estima el efecto de una acción? La respuesta determina el estándar de evidencia.

3. Exponer las suposiciones y los contrafactuales. Los buenos analistas no se limitan a generar cifras. Ponen de manifiesto las suposiciones. ¿Qué clientes se incluyeron? ¿Cómo se definió la métrica? ¿Se dirigió la campaña a un público específico? ¿Actuaron los competidores simultáneamente? ¿El análisis se basa en una correlación, un experimento o un diseño cuasiexperimental? ¿Qué habría ocurrido de otro modo?

El análisis mediante IA debería hacer visibles estas suposiciones por defecto. Cada respuesta importante debería incluir una breve explicación de «motivos para confiar en esto» y «motivos para ser cauteloso». Un sistema útil no solo debería responder a «¿Qué has encontrado?», sino también a «¿Qué podría invalidar esta conclusión?».

Contribuí a que esto sucediera en eBay. Las métricas estándar de búsqueda de pago sugerían que la publicidad con palabras clave de marca era muy efectiva. Pero la pregunta crucial era si esos clientes habrían llegado a eBay de todos modos. Tras analizar esta cuestión con experimentos y grupos de control, la conclusión cambió: gran parte del valor aparente no era incremental. A partir de entonces, eBay convirtió las pruebas contrafactuales en un elemento mucho más central de su evaluación del gasto en marketing.

4. Gestionar las métricas. Muchos errores en los análisis de IA surgirán no porque el modelo sea débil, sino porque el entorno de datos es ambiguo.

Los ingresos, por ejemplo, pueden definirse de forma diferente según el departamento de finanzas o el de producto. La tasa de abandono puede depender de si los clientes inactivos se contabilizan después de 30, 60 o 90 días. Un «usuario activo» puede significar que haya iniciado sesión, realizado una transacción, abierto la aplicación o utilizado una función principal. Un modelo no puede resolver estos conflictos por sí solo.

Airbnb se enfrentó a este problema durante su expansión. Los distintos equipos daban respuestas diferentes a preguntas básicas del negocio porque utilizaban tablas, definiciones de métricas y lógicas de negocio diferentes. La respuesta de la empresa fue crear Minerva, una plataforma de métricas diseñada para proporcionar una fuente única de información fidedigna para análisis, informes y experimentación. La lección para el análisis de IA es clara: antes de democratizar las respuestas, las empresas deben definir qué significan esas respuestas.

Las empresas necesitan tener una clara responsabilidad sobre las métricas importantes: definiciones canónicas, conjuntos de datos aprobados, documentación, limitaciones conocidas y cambios a lo largo del tiempo. El análisis de autoservicio no reduce la necesidad de gobernanza, sino que la incrementa.

5. Validar afirmaciones causales y de gran trascendencia. No todas las respuestas requieren un comité, pero algunas sí. Las organizaciones deben identificar con anticipación los análisis de alto riesgo: asignaciones presupuestarias importantes, cambios de precios, decisiones sobre compensaciones, reclamaciones regulatorias, comunicaciones con los inversores, grandes campañas, decisiones de personal y cambios estratégicos.

Las instituciones financieras ofrecen una analogía útil. En la banca, los marcos de gestión de riesgos de modelos suelen utilizar la priorización basada en riesgos: los modelos con mayor complejidad o relevancia reciben una validación más exhaustiva y frecuente. Las empresas que utilizan análisis de IA necesitan un sistema de clasificación similar. Las cuestiones de bajo riesgo pueden resolverse rápidamente, pero las cuestiones de gran importancia —relacionadas con presupuestos, precios, personal, trámites regulatorios o cambios estratégicos— deben revisarse antes de que influyan en decisiones importantes.

Para reclamaciones de gran trascendencia, los análisis generados por IA deben ser revisados ​​por personas con criterio estadístico, institucional y empresarial pertinente. La validación no debe consistir en comprobar los cálculos una vez que la conclusión ya se ha vinculado a una decisión. Debe significar preguntarse si el análisis responde a la pregunta correcta, utiliza la comparación adecuada, explicita sus supuestos, pone a prueba alternativas plausibles y refleja el coste del error.

Esto es especialmente importante para las afirmaciones causales. Cuando sea factible, los líderes deben solicitar experimentos. Cuando no lo sea, deben preguntarse qué supuestos son necesarios para sustentar una conclusión causal. Antes de actuar, deben preguntarse qué evidencia los haría cambiar de opinión.

6. Recompense la búsqueda de la verdad, no la persuasión. La mayor barrera para mejorar el análisis de datos a menudo no es técnica, sino organizativa.

Si se recompensa a los equipos por demostrar que sus iniciativas funcionaron, encontrarán pruebas de ello. Si los líderes castigan las malas noticias, los analistas aprenderán a suavizarlas. Si se utilizan paneles de control para justificar decisiones ya tomadas, la IA se convertirá en otro instrumento de persuasión interna.

Los líderes deben crear incentivos para una medición honesta. Esto implica celebrar las evidencias que refutan las hipótesis, financiar pruebas de validación, separar la medición de la responsabilidad de la campaña cuando sea necesario y pedir a los equipos que definan el éxito antes de que se conozcan los resultados.

El mensaje cultural debe ser claro: no realizamos análisis para ganar discusiones, sino para tomar mejores decisiones.

“Ten carácter; discrepa y comprométete”, uno de los principios de liderazgo de Amazon, refleja esta disciplina cultural. Requiere que los líderes cuestionen las decisiones con respeto cuando no estén de acuerdo, incluso cuando resulte incómodo, y que defiendan sus ideas basándose en datos en lugar de opiniones. En mi experiencia en la empresa, no solo se permitía a los empleados cuestionar la interpretación de la evidencia por parte de un líder, sino que se esperaba que lo hicieran. Esta norma es importante para el análisis de IA, porque el peligro no reside solo en que los sistemas produzcan respuestas erróneas, sino también en que las organizaciones recompensen las respuestas que faciliten la defensa de los planes existentes.

...

La expresión «basado en datos» siempre ha sido un tanto engañosa. Los datos no impulsan las decisiones; las personas sí. Los datos pueden disciplinar el juicio, desafiar la intuición y revelar patrones que de otro modo pasaríamos por alto. Pero también pueden inducir a error cuando las organizaciones confunden la medición con la comprensión.

La IA proporcionará a los líderes más respuestas que nunca. Algunas serán valiosas. Otras serán erróneas. Algunas serán técnicamente correctas, pero inútiles para la decisión en cuestión. Otras serán seductoras porque confirman lo que las personas poderosas ya creen.

La IA transformará el análisis de datos al generar respuestas abundantes. Sin embargo, las respuestas no son lo mismo que la evidencia, y la evidencia no es lo mismo que una mejor decisión. Por lo tanto, la tarea de la gerencia no consiste en ralentizar la IA en todos los ámbitos, sino en añadir fricción donde el costo de equivocarse es alto, al tiempo que se permite que los análisis de bajo riesgo avancen con mayor rapidez. Antes de actuar en función de una respuesta generada por IA, los líderes deben preguntarse: ¿Qué decisión modificará este análisis? ¿Qué comparación estamos realizando? ¿Qué habría sucedido de otra manera? ¿Qué nos convencería de que estamos equivocados? Las empresas que triunfen no serán las que formulen más preguntas, sino las que sepan qué respuestas son lo suficientemente buenas como para actuar en consecuencia.

Lea más sobre IA y aprendizaje automático o temas relacionados: IA generativa, análisis y ciencia de datos, gestión de datos, gestión de procesos, toma de decisiones organizativas y transformación digital.

Steven Tadelis es profesor de economía y negocios en la Haas School of Business de la Universidad de California, Berkeley, donde ocupa la Cátedra Sarin de Estrategia y Liderazgo. Anteriormente, fue vicepresidente de economía y diseño de mercado en Amazon y director sénior de investigación en eBay. Su investigación se centra en la economía de los mercados digitales, la organización industrial y la toma de decisiones empresariales.

Doxa 2590

El trabajo invisible que agota a tus mejores empleados

Aliviar la carga mental que soportan sus empleados no se trata tanto de reducir el trabajo en sí, sino de rediseñar cómo se estructura y distribuye

Por Leah Ruppanner, Haley Swenson, Kate Mangino, H. Colleen Stuart, David G. Smith y Molly Dickens

Agotamiento

Harvard Business Review

#Doxa #TrabajoInvisible #CargaMental #BurnoutLaboral #RediseñoDelTrabajo #DistribuciónDeTareas #BienestarLaboral #GestiónDelTalento #EstructuraOrganizacional #ProductividadSostenible #LiderazgoConsciente

Resumen. La mayoría de los líderes evalúan la carga de trabajo en función de las horas trabajadas, los plazos de entrega y la productividad, pero estas medidas pasan por alto la carga mental que soportan los empleados: el esfuerzo cognitivo y emocional constante necesario para gestionar las tareas, las relaciones y la coordinación tanto en el trabajo como en casa. CuandoEstas cargas se acumulan, fragmentan la atención, dificultan la priorización y generan un agotamiento persistente. El resultado es una menor concentración, una toma de decisiones más lenta y un mayor riesgo de agotamiento y abandono laboral. Gestionar la carga mental no se trata tanto de reducir el trabajo en sí, sino de rediseñar su estructura y distribución para que los empleados mantengan la concentración, la eficacia y el compromiso. Afortunadamente, los líderes pueden tomar medidas para mitigar esta carga mental: haciéndola visible, estableciendo límites más claros en cuanto a la disponibilidad y reduciendo las exigencias innecesarias durante los periodos de mayor presión. También deben dar ejemplo de recuperación y establecer expectativas realistas. Los empleados no se sentirán con la libertad de establecer límites si los líderes no dan ejemplo.

La mayoría de los líderes asumen que comprenden la carga de trabajo de los empleados al hacer un seguimiento de las horas trabajadas, los plazos de entrega y los indicadores de rendimiento. Sin embargo, estas medidas pasan por alto un factor determinante del agotamiento, la desmotivación y la rotación de personal: la carga mental.

La carga mental es el trabajo cognitivo y emocional continuo que implica planificar, organizar y gestionar los detalles que mantienen el trabajo y la vida en marcha. En el ámbito laboral, el pensamiento requerido para el trabajo no se limita al esfuerzo cognitivo de asegurar que las tareas se realicen dentro de los plazos establecidos. También incluye el aspecto emocional de generar ideas en colaboración para encontrar soluciones, gestionar las relaciones en la oficina, resolver conflictos interpersonales entre empleados y garantizar que el trabajo cumpla con los estándares. En el hogar, esta carga mental implica coordinar el cuidado de los hijos, los padres o los seres queridos; gestionar la logística del hogar; brindar apoyo emocional; y planificar el futuro.  La mayoría de los empleados soportan ambas cargas simultáneamente, y la sobrecarga los está agotando.

Esto no es solo un problema laboral o personal. Es un problema de colisión. Y si bien los líderes no pueden eliminar por completo ninguna de las dos cargas, comprender cómo interactúan y dónde intervenir marca la diferencia entre retener a los mejores talentos y perderlos por agotamiento y rotación. También influye en el desempeño empresarial diario al reducir el tiempo de concentración, ralentizar los ciclos de decisión, aumentar las tasas de error y disminuir la creatividad, lo que puede afectar el crecimiento de los ingresos, la satisfacción del cliente y la velocidad de la innovación.

Basándonos en la investigación del reciente libro de Leah Ruppanner,  Drained: Reduce Your Mental Load to Do Less and Be More,  y en las ideas del  reciente taller de Mental Load Collaborative en Washington, DC, convocado por la Gender & Work Initiative de la Johns Hopkins Carey Business School, trazamos un mapa de los desafíos y un camino a seguir respaldado por la investigación.

El efecto de colisión: cuando las cargas mentales del trabajo y la vida se encuentran.

Consideremos el caso de María, directora de marketing que gestiona el lanzamiento de un producto y cría a su familia mientras su padre recibe tratamiento contra el cáncer en otro estado. Lidera equipos multidisciplinarios, gestiona las relaciones con los proveedores y se asegura de que los resultados del lanzamiento cumplan con los objetivos, al mismo tiempo que coordina con oncólogos, programa tratamientos e investiga centros de atención médica.

La colisión crea tres efectos acumulativos que van mucho más allá de la simple "actividad".

Fragmentación cognitiva. Esto es lo que experimenta María mientras alterna entre Slack y los portales del hospital, entre presentaciones para inversores y reclamaciones de seguros, pensando ocasionalmente en planes familiares o en la necesidad de programar una limpieza dental. Rara vez tiene tiempo para reflexionar profundamente sobre una sola idea. Cada tarea requiere sus propios marcos de toma de decisiones, registros emocionales y flujos de información. A veces se superponen, pero con mayor frecuencia compiten entre sí, y el constante cambio entre ellos no solo consume tiempo, sino que también agota los recursos cognitivos necesarios para ambos.

Priorización imposible. Cuando la enfermera de atención domiciliaria llama durante la presentación de María a los inversores o su jefe necesita una entrega urgente mientras ella va a recoger a sus hijos del colegio, no hay una respuesta "correcta", lo que intensifica la carga emocional del proceso de toma de decisiones. La energía mental que se gasta en estas disyuntivas merma la capacidad para la ejecución efectiva tanto en casa como en el trabajo.

Agotamiento por desbordamiento. El estrés de una tarea se extiende a las demás y hace que la carga mental parezca interminable. El agotamiento cognitivo no proviene de una sola tarea, sino de llevarlas todas a la vez entre el hogar y el trabajo, y de tomar innumerables microdecisiones sobre prioridades, concesiones y plazos. Todo en la agenda de María requiere energía mental. Y a diferencia del agotamiento físico, el agotamiento mental es invisible, lo que hace que sea fácil atribuirlo a una mala gestión del tiempo en lugar de reconocerlo como un desbordamiento entre el trabajo y la familia.

Además, es implacable; el trabajo remoto e híbrido ha erosionado la barrera psicológica entre roles. María revisa Slack durante la cena, paga algunas facturas, responde correos electrónicos antes de acostarse y ha perdido el trayecto al trabajo que antes la ayudaba a relajarse. Su realidad actual es un estado de conexión permanente que ocupa todas sus horas de vigilia.

Una hoja de ruta para que los líderes apoyen la carga mental

Los líderes no pueden controlar la vida personal de las personas. Pero sí pueden comprender que los empleados están constantemente ocupados en actividades que aumentan la carga de trabajo y dispersan la concentración, lo que dificulta la concentración profunda y la verdadera recuperación. Y pueden ayudar a aliviar esta carga. Aquí te explicamos cómo.

Haz visible lo invisible. La mayoría de los empleados no pueden expresar con palabras su carga mental. Los líderes pueden integrar evaluaciones de carga mental para comprender mejor la carga laboral en las revisiones de desempeño, las retrospectivas de equipo y las encuestas anuales de compromiso. Esto puede ayudar a los empleados a desarrollar el lenguaje necesario para expresar inquietudes y proponer mejoras en los procesos. Por ejemplo, LightenLab, un laboratorio académico dirigido por una de nosotras (Leah), ofrece una evaluación gratuita, pero existen muchas otras opciones. También puedes colaborar con el departamento de Recursos Humanos de tu empresa para crear la tuya propia. Una vez que tus empleados tengan sus resultados, puedes facilitar conversaciones sobre preguntas clave:

• ¿Dónde se concentra la carga mental de nuestro equipo?
• ¿Qué patrones surgen en los distintos roles?
• ¿Qué tipos de carga mental consumen más energía?

Estos debates visibilizan el trabajo invisible, crean un vocabulario común para abordarlo estratégicamente y constituyen la base para abordar de forma programática la carga mental de los empleados.

Una vez que los empleados identifican qué contribuye a su carga mental, pueden considerar qué merece tanta atención y qué se puede eliminar, delegar o automatizar. Cuando no es posible eliminar tareas, los gerentes pueden ayudar a los empleados a priorizar y garantizar que aquellos con mucha carga de trabajo dediquen tiempo cada semana al verdadero descanso y recuperación.

Que la flexibilidad sea genuinamente flexible, no meramente formal. La mayoría de las empresas ofrecen flexibilidad laboral, pero aun así esperan una respuesta inmediata durante todo el horario. Esto crea una falsa sensación de flexibilidad, ya que los empleados se sienten culpables por aceptarla o se agotan por la disponibilidad constante. María podría estar en medio de una cita médica con su hijo enfermo cuando recibe un correo electrónico de un cliente. El horario puede ser flexible, pero la presión mental de estar siempre disponible y ser una buena colaboradora para su cliente permanece constante.

En cambio, defina horarios clave de colaboración (por ejemplo, de 10:00 a 15:00) y periodos de desconexión total. Si los empleados tienen emergencias que requieren que estén completamente desconectados, establezca protocolos y procesos para garantizar que el contacto sea limitado, o incluso restringido, durante esos periodos. Esto incluye animar a los empleados a silenciar toda la correspondencia laboral durante esos momentos.

Además, cuando un miembro del equipo se enfrenta a una emergencia, los líderes deben asignar claramente tareas específicas de cobertura según la capacidad de cada persona, reconociendo explícitamente la carga adicional que esto supone. No dejen la responsabilidad en manos de voluntarios. Presenten la situación como una muestra de resiliencia colectiva, por ejemplo: «Nos protegemos mutuamente porque la vida nos afecta a todos», y hagan que la reciprocidad sea real: cuando quienes brindaron cobertura necesiten flexibilidad más adelante, la recibirán sin dudarlo. Los líderes deben asumir visiblemente una parte sustancial del trabajo de cobertura para normalizar la práctica y demostrar que no se trata solo de una política, sino de un valor cultural arraigado.

Crea mecanismos de reserva mental durante los períodos de alto volumen de trabajo. Cuando el volumen de trabajo aumenta repentinamente, es posible que no se pueda reducir el trabajo esencial. Sin embargo, se puede disminuir la carga mental relacionada con el trabajo limitando el contacto no esencial durante los períodos de mayor actividad. Esto podría incluir permitir que los empleados afectados activen las respuestas automáticas por correo electrónico o los estados de Slack y Teams, indicando sus prioridades y el modo "no molestar". Los líderes y gerentes también pueden identificar las decisiones no esenciales, simplificar los requisitos de informes y agrupar las reuniones para garantizar que el contacto y la correspondencia se limiten al trabajo esencial. A nivel organizacional, esto implicaría limitar el contacto entre equipos para tareas no esenciales, como retrasar los correos electrónicos generales de la empresa o limitar la capacitación de RR. HH. a los períodos de menor actividad.

Modelo de recuperación y límites a nivel de liderazgo. Los empleados no creerán que tienen permiso para establecer límites si los líderes no dan el ejemplo. Si los miembros de tu equipo directivo responden correos electrónicos a medianoche y trabajan incluso durante sus vacaciones, esa es la cultura real de tu organización, independientemente de lo que digan tus políticas escritas.

Los líderes deben tomarse un tiempo desconectado de forma visible, establecer y comunicar límites en los horarios de comunicación y reconocer a los empleados que aprovechan al máximo sus vacaciones. Deben hablar abiertamente sobre los altibajos de la vida laboral y su carga mental para ayudar a los empleados a comprender su impacto, y fomentar conversaciones sobre soluciones y recursos para gestionar específicamente dicha carga. Por ejemplo, establecer horarios de desconexión claros y visibles en calendarios compartidos, plataformas de comunicación o carteles en la oficina demuestra que es apropiado y necesario establecer límites. Otra estrategia eficaz para los líderes con delegados formales es designarlos como punto de contacto principal para situaciones urgentes durante el tiempo de desconexión programado. Concienciar sobre esta expectativa e integrarla en las acciones y conversaciones diarias es fundamental para visibilizar lo invisible.

...

La carga mental puede no ser una prioridad para los líderes en medio de la disrupción de la IA, la volatilidad geopolítica y la incertidumbre económica. Sin embargo, como sugieren las investigaciones y las prácticas emergentes, no se trata de una preocupación secundaria, sino de una limitación organizacional fundamental para la concentración, la toma de decisiones y la innovación.

Los líderes ahora cuentan con una estrategia más clara: visibilizar el trabajo invisible, analizar dónde la carga mental está mermando la capacidad y rediseñar el trabajo y las políticas para distribuirlo mejor. Las organizaciones que lo hagan bien lograrán un pensamiento más agudo, una mejor captación de talento y un desempeño más resiliente. Quienes no lo hagan seguirán pagando el precio oculto de la atención fragmentada, el agotamiento evitable y la rotación de personal. La pregunta ya no es si la carga mental importa, sino si su organización está dispuesta a gestionarla con la misma deliberación que cualquier otro factor determinante del desempeño.

Lea más sobre el agotamiento laboral o temas relacionados: Conciliación de la vida laboral y familiar, Liderazgo de equipos, Horarios flexibles, Políticas de permisos, Retención de empleados, Cultura organizacional, Salud mental y Liderazgo.

Leah Ruppanner Es profesora de sociología en la Universidad de Melbourne y fundadora de LightenLab. Es autora de Drained: Reduce Your Mental Load to Do Less and Be More y Motherlands: How States Push Mothers Out of Employment.

Haley Swenson Es científica social y redactora e investigadora sénior en Better Life Lab de New America, un programa de políticas centrado en contar historias más veraces sobre el trabajo, el cuidado, el género y la familia.

Kate Mangino es la autora de Equal Partners: Improving Gender Equality at Home y copresentadora del podcast Equal-ish. Kate escribe sobre las normas de género en el hogar y el trabajo, e investiga posibles puntos de intervención para el cambio social.

H. Colleen Stuart Es profesora asociada y codirectora de la Iniciativa de Género y Trabajo en la Escuela de Negocios Carey de la Universidad Johns Hopkins. Su investigación se centra en las mujeres y el trabajo, analizando cómo superan las barreras en el ámbito laboral para alcanzar el éxito y las implicaciones de dicho éxito.

David G. Smith Es profesor y codirector de la Iniciativa de Género y Trabajo en la Escuela de Negocios Carey de Johns Hopkins. Es coautor de Fair Share: How Men and Women Can Create a More Equitable Workplace Together, Good Guys: How Men Can Be Better Allies for Women in the Workplace y Athena Rising: How and Why Men Should Mentor Women.

Molly Dickens Es fisióloga del estrés y defensora de la salud de la mujer. Es investigadora visitante en la Universidad de California en Davis y escribe sobre la intersección del estrés, la salud y los cambios estructurales para brindar un mejor apoyo a los padres y cuidadores que trabajan para The Maternal Stress Project Substack.

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.

 

Doxa 2588

Modela la transformación que esperas de tus empleados

Por Antonio Nieto-Rodríguez

Transformación organizacional

Harvard Business Review

#Doxa #Liderazgo #Ejemplo #Coherencia #Valores #Comportamiento #Inspiración #Cultura #Integridad #Compromiso #Actitud

Resumen. Los líderes deben dar ejemplo de la transformación que esperan que los demás lleven a cabo. Sin embargo, muchos equipos directivos socavan sus propias ambiciones al promover la agilidad, la experimentación y la innovación, mientras siguen gestionando mediante procesos obsoletos que premian la previsibilidad y la evitación del riesgo. Los empleados perciben esta incongruencia y siguen lo que hacen los líderes, no lo que dicen. Las transformaciones más exitosas se producen cuando los altos directivos respaldan personalmente las iniciativas más inciertas de la organización, dedican un tiempo significativo al cambio, apuestan por el aprendizaje y demuestran su disposición a cambiar de rumbo cuando los datos así lo exigen. Los ejecutivos pueden comprobar si realmente están dando ejemplo examinando cómo emplean su tiempo (la «prueba del calendario»), cómo gestionan la ambigüedad como equipo directivo (la «prueba de la incertidumbre» como equipo) y si retiran abiertamente aquellas iniciativas que ya no generan valor (la «prueba de la cancelación»).

En tantas transformaciones en las que he prestado asesoramiento, se repite siempre la misma escena. El CEO abre la reunión general con convicción: «Vamos a ser más ágiles, más digitales y a centrarnos más en el cliente». La reunión general termina, las diapositivas se publican en la intranet y, en menos de una semana, el equipo directivo vuelve al mismo ritmo operativo de antes: las mismas revisiones mensuales, los mismos paneles de control, la misma agenda dominada por la gestión del negocio actual. La transformación permanece en la presentación, pero no se refleja en las agendas personales de los líderes.

La obviedad de que «los empleados se resisten al cambio» es una historia reconfortante que los líderes se cuentan a sí mismos cuando fracasan los esfuerzos de transformación, pero las pruebas apuntan a una causa diferente. La investigación de McKinsey sobre más de 1.000 transformaciones revela que, cuando los altos directivos dan ejemplo de forma visible de los comportamientos que exigen a los empleados, las transformaciones tienen 5,3 veces más probabilidades de tener éxito; sin embargo, solo el 43 % de los líderes lo hace realmente. El estudio comparativo de Prosci, basado en más de 25 años y 12 estudios, apunta en la misma dirección: el apoyo activo y visible de la dirección ha sido el factor que más ha contribuido al éxito del cambio en todas las ediciones desde 1998, y los proyectos que cuentan con un patrocinador extremadamente eficaz alcanzan o superan sus objetivos en el 79 % de los casos. En el caso de aquellos con un patrocinador extremadamente ineficaz, la cifra se desploma hasta el 27 %. El obstáculo más citado para el éxito es la ausencia de ese patrocinio, no la resistencia por parte de la plantilla. La plantilla no es, en general, el cuello de botella. El cuello de botella se encuentra en la cúpula directiva.

Este es un argumento central de mi libro *Powered by Projects: Leading Your Organization in the Transformation Age*. Hemos entrado en una economía de proyectos en la que el trabajo que genera valor es, cada vez más, el trabajo por proyectos —transformar el negocio, en lugar de gestionar un negocio repetitivo— y la organización impulsada por proyectos está sustituyendo a la «máquina operativa» como forma dominante. Ese cambio estructural no cumplirá su promesa a menos que el equipo directivo esté dispuesto a actuar de forma diferente: deben dar ejemplo de la transformación a su personal.

En qué consiste «dar ejemplo en la transformación»

La mayoría de las transformaciones conllevan exigencias de comportamiento que son notablemente similares en todos los sectores: asumir más riesgos, llevar a cabo experimentos, aprender rápidamente y cambiar de rumbo cuando cambien los datos. El equipo directivo suele respaldar todas estas medidas.

Sin embargo, con demasiada frecuencia, los líderes vuelven a dirigir la empresa a través de foros operativos concebidos para una época diferente: revisiones trimestrales de negocio, comités de aprobación de inversiones, el ciclo de planificación anual y el sistema de gestión del rendimiento. Y cada uno de esos foros castiga precisamente los comportamientos que la transformación exige.

La contradicción no es sutil, y los empleados la perciben de inmediato. Se les pide, de buena fe, que hagan una cosa, mientras que los sistemas que les rodean premian otra muy distinta. A largo plazo, la transformación se va apagando silenciosamente en la brecha entre ambas; no porque nadie la haya saboteado, sino porque el sistema operativo siguió haciendo exactamente lo que estaba diseñado para hacer.

Por el contrario, las organizaciones impulsadas por proyectos más exitosas con las que trabajo comparten una característica: el CEO es el patrocinador visible de la iniciativa más ambigua de la cartera, no de la más segura. Y cuando el resto del equipo directivo ve que el CEO actúa de esa manera, hace lo mismo.

Cuando Piyush Gupta asumió el mando del DBS Bank de Singapur en 2009, heredó una entidad a la que los clientes apodaban «Damn, Bloody, Slow» (Maldita, maldita, lenta). Durante los quince años siguientes, lideró una de las transformaciones más estudiadas en el sector de los servicios financieros; Innosight acabó clasificando a DBS entre las diez organizaciones más transformadoras de la década de 2010. La estrategia seguía unas líneas generales ya conocidas: digitalizar el banco, fomentar la experimentación y crear una cultura de start-up dentro de una institución de 27 000 empleados. Lo que hizo que la iniciativa cuajara fue la forma en que el propio Gupta se implicó personalmente.

Visitó sucursales de incógnito, haciendo cola como un cliente más, para comprender por sí mismo por qué la gente encontraba el banco tan frustrante. Hizo de la realización de experimentos un KPI para los altos directivos, y no un permiso concedido a los equipos de menor rango; el banco llevó a cabo 1.000 experimentos en un solo año, con la participación de la mayor parte de la dirección. Abrió un canal de correo electrónico anónimo llamado «Tell Piyush» durante dos semanas cada trimestre y, a continuación, dedicó meses a analizar las sugerencias, de las cuales aproximadamente un tercio dio lugar a cambios en las políticas. Cuando DBS se lanzó al campo de la inteligencia artificial, el propio Gupta se inscribió en la AWS DeepRacer League del banco, un simulador de coches autónomos utilizado para enseñar aprendizaje automático, y, según sus propias palabras, terminó «entre los 100 mejores de nuestra plantilla». Un gesto pequeño, pero inequívoco. Les estaba diciendo a los 27 000 empleados que estaba dispuesto a competir en un proceso de aprendizaje, a pesar de que era evidente que no era el mejor de la sala.

Gupta es solo un ejemplo. He observado el mismo patrón en entornos menos conocidos, incluso en procesos de transformación en los que he prestado asesoramiento. El CEO de una empresa energética europea que presidió personalmente la apuesta de diversificación más arriesgada del grupo —y dejó deliberadamente que los programas más seguros se desarrollaran sin su participación—. El CFO de una empresa farmacéutica global que destinó a su mejor responsable de control de gestión a una iniciativa de inteligencia artificial aún sin contrastar, dejando claro a través de las personas, más que de memorandos, dónde residía la prioridad. El CEO de un banco minorista que se unió a las sesiones de trabajo de una iniciativa digital de cuya supervivencia nadie estaba seguro, y permaneció en la sala cuando los primeros resultados fueron dispares.

Cuando los líderes no dan ejemplo

El hecho de no modelar la transformación rara vez es deliberado y, a menudo, surge de una serie de pequeñas decisiones que parecen justificables. Podría tratarse, por ejemplo, de un líder que ha defendido la entrega ágil, pero que aún así exige un análisis de viabilidad completo antes de aprobar un experimento de seis semanas. Un CEO que ha instado a asumir riesgos asigna discretamente la iniciativa más ambigua al líder con mayor propensión a ir sobre seguro. Un responsable de área que ha firmado la carta de transformación se niega a destinar a ella a ninguno de sus mejores profesionales, porque el trabajo diario no puede permitirse perderlos (el mismo trabajo diario que la transformación pretendía generar disrupción).

Ninguna de estas decisiones se percibe como un sabotaje por parte de quien la toma. Cada una de ellas, considerada de forma aislada, parece una medida de gestión prudente. Sin embargo, el efecto acumulativo es que la transformación acaba contando con voluntarios a tiempo parcial, se rige por los mismos foros que ya existen y se evalúa según los mismos indicadores que se pretendía sustituir. Los empleados de toda la organización llegan a la conclusión acertada de que nada ha cambiado de forma fundamental en la cúpula directiva.

Fíjese en el nombramiento de António Horta-Osório como presidente de Credit Suisse en abril de 2021. El banco acababa de sufrir las quiebras de Greensill Capital y Archegos Capital—solo el impago de Archegos le costó al banco unos 5.5 mil millones de dólares—, lo que puso de manifiesto lo que el presidente del regulador financiero suizo denominó «un problema cultural que se tradujo en una falta de responsabilidad». El consejo de administración contrató a Horta-Osório, a quien se le atribuía el mérito de haber reflotado el Lloyds Banking Group, precisamente para reformar la cultura de Credit Suisse. Él mismo definió la nueva orientación con sus propias palabras: «Estamos comprometidos con el desarrollo de una cultura de responsabilidad personal y rendición de cuentas, en la que los empleados sean, en esencia, gestores de riesgos».

Nueve meses después, dimitió. Una investigación interna había concluido que había incumplido personalmente en dos ocasiones las normas de cuarentena por la COVID-19, incluido un viaje a la final de tenis de Wimbledon, y su uso de los jets privados del banco se había convertido en uno de los puntos centrales de la investigación. La transformación cultural para la que se había contratado a Horta-Osório nunca recuperó su impulso. A los quince meses de su dimisión, Credit Suisse ya no existía como institución independiente: en marzo de 2023 se vio obligado a aceptar una adquisición de emergencia, mediada por el Estado, por parte de UBS.

Si bien este caso de Credit Suisse pone de manifiesto una serie de fallos en materia de gobernanza y gestión de riesgos, en el fondo radica el fracaso de Horta-Osório a la hora de encarnar y servir de modelo para la transformación que la organización necesitaba. El presidente, al que se le había encomendado explícitamente la tarea de fomentar una cultura de responsabilidad personal, fue incapaz de estar a la altura del nivel que exigía a todos los demás. En una transformación, los comportamientos que cunden son aquellos que los líderes demuestran, no los que simplemente expresan.

¿Está usted realmente dando ejemplo de la transformación?

En mi trabajo con equipos ejecutivos, he empezado a utilizar una nueva forma de iniciar la conversación. En lugar de preguntar «¿Cuál es su estrategia de transformación?», empiezo diciendo: «¿De qué manera visible está usted, personalmente, haciendo aquello que pide a todos los demás que hagan?». Al plantear esta pregunta, suelo encontrarme con un silencio; para romperlo, les planteo tres preguntas. Cada una de ellas es una forma diferente de determinar si el equipo directivo está realmente inmerso en la transformación.

La prueba del calendario.En un mes cualquiera, ¿qué porcentaje del tiempo del equipo directivo se dedica a la transformación en lugar de a la gestión del negocio actual? En los equipos con los que trabajo, ese porcentaje rara vez supera el 10 % en la primera medición, incluso cuando la retórica sugiere que debería acercarse más a la mitad. Y dentro de ese tiempo, ¿está el CEO respaldando personalmente una apuesta cuyo resultado es realmente desconocido, o solo las iniciativas que son apuestas seguras? Para modelar verdaderamente la transformación, el nombre del CEO debería figurar en la apuesta más arriesgada y debería dedicar su tiempo a ella.

La prueba de la incertidumbre.¿Cuenta el equipo directivo con alguna experiencia compartida a la hora de actuar conjuntamente en situaciones de auténtica incertidumbre? La mayoría de los ejecutivos han forjado sus carreras dominando negocios que ya conocían; la transformación premia, en cambio, la habilidad opuesta. Un equipo que nunca se ha enfrentado conjuntamente a una apuesta real y sin resolver tiende a gestionar la transformación desde fuera en lugar de desde dentro, revisándola y supervisándola, pero sin llegar a vivirla en primera persona. Para que un equipo directivo comprenda lo que está pidiendo a su personal, debe hacerlo primero por sí mismo. Esto no se puede delegar, ni simular en un taller. Deben enfrentarse juntos a una situación de incertidumbre, tomar decisiones difíciles antes de disponer de los datos y asumir la responsabilidad del resultado, sea cual sea.

La prueba de cancelación.¿Cuándo fue la última vez que el equipo directivo abandonó públicamente una iniciativa que había defendido anteriormente? Detener un proyecto —cambiar de opinión cuando ello supone un coste real— es el acto de aprendizaje más visible que puede llevar a cabo un equipo directivo. Las carteras sanas retiran dos o tres proyectos al año, con las lecciones aprendidas bien comprendidas y expuestas; las carteras poco sanas mantienen vivos todos los proyectos de hace años, sin financiación pero nunca finalizados. Si no se ha retirado nada en años, ahí es donde hay que empezar. El equipo directivo debería descartar algo que en su día defendió y expresar abiertamente lo que ha aprendido de ello. Una cancelación pública demuestra que cambiar de opinión no cuesta nada cuando cambian los datos —que es precisamente lo que se ha estado pidiendo a todos los demás que hagan desde el principio.

Estas tres pruebas se reducen, en realidad, a una sola pregunta: ¿forma parte el equipo directivo de la transformación o se limita a observarla desde fuera? Si no superan estas pruebas, ya le habrá dejado claro a su personal que el trabajo de cambio es cosa de todos menos de usted.

...

Una gran empresa industrial a la que había estado asesorando pasó la mayor parte de dos años «en proceso de transformación» sin apenas resultados que mostrar: la estrategia era sólida y la oficina del programa estaba muy ocupada, pero el equipo directivo trataba la iniciativa como algo que había que revisar una vez al mes, en lugar de como algo que había que liderar.

Entonces llegó un nuevo CEO. Asumió personalmente la responsabilidad de las dos iniciativas más difíciles, situándolas en lo más alto de su agenda y participando en las sesiones de trabajo en las que se tomaban las decisiones realmente difíciles. El resto del equipo siguió su ejemplo en cuestión de semanas, y las decisiones que llevaban meses estancadas comenzaron a resolverse.

El éxito de DBS —y el fracaso de Credit Suisse— se basó en la incómoda verdad de que los líderes no pueden delegar una transformación. Se puede impulsar, financiar, comunicar y gestionar, pero si no se vive de forma visible el cambio que se está exigiendo, la organización acabará por dejar de fingir que lo hace.

Lea sobre Transformación organizacional or related topics Gestión del cambio, Liderazgo, Gestión de proyectos ágiles, Transformación digital, Comunicación de gestión y Experimentación

Antonio Nieto-Rodriguez es director general de Projects & Company, una consultora especializada en asesorar a empresas sobre cómo desarrollar capacidades de transformación, y autor de Harvard Business Review Project Management Handbook (2021) y Powered by Projects (2026).