Un piloto responde a una pregunta acotada: si esta pieza específica de IA, en este entorno específico, puede asumir esta tarea específica. Es una pregunta útil, y la respuesta suele ser aplicable. Pero un piloto no comprueba si el supuesto que sostiene su estrategia sigue siendo válido. Ese supuesto era más amplio: que una parte determinada del trabajo en su organización sigue siendo trabajo humano, que una función determinada sigue siendo escasa, que un competidor no puede desarrollar cierta capacidad con rapidez. Un piloto exitoso en un rincón de la empresa dice poco al respecto. Un piloto fallido, aún menos, porque el fracaso puede deberse a los datos, a las herramientas, a las personas que lo ejecutaron, y no a la pregunta en sí.
La diferencia entre un piloto y una comprobación estratégica está en el alcance de la pregunta. Un piloto pregunta: ¿funciona esto aquí? Una comprobación estratégica pregunta: ¿sobre qué supuesto se construye nuestro plan, y sigue siendo cierto hoy? Son preguntas distintas, con respuestas distintas, y una dirección que responde a la primera pregunta y cree haber resuelto la segunda trabaja con un punto ciego que nadie ha detectado.
Que la IA asuma trabajo no ocurre como un anuncio. Ocurre tarea por tarea, equipo por equipo, y por lo general sin que exista una decisión previa que toda la organización vea. Un supuesto en un plan estratégico de hace dos años —que una determinada función de análisis sigue siendo escasa y consume mucho tiempo, que un competidor no puede escalar rápidamente un determinado servicio— puede haber caducado entretanto sin que nadie lo haya retirado. No porque el supuesto fuera erróneo cuando se formuló, sino porque el mundo debajo de él se ha movido mientras el documento seguía intacto.
Tres categorías atraviesan cada tipo de trabajo: tareas que la IA ya puede asumir, tareas que se transfieren parcialmente con supervisión humana que aprueba o rechaza, y tareas que siguen siendo trabajo humano. Qué tarea cae en qué categoría varía según la empresa. Depende de la calidad de los datos subyacentes, de cuánto contexto requiere una tarea, de si existe normativa que exija aprobación humana, y de cómo está organizado el trabajo actualmente. Dos empresas del mismo sector pueden tener por tanto resultados completamente distintos, y ambas pueden tener razón para su propia situación.
Un piloto es local por diseño: un equipo, un proceso, un período. Precisamente por eso no muestra si el supuesto que sostiene la estrategia en su conjunto sigue siendo válido. Un piloto puede tener éxito mientras el supuesto más amplio ya no es cierto desde hace tiempo, porque el piloto se sitúa por casualidad en un rincón al que el cambio aún no ha llegado. Un piloto también puede fracasar mientras el supuesto ya está desactualizado en otra parte de la empresa, porque el fracaso no dice nada sobre otros departamentos u otras tareas.
Quien quiera saber si una estrategia sigue siendo válida no debe preguntar si funciona una aplicación de IA, sino qué supuestos sostienen la estrategia y cuándo se comprobaron por última vez. Es un ejercicio distinto de ejecutar un piloto, y es el ejercicio que explica por qué cómo distingue una moda pasajera de IA de un cambio que se queda no se puede responder con un solo experimento.
Las empresas donde esto ya está bien resuelto suelen tener algo en común: alguien en la organización detecta de forma estructurada cuándo una tarea cambia de categoría, y esa señal llega hasta quien determina la estrategia. En otras empresas, esa señal se queda estancada en un equipo aislado, o no se detecta en absoluto porque nadie tiene esa función. Quién en la organización es el primero en ver que la IA asume trabajo no siempre es quien tiene más mandato, y esa brecha entre quién lo ve y quién decide sobre ello es donde las estrategias permanecen estancadas más tiempo sin que nadie lo note.
La pregunta subyacente —qué trabajo en esta empresa realmente puede asumir la IA, y qué trabajo no— se responde con el escáner de trabajo de FTE TO AI, tarea por tarea, con una estimación de lo que la IA puede asumir, lo que requiere supervisión y lo que sigue siendo trabajo humano.
Este enfoque estima, no mide. La categoría en la que cae una tarea —asumible, con supervisión, o trabajo humano— es una estimación basada en lo que se sabe en este momento sobre la tarea, el sector y la tecnología disponible. Esa estimación puede cambiar en cuanto la tecnología evolucione o en cuanto la tarea misma se organice de otra manera. Un resultado establecido hace tres meses ya no dice nada sobre hoy si el supuesto subyacente ha caducado entretanto. Por eso una comprobación puntual nunca es suficiente, y por eso la pregunta cómo mantiene una estrategia actualizada sin revisarla cada trimestre requiere un enfoque distinto al de una jornada estratégica anual.
Si un resultado afecta a decisiones de personal, se aplica entonces otro marco con requisitos legales propios; este método no proporciona fundamento para despidos ni asesoramiento de personal. Ofrece una imagen de qué trabajo probablemente se desplazará, de modo que una dirección sepa qué supuesto del plan sigue en pie y cuál no, y qué decisiones pueden por tanto esperar —una pregunta desarrollada en qué decisiones conviene posponer hasta que se responda la pregunta de la IA.
Un piloto muestra si algo funciona. Una comprobación estratégica muestra si el plan sigue siendo válido. Quien quiera empezar por lo segundo puede hacer la comprobación de supuestos gratuita: una ronda breve en la que identifica sus supuestos principales y ve, por cada supuesto, cuándo se confirmó por última vez. La prueba completa, con datos sectoriales, relojes normativos y el gráfico directivo uno junto al otro, está en construcción.
Stel uw vraag. Vaak zit de echte vraag een laag dieper — daar mag ik naar vragen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.