En prácticamente toda estrategia hay, casi siempre sin decirlo explícitamente, una suposición sobre la naturaleza del propio trabajo: esto es demasiado especializado, demasiado dependiente del contexto, demasiado a medida para encajarlo en un proceso estándar. Esa suposición no ha surgido de la nada. Se ha construido a partir de años de experiencia con software que seguía reglas y que, por tanto, solo podía hacer lo que se había previsto de antemano. El trabajo que dependía del juicio, de la excepción, de leer una situación que no estaba en el manual, seguía siendo, por ello, trabajo humano. La conclusión se convirtió en un pilar fijo de la estrategia: esta parte de nuestro trabajo es nuestra, y lo seguirá siendo.
Mientras la automatización se basara en reglas, la suposición era acertada. Un sistema que sigue exactamente lo que está programado no puede reconocer una excepción que no ha sido definida como tal. El trabajo con muchas variantes, poca repetición y una evaluación basada en la experiencia quedaba, por ello, fuera del alcance de la automatización. La estrategia construida sobre esta suposición era correcta, y las direcciones que la mantenían tenían razón. El problema no es que la suposición fuera nunca errónea. El problema es que la condición en la que se apoyaba ha cambiado.
La IA que trabaja con lenguaje, patrones y contexto no necesita conocer de antemano cada variante. Reconoce similitudes con lo que ya ha visto y las aplica a una nueva situación. Como resultado, una parte del trabajo que se consideraba no estandarizable se desplaza hacia una de tres categorías: trabajo que la IA puede gestionar de forma autónoma, trabajo en el que la IA propone algo y una persona lo aprueba o rechaza con motivación, y trabajo que sigue siendo humano porque la evaluación depende demasiado de la experiencia, la responsabilidad o el contexto que no está registrado. Ese desplazamiento no ocurre de forma uniforme en todas partes. Una empresa donde las evaluaciones están bien documentadas, donde los patrones en casos anteriores son reconocibles y donde existe supervisión sobre los resultados de la IA, ve que esta parte del trabajo se desplaza más rápido que una empresa donde esa misma evaluación reside en gran medida en la cabeza de los empleados. La diferencia no está en el sector, sino en cuán explícito se había hecho ya el trabajo antes de que la IA empezara a intervenir.
La suposición rara vez caduca con un anuncio. Caduca porque un competidor, un proveedor o un cliente hace algo que, según la vieja suposición, no era posible. Algunas señales que lo indican: un proveedor en el mercado ofrece un servicio a un ritmo o precio que solo se explica si una parte del trabajo de evaluación ha sido asumida por otro medio. Las discusiones internas sobre calidad ya no giran en torno a si algo es correcto, sino en torno a si la supervisión sobre el resultado es suficientemente buena. Los nuevos empleados se destinan al control y la corrección en lugar de a la tarea original. Y la pregunta de si los nuevos participantes en el mercado siguen necesitando años para aprender este trabajo recibe una respuesta distinta a la de hace cinco años. Ninguna de estas señales demuestra algo por sí sola. Juntas son motivo suficiente para volver a poner a prueba la suposición, en lugar de dejarla vigente solo porque nunca ha sido contradicha.
Este desplazamiento también afecta a la pregunta de dónde se encuentra exactamente el margen en una empresa. Si el trabajo que se consideraba no estandarizable se vuelve parcialmente asumible por otros medios, también se desplaza el lugar donde se añade valor en el proceso, algo que está relacionado con la suposición de que el margen está en la ejecución. Quien trate esto únicamente como una cuestión operativa, pasa por alto que se trata de una suposición estratégica que necesita revisión.
Este tema inevitablemente también toca la cuestión de qué significa esto para la plantilla. Esta página no trata sobre eso. Si una dirección considera decisiones que afectan al personal, se aplican requisitos legales y un proceso propios; eso queda fuera de lo que se trata aquí.
Una suposición sobre la estandarizabilidad del trabajo se puede poner a prueba, siempre que siga los indicadores adecuados. Algunos indicadores útiles son: la proporción de tareas dentro del trabajo que ya están documentadas como reglas de decisión o patrones, en lugar de como evaluaciones aisladas; el ritmo al que proveedores comparables en el mercado utilizan herramientas similares a este trabajo; el número de veces que la supervisión sobre una propuesta de IA resulta en un rechazo motivado, como indicación de cuánta evaluación sigue siendo realmente trabajo humano; y la última fecha en que esta suposición se discutió explícitamente dentro de la dirección, y no se asumió tácitamente. Quien no pueda nombrar ninguno de estos cuatro puntos no sabe si la suposición sigue en pie o simplemente nunca ha sido puesta a prueba.
La pregunta subyacente de qué trabajo en su empresa realmente puede ser asumido por la IA no se puede responder con una impresión general; el escáner de trabajo de FTE TO AI responde eso tarea por tarea. Para la dirección que primero quiere saber qué suposiciones necesitan revisión antes de obtener una imagen tarea por tarea, existe la verificación de suposiciones gratuita: una breve sesión en la que usted identifica sus principales suposiciones y ve, para cada una, cuándo fue confirmada por última vez de forma efectiva. Quien se pregunte quién debería estar presente en una revisión estratégica o note que la dirección no se pone de acuerdo sobre las prioridades, encontrará ahí un punto de partida. La prueba de resistencia estratégica completa, con datos sectoriales junto al autodiagnóstico de la dirección, está en desarrollo.
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.