La IA está haciendo el trabajo: ¿tus líderes siguen pensando?

Las organizaciones ya no se limitan a utilizar la inteligencia artificial (IA) como una herramienta para ayudar a las personas a realizar su trabajo. La utilizan como un agente que inicia, ejecuta e informa, gestionando procesos de decisión que antes estaban a cargo de los líderes. El resultado es más rápido, más consistente y, a menudo, más refinado que el que cualquier persona podría producir por sí sola. El criterio que lo respalda no pertenece a nadie.

Consideremos el caso de Elena, directora de ingresos de una empresa de software B2B de tamaño mediano, quien implementó un sistema de IA con capacidad de agente para gestionar la previsión de oportunidades de venta y la priorización de acuerdos. El agente generó una lista semanal de acciones recomendadas para sus vicepresidentes regionales. La precisión de las previsiones mejoró. Elena presentó la implementación como un éxito. El agente no era una herramienta genérica. Había sido entrenado con tres años de datos propios de la cartera de clientes: todos los acuerdos ganados, perdidos y recuperados. La alta dirección estaba totalmente comprometida. Los vicepresidentes habían visto cómo el sistema predecía resultados que no habrían podido predecir. Su confianza en las recomendaciones estaba más que justificada. Por eso era tan difícil percibir lo que se estaba perdiendo.

Convertirte en agente de tu propio comportamiento

Seis meses después, la empresa perdió tres acuerdos empresariales que el agente había clasificado como de baja prioridad; acuerdos que los vicepresidentes de Elena habrían perseguido por instinto, basándose en señales de relación que ninguna base de datos capta: una figura clave en una empresa familiar cuya palabra tenía más peso del que sugería su cargo; un cliente nominalmente pequeño que hacía presentaciones cruciales que abrían oportunidades de cuentas más grandes; y un proyecto piloto que, según las cifras, parecía el acuerdo más pequeño en la cartera, pero que en realidad era la vía de acceso para generar confianza en la cuenta antes de que se aprobara cualquier compromiso de siete cifras.

Cuando Elena intentó reconstruir lo sucedido, ni ella ni sus vicepresidentes pudieron explicar la lógica de puntuación del agente. Llevaban dos trimestres aprobando sus recomendaciones sin cuestionar las premisas. Lo que se había deteriorado no era el esfuerzo (su equipo trabajaba más que nunca) sino la intencionalidad y la previsión que los convertían en líderes eficaces.

Carly, como profesora y profesional, y Jenny, como asesora de transformación organizacional y coach ejecutiva, observan repetidamente el mismo patrón, y la clave para solucionarlo la ofrece Albert Bandura, profesor y psicólogo de Stanford, cuyo trabajo sobre la autoeficacia y la capacidad de acción humana transformó nuestra comprensión de la motivación y el aprendizaje humanos. Bandura identificó cuatro propiedades que convierten a las personas en agentes de su propio comportamiento, en lugar de meros receptores pasivos: intencionalidad, previsión, autorreactividad y autorreflexión. La IA con capacidad de acción, sin control, erosiona estas propiedades.

1. Restablece la intencionalidad: haz del ser humano el autor, no el aprobador

El modo de fallo más común en entornos de IA con agentes es un cambio gradual de roles. Los profesionales que antes generaban ideas y análisis comienzan a depender de la IA para obtener resultados iniciales. Revisan y aprueban en lugar de crear.

Para contrarrestar este cambio, los líderes deben reintroducir la intencionalidad en el flujo de trabajo. Antes de utilizar la IA en cualquier tarea importante, las personas deben articular su objetivo, su perspectiva y cómo planean usarla para respaldar su pensamiento. Si los vicepresidentes de Elena hubieran tenido que formarse su propia opinión sobre qué acuerdos perseguir antes de que el agente presentara sus clasificaciones, la puntuación del agente habría sido un aporte, no un veredicto.

Antes de utilizar la IA en cualquier tarea importante, solicita a los miembros del equipo que respondan tres preguntas: ¿Qué pretendo lograr? ¿Cuál es mi punto de vista inicial? ¿Cómo contribuye la IA a mi objetivo en lugar de definirlo? Esta sesión informativa previa dura cinco minutos y preserva la orientación que distingue a un profesional que piensa de una función que simplemente procesa información. 

Convierte la pregunta “¿Qué intentaba lograr?” en una pregunta estándar en las revisiones de resultados, no como un desafío, sino como una indagación genuina sobre si la intencionalidad precedió a la delegación.

2. Reconstruye la previsión: anticipa antes de inspeccionar

La previsión es la capacidad de anticipar resultados y formular hipótesis antes de que se disponga de ellos. Las herramientas de IA que generan resultados inmediatos eliminan la necesidad percibida de planificar con antelación; pero sin previsión, las personas pierden la capacidad de evaluar si un resultado es razonable. Cuando un profesional puede generar un análisis competitivo completo en 40 segundos, la presión por formular su propia hipótesis desaparece prácticamente por completo.

Los líderes pueden abordar esto con una norma: antes de revisar cualquier resultado de IA, definan claramente qué esperan ver. Esta hipótesis crea el punto de referencia necesario para evaluarlo con honestidad. Las pérdidas de Elena no eran imprevisibles: un vicepresidente que hubiera formado su propia opinión sobre qué cuentas eran estratégicamente cruciales habría detectado la discrepancia antes de que se convirtiera en un trimestre perdido. Las investigaciones sobre IA y el juicio en el entorno laboral señalan que las organizaciones que no protegen las “experiencias desafiantes” (momentos de auténtico reto intelectual) corren el riesgo de terminar con gerentes que nunca han realizado el trabajo subyacente y, como resultado, con una escasa cantera de líderes.

En entregables de gran importancia, se requiere un informe previo de un párrafo que recoja la hipótesis de cada profesional antes de revisar los resultados de la IA.

3. Protege la autorreactividad: diseña fricciones que desarrollen el juicio

La autorreactividad es la capacidad de monitorear y regular el propio pensamiento en tiempo real: detectar la falta de compromiso, cuestionar suposiciones y ajustar el rumbo. En entornos de IA con agentes, esta capacidad se ve debilitada por el sesgo de automatización: la tendencia a aceptar resultados generados por máquinas sin un análisis crítico suficiente. Las investigaciones demuestran que la aceptación acrítica de las recomendaciones de la IA es el comportamiento habitual, no la excepción, a menos que se incorporen explícitamente en el flujo de trabajo indicaciones estructurales para la evaluación crítica.

Incorpora una fricción saludable, esa incomodidad productiva que supone enfrentarse a desafíos, a sus flujos de trabajo de IA auditándolos para identificar momentos en los que se requiera y tenga consecuencias el juicio humano. Introduce revisiones estructuradas, puntos de control para la toma de decisiones o requisitos para justificar supuestos clave.

4. Institucionalizr la autorreflexión: haz del crecimiento una actividad estructural

La autorreflexión es la capacidad de dar un paso atrás y preguntarse no solo “¿nos desempeñamos bien?”, sino también “¿nuestra forma de operar nos hace más o menos capaces con el tiempo?”. Es la dimensión más ignorada de la capacidad de acción, y en el caso de la IA con capacidad de acción, es la más urgente.

Esto es lo que Chris Argyris denominó aprendizaje de doble bucle: no solo “¿logramos el objetivo?”, sino “¿deberíamos siquiera perseguir este objetivo? ¿Nuestra forma de operar está fortaleciendo o debilitando nuestra capacidad para alcanzarlo con éxito?”. Con la IA con agentes, el pensamiento de bucle simple es el predeterminado: ¿Mejoró el pronóstico? ¿Se lanzó la campaña? La reflexión de doble bucle (¿Nos estamos volviendo menos capaces de saber si estos resultados son correctos?) debe diseñarse deliberadamente.

En una organización potenciada por la IA, esta es la pregunta que todo líder debe hacerse: ¿Mis empleados se están desarrollando a través de su trabajo con la IA, o están siendo sustituidos gradualmente por ella?

Para abordar esto, incorpora la reflexión al ritmo operativo, mediante reuniones individuales y retrospectivas que pregunten no solo qué se produjo, sino también cómo: “¿Dónde se involucró profundamente?” y “¿Dónde dependió de la IA sin comprender completamente el resultado?”. La investigación de McKinsey sugiere que los trabajadores que mantendrán el valor en las organizaciones integradas con IA son aquellos que formulan mejores preguntas, interpretan resultados, guían a las máquinas y ejercen su criterio. Esta capacidad requiere una inversión deliberada, no solo tiempo libre.

Diseño para el juicio humano

Reinvierte las ganancias de eficiencia de forma deliberada y visible. Si los agentes de IA liberan el 30% del tiempo de un equipo, especifica para qué se destina ese tiempo. La eficiencia redirigida hacia una mayor productividad no es desarrollo.

Los acuerdos perdidos de Elena no son fallos estratégicos. Son fallos de la agencia, fallos que se produjeron sin un solo momento de error evidente, dentro de organizaciones que creían que sus implementaciones de IA estaban funcionando.

La diferencia entre la IA con capacidad de agencia que desarrolla habilidades y la IA con capacidad de agencia que las erosiona no radica en la tecnología. Radica en si los líderes han diseñado deliberadamente las condiciones bajo las cuales el juicio humano aún es necesario, se ejerce y se desarrolla. Bandura denominó a esas condiciones el fundamento de la capacidad de agencia humana. Son también las condiciones que la IA no puede replicar.

Los líderes que realicen este trabajo comprobarán que sus organizaciones se vuelven más eficientes a medida que sus agentes participan más activamente. Quienes no lo hagan descubrirán que sus mejores empleados se han convertido en auditores altamente competentes de decisiones que ya no saben cómo tomar.