Liderando en la era de la IA
- Areli Alvarez Arteaga
- hace 15 minutos
- 7 Min. de lectura
ARTÍCULO – Entre la exageración y el escepticismo, comprender las verdaderas capacidades de la IA es esencial para los líderes que buscan aplicarla de manera significativa dentro de sus organizaciones.
Texto: Art Smalley
Cada día nos topamos con predicciones muy dispares sobre el impacto de la Inteligencia Artificial: algunos creen que eliminará muchísimos puestos de trabajo y transformará la sociedad radicalmente; otros advierten que la tecnología está sobrevalorada, es propensa a las alucinaciones y mucho menos capaz de lo que sugieren los titulares. Entre estos dos extremos se abre un panorama confuso para los líderes que intentan comprender qué significa realmente la IA para sus organizaciones.
Para abordar este debate, conviene tomar distancia y distinguir la realidad de la exageración. La inteligencia artificial no es del todo nueva. De hecho, muchas formas de lo que podríamos llamar «IA a gran escala» existen desde hace décadas. La robótica, la visión artificial, la automatización y los sistemas expertos se han utilizado en la fabricación y la ingeniería durante más de 40 años. Estas tecnologías operan en el mundo físico (máquinas que se mueven, agarran, inspeccionan y procesan materiales reales). Podríamos considerar esto como el «lado de torsión» de la IA, como yo lo llamo, el ámbito donde las máquinas interactúan directamente con el entorno físico.
Lo que sorprendió al mundo en los últimos años fue algo diferente: la rápida aparición de los grandes modelos de lenguaje (MLL). Cuando herramientas como ChatGPT se generalizaron, millones de personas experimentaron de repente un nuevo tipo de inteligencia artificial. En lugar de controlar robots o maquinaria industrial, estos sistemas interactuaban mediante el lenguaje, produciendo texto, explicaciones, resúmenes y código.
Esta distinción es importante. La IA tradicional se ocupaba de acciones físicas y sistemas mecánicos. La IA generativa opera en un mundo completamente distinto: el mundo de las palabras y los patrones del lenguaje. Comprender esta diferencia ayuda a explicar tanto el entusiasmo como la confusión que rodean a la IA moderna.
EL PROBLEMA ENTRE LA EXPECTACIÓN Y LA REALIDAD
Parte del desafío radica en que la mayoría de las personas interactúan con la IA solo en su nivel más básico. Por ejemplo, muchos usuarios se encuentran con modelos de lenguaje complejos a través de interfaces de chat sencillas. En este nivel, los resultados pueden resultar impredecibles. A veces, las respuestas son impresionantes; otras veces son incorrectas, incompletas o extrañamente erróneas.
Esta inconsistencia se debe a que los modelos de lenguaje no piensan realmente. Generan respuestas prediciendo la siguiente palabra más probable basándose en patrones de los datos con los que fueron entrenados, principalmente grandes cantidades de internet. Los investigadores a veces los describen como "loros estocásticos" que simulan el razonamiento, pero que en realidad no comprenden el mundo.
Sin embargo, a pesar de esta limitación, los modelos de lenguaje son sorprendentemente capaces. Si se utilizan correctamente, pueden realizar muchas tareas que antes requerían un esfuerzo humano considerable. La clave está en aprender a ir más allá de las interacciones básicas.
En la práctica, existen varios niveles de uso de la IA. En el nivel más básico (la interfaz del chatbot), casi todo el mundo puede participar. Pero a medida que se avanza en la escala de capacidades, el número de personas que pueden utilizar estas herramientas de forma eficaz disminuye drásticamente.
El siguiente nivel implica la ingeniería de precisión, donde los usuarios diseñan cuidadosamente las instrucciones para guiar las respuestas del modelo. Por encima de esto se encuentra la interacción a nivel de API, donde los desarrolladores se conectan directamente a los modelos de IA mediante herramientas de programación como Python. Esto les permite integrar la IA en aplicaciones y automatizar flujos de trabajo más complejos. Más allá de esto, existen técnicas avanzadas como la generación aumentada por recuperación (RAG), que conecta los modelos con datos externos y sistemas optimizados diseñados para tareas específicas.
Si bien estos enfoques avanzados pueden ofrecer resultados impresionantes, solo un pequeño porcentaje de usuarios opera actualmente a estos niveles. La mayoría permanece en la etapa de interacción básica. Como resultado, las capacidades reales de la IA a menudo parecen exageradas.
DONDE LA IA SOBRESALE… Y DONDE TIENE DIFICULTADES
Para comprender cómo los líderes deben abordar la IA, es útil considerar las diferencias en los procesos de pensamiento entre humanos y máquinas. Como señaló Balaji Srinivasan, investigador de Stanford, los humanos pensamos de principio a fin por naturaleza: ante un problema, definimos la situación, formulamos hipótesis, implementamos soluciones y reflexionamos sobre los resultados. En el pensamiento Lean, este ciclo se suele describir como PDCA (Planificar, Hacer, Verificar, Actuar). Los modelos de lenguaje operan de manera diferente: son más fuertes en la etapa intermedia del proceso de pensamiento (son "pensadores intermedios", según Srinivasan).
Al inicio del ciclo de resolución de problemas, en la etapa de planificación, los humanos sobresalimos. Definimos el problema, recopilamos el contexto y decidimos qué camino seguir. La IA tiene dificultades en esta etapa porque carece de comprensión del mundo real. Sin una guía clara, puede generar fácilmente sugerencias irrelevantes o engañosas.
Al final del ciclo, en la etapa de acción, los humanos también dominan. Esta fase implica juicio, reflexión y la capacidad de adaptar estrategias en función de la experiencia. Nuevamente, estas son áreas donde la IA tiene limitaciones.
Pero en las etapas intermedias —análisis, síntesis y razonamiento estructurado— la IA puede ser extremadamente poderosa. Una vez que una tarea está claramente definida, los modelos de lenguaje pueden procesar grandes cantidades de información, generar resúmenes y sugerir posibles soluciones.
Este patrón se hace aún más evidente al examinar los distintos tipos de resolución de problemas, sobre los que escribo en mi libro Cuatro tipos de problemas . La IA funciona mejor en tareas procedimentales, donde tanto el problema como la solución se comprenden bien. En términos de Lean, esto se asemeja a la resolución de problemas de tipo 1, que implica una acción y respuesta rápidas ante situaciones anómalas. Se trata de tareas como escribir código rutinario, resumir documentos o solucionar problemas conocidos.
Para problemas de diagnóstico, donde es necesario investigar el problema, la IA puede ayudar organizando la información y proponiendo hipótesis. Sin embargo, los humanos aún deben verificar los hechos y determinar la causa raíz.
Para el diseño de estados futuros (Tipo 3), la IA se vuelve menos fiable. Definir un estado objetivo convincente requiere observación, imaginación y comprensión del contexto. Estas capacidades siguen siendo exclusivamente humanas.
Finalmente, en el ámbito de la verdadera innovación, la IA tiene aún más dificultades. Si bien puede recombinar ideas existentes de maneras interesantes, rara vez produce avances genuinamente originales sin una fuerte guía humana.
LA TECNOLOGÍA POR SÍ SOLA NO ES SUFICIENTE
Para los líderes que se plantean la adopción de la IA (y, sinceramente, ¿quién no?), la lección más importante puede provenir del propio pensamiento Lean. La tecnología por sí sola no genera transformación.
Un marco conceptual sencillo resume esta idea: Impacto = Tecnología × Comportamiento × Gestión
Si falta alguno de estos elementos, el impacto general se reduce a cero.
Las organizaciones ya han aprendido esta lección muchas veces. Los sistemas de software empresarial, como las plataformas ERP, prometían mejoras espectaculares, pero a menudo fracasaban porque las empresas descuidaban los cambios de comportamiento y de gestión necesarios para que funcionaran.
La IA se enfrenta al mismo riesgo. Incluso los algoritmos más avanzados no pueden generar valor si los empleados no entienden cómo usarlos o si la organización carece de un sistema de gestión que guíe su aplicación. Consideremos un ejemplo conocido de la producción ajustada: el sistema Andon. Los sensores y las herramientas de monitorización recopilan datos de las máquinas y las líneas de producción, pero la tecnología por sí sola no sirve de nada si las personas no responden cuando surge un problema. Los trabajadores deben accionar el cordón Andon, los supervisores deben investigar el problema y los líderes deben asegurarse de que los problemas se resuelvan y se eviten que se repitan. Sin estas respuestas conductuales y rutinas de gestión, la tecnología pierde su sentido.
CUATRO PRIORIDADES DE LIDERAZGO PARA LA ERA DE LA IA
Entonces, ¿cómo podemos asegurar que la adopción de la IA genere valor real? Para mí, hay cuatro puntos fundamentales a considerar.
Rediseñe los flujos de trabajo, no solo las tareas individuales. Las organizaciones que obtienen mayores beneficios de la IA son aquellas que replantean sus flujos de trabajo por completo. Automatizar tareas aisladas rara vez genera grandes ventajas. En cambio, los líderes deben analizar cómo fluye el trabajo de principio a fin y rediseñar el proceso en función de las nuevas funcionalidades.
No trates la IA como un proyecto de TI. La adopción de la IA no puede delegarse por completo a los equipos técnicos. Requiere una planificación estratégica sobre dónde genera mayor valor la tecnología y cómo se alinea con los objetivos de la organización. Esa es una tarea del liderazgo.
Concéntrese en potenciar las capacidades humanas en lugar de reemplazarlas. Si bien algunos temen que la IA sustituya a gran parte de la fuerza laboral, el enfoque más prometedor es utilizarla para mejorar las habilidades humanas. Cuando los empleados utilizan herramientas que les permiten trabajar más rápido, analizar mejor la información y resolver problemas con mayor eficacia, las organizaciones pueden crecer en lugar de contraerse.
Genera confianza mediante la transparencia y la experimentación. Las imposiciones desde arriba rara vez tienen éxito. Los empleados deben comprender cómo la IA los beneficia a ellos y a sus clientes. Comenzar con aplicaciones prácticas que resuelvan problemas reales puede generar credibilidad y fomentar una mayor adopción.
UN FUTURO CAUTELOSAMENTE OPTIMISTA
Sin duda, la inteligencia artificial transformará muchos aspectos del trabajo, pero es probable que su impacto se manifieste de forma más gradual y desigual de lo que sugieren los titulares.
La IA generativa es poderosa, pero sigue siendo una herramienta que requiere una integración cuidadosa en los sistemas humanos. Cuando los líderes combinan la tecnología con los comportamientos y las prácticas de gestión adecuadas, esta tecnología acelera el aprendizaje, mejora la toma de decisiones y aumenta la productividad.
En definitiva, la verdadera transformación no proviene de la tecnología en sí, sino de cómo las organizaciones aprenden a utilizarla. En el caso de las organizaciones ágiles, esto se logra mediante la experimentación disciplinada, la mejora continua y el compromiso con el desarrollo del talento humano. Nuestra capacidad para integrar tecnología, comportamiento y gestión determinará si la IA se convierte en una moda pasajera o en una auténtica fuerza impulsora del progreso.
ACERCA DEL AUTOR.
Art Smalley es autor de libros sobre metodología Lean y presidente de Art of Lean, Inc.
TRANSCRIPCIÓN: Areli Álvarez Lean Construction México®
