VOCES DE LEAN TECH: ¿Cómo podemos implementar la IA de forma "lean"?
- Areli Alvarez Arteaga
- 14 jun
- 7 min de lectura
COLUMNA – En esta columna, tres expertos en metodología Lean y tecnología responden a la misma pregunta crucial que marca el debate actual sobre tecnología e IA. Este mes, nos preguntamos cómo sería un enfoque Lean para la IA.
Texto: Sandrine Olivencia , Fabrice Bernhard y Eivind Reke
LA PREGUNTA
Este artículo de The Guardian argumenta que los trabajadores necesitan tener voz en la implementación de la IA en su lugar de trabajo, y que su participación genera mejores resultados tanto para las personas como para las organizaciones. La metodología Lean siempre ha defendido lo mismo respecto a cualquier cambio. Entonces, ¿por qué, en la mayoría de las implementaciones de IA, los trabajadores siguen siendo los últimos en ser consultados? ¿Y cómo sería un enfoque verdaderamente Lean para la implementación de la IA?
Es probable que los profesionales de la metodología Lean estén de acuerdo con el mensaje central de este artículo de The Guardian, pero quizás por una razón diferente.
El artículo plantea la cuestión principalmente como una cuestión de participación y autonomía del trabajador, pero Lean considera que la implicación del trabajador es algo aún más fundamental: la clave para aprender dónde se puede crear valor realmente.
En la Cumbre Lean celebrada en París la semana pasada, Thomas Métivier, CEO del gigante francés del comercio electrónico Cdiscount, describió la IA como una forma de "karakuri digital". En Toyota, los karakuri son dispositivos sencillos diseñados por los propios equipos para eliminar tareas tediosas. Su propósito no es reemplazar a las personas, sino ayudarlas a tener éxito eliminando la frustración, mejorando el flujo de trabajo y liberando a las personas para que puedan concentrarse en tareas que requieren criterio, creatividad y resolución de problemas. Esta es una forma útil de entender la IA.
La mayoría de las iniciativas de IA parten de la tecnología y luego buscan una aplicación, mientras que Lean nos enseña a partir de un problema y buscar una solución. ¿Quién sabe dónde está el desperdicio? ¿Quién dedica horas a buscar información, reintroducir datos, generar informes que nadie lee o lidiar con procedimientos engorrosos? Las personas que realizan el trabajo. Ellas lo saben mejor que nadie porque lidian con el desperdicio a diario.
Sin embargo, en muchas organizaciones, los ejecutivos, consultores o proveedores de software seleccionan los proyectos de IA y luego los implementan en equipos que tuvieron poca participación en la decisión. Esto no es solo un problema de personal; es un problema de aprendizaje.
Sin las personas más cercanas al trabajo, las organizaciones se aíslan de su fuente de conocimiento más valiosa sobre cómo la IA puede generar valor. Como resultado, muchos proyectos de IA terminan automatizando tareas que nunca fueron el problema real.
Un enfoque verdaderamente eficiente comenzaría en el gemba: los líderes estudiarían cómo se realiza el trabajo, identificarían las frustraciones y los obstáculos que impiden a las personas generar valor y realizarían pequeños experimentos para descubrir dónde puede ayudar la IA. Algunas ideas fracasarían, y otras se difundirían de forma natural porque los equipos las encontrarían útiles. El objetivo no sería eliminar a las personas del proceso mediante la automatización, sino liberarlas de un proceso (ineficiente).
Esta pregunta resulta interesante porque, en realidad, no trata sobre IA, sino sobre cómo las organizaciones implementan el cambio. La metodología Lean lleva décadas lidiando con este problema, y la lección que nos ofrece sigue siendo sorprendentemente consistente: si se buscan mejores soluciones, hay que empezar por aprender de quienes se enfrentan a estos problemas a diario.
La inteligencia artificial se ha convertido rápidamente en una de las prioridades de inversión más importantes de la economía global, y Gartner estima que el gasto relacionado con la IA podría alcanzar los 2,5 billones de dólares en 2026.
De hecho, el 80 % de las organizaciones afirma utilizar IA generativa. Sin embargo, dado que solo el 6 % de las organizaciones encuestadas recientemente por McKinsey reportan que su uso de IA ha generado un valor significativo, el problema radica en cómo las empresas están implementando esta tecnología. Presionados por demostrar que no se están quedando atrás en la próxima "Revolución Industrial", los equipos directivos están impulsando numerosas iniciativas de IA desde la cúpula. Al mismo tiempo, necesitan justificar la magnitud de la inversión. Esta combinación crea una tentación peligrosa: usar la IA no para mejorar el trabajo, sino para eludir la gestión y supervisar, programar, evaluar y controlar a los empleados con mayor facilidad.
En el artículo de The Guardian mencionado anteriormente, Nazrul Islam se refiere a ello como «software de gestión empresarial», algo que no solo es éticamente problemático, sino también una mala gestión y una mala práctica económica. Mide la actividad en lugar de crear valor. Y al reducir la confianza, desmotiva a los trabajadores del conocimiento, precisamente aquellos cuyo criterio, creatividad y capacidad de resolución de problemas son necesarios para convertir la IA en valor empresarial real.
El error que están cometiendo las organizaciones es implementar la IA sin la participación de los equipos sobre el terreno que comprenden el trabajo.
Este no es un problema nuevo. La industria manufacturera se enfrentó a una ilusión similar durante la ola de automatización robótica de la década de 1980: la creencia de que reemplazar a los humanos con robots generaría automáticamente una productividad superior. Una lección de aquella época es que algunas partes del trabajo sí pueden automatizarse por completo mediante robots (en la fabricación de automóviles, por ejemplo, sucedió con la soldadura y la pintura de carrocerías). Sin embargo, para sorpresa de quienes no pertenecen al sector, 50 años después muchos pasos siguen dependiendo en gran medida de la intervención humana, como el ensamblaje. Incluso Elon Musk, quien inicialmente quería automatizar la producción de Tesla mucho más que sus competidores, terminó admitiendo su error y que "los humanos están infravalorados".
Toyota lo entendió desde el principio, manteniéndose fiel a su principio "Jidoka": automatización con toque humano. No porque los humanos deban realizar todas las tareas, sino porque son necesarios para interpretar problemas, comprender el valor para el cliente y mejorar el sistema.
Esta lección se puede aplicar fácilmente a la tecnología y la automatización mediante IA. En algunos casos, la IA puede automatizar completamente los procesos. Sin embargo, en la mayoría de los casos de alto valor, por sí sola no puede garantizar los más altos niveles de calidad sin supervisión humana. Y lo que es más importante, no puede liderar su propia mejora continua, teniendo en cuenta las preferencias cambiantes de los clientes.
El uso de la IA para la gestión de personal genera entornos laborales inhumanos y una menor calidad de trabajo. El enfoque adecuado consiste en empoderar a los equipos sobre el terreno para que experimenten con la IA. Y cuando se identifiquen y desarrollen automatizaciones útiles, se debe confiar a los humanos la mejora continua del sistema. Para lograrlo de forma sostenible y rentable a gran escala, se requiere un sistema de aprendizaje que fomente la mejora continua, impulsada por el valor para el cliente en toda la organización.
Esta es la oportunidad de Lean Tech. Al estudiar y adaptar el sistema que Toyota construyó durante décadas para crear una cultura de excelencia impulsada por el factor humano en la fabricación, podemos aprovechar sus lecciones para afrontar mejor la transformación de la IA. El esfuerzo por adoptar e implementar dicha cultura en una empresa es considerable y explica por qué pocas organizaciones en el mundo han alcanzado los niveles de cultura Lean de Toyota. Pero la recompensa lo compensa con creces: mayor calidad para superar a la competencia y una adopción de la IA más centrada en el ser humano para contribuir a una sociedad más humana.
La incómoda realidad es que la mayoría de las implementaciones de IA parten de la misma premisa que ha debilitado muchas iniciativas de transformación digital. La tecnología es el cambio, y las personas, el problema de la adopción. Siguiendo esta lógica, se consulta tarde a los trabajadores porque las decisiones clave ya se han planteado desde un punto de vista técnico: qué sistema comprar, qué datos usar, qué tareas automatizar, qué mejoras de eficiencia esperar. Para cuando se involucra a los empleados, la pregunta principal suele ser cómo garantizar el cumplimiento, en lugar de cómo mejorar el trabajo.
El pensamiento Lean parte de una premisa muy diferente, ya que concibe el trabajo como un sistema sociotécnico: no se puede mejorar su aspecto técnico sin comprender el aspecto humano y organizativo. Kaizen se basa en la idea de que las personas más cercanas al trabajo son esenciales para la mejora, porque detectan anomalías, variaciones, fricciones y consecuencias imprevistas antes que nadie. Si se introduce la IA sin ese conocimiento, las organizaciones corren el riesgo de automatizar suposiciones en lugar de mejorar los procesos.
Un estudio reciente de SINTEF sobre Kaizen Digital (que se publicará en las Actas de la Conferencia APMS a finales de 2026) lo ha demostrado claramente. En el caso práctico de la transformación digital de una empresa manufacturera mediana, descubrimos que la digitalización solo generaba valor cuando se conectaba con la resolución de problemas cotidianos en la planta de producción. Los sensores, los paneles de control, la visión artificial y las plataformas de datos no generaban mejoras por sí solos. Se volvían útiles cuando los operarios, los jefes de equipo, el personal de mantenimiento, los ingenieros y los gerentes utilizaban los datos de forma conjunta para comprender los problemas, probar contramedidas y aprender. Cuando la atención del liderazgo y el desarrollo de competencias se debilitaban, esos mismos sistemas digitales se convertían en pantallas de información pasivas. La tecnología seguía presente, pero la capacidad de mejora retrocedía.
Por eso, muchas implementaciones de IA tendrán dificultades. Se las concibe como procesos de madurez lineales: primero se implementa la tecnología, luego se capacita a los usuarios y, finalmente, se escala. Pero en la práctica, la adopción de la tecnología será frágil, desigual y reversible. Algunos trabajadores se convertirán en promotores, otros solo la adoptarán una vez que las herramientas estén integradas en sus rutinas, y otros se resistirán porque su relevancia no está clara o porque la tecnología amenaza su experiencia e identidad.
Un enfoque verdaderamente ágil para la implementación de la IA comenzaría, por lo tanto, en el gemba. Se preguntaría: ¿qué problema intentamos resolver? ¿Cuál es la situación actual? ¿Qué saben ya los trabajadores sobre las causas? ¿Dónde se produce la inestabilidad en el proceso? ¿Qué decisiones podría respaldar la IA y cuáles deberían seguir siendo humanas? ¿Cómo sabremos si el cambio mejora la calidad, el flujo, la seguridad, el aprendizaje y el compromiso, y no solo el coste? Este enfoque introduciría la IA mediante ciclos PDCA pequeños, en lugar de un despliegue a gran escala. Los trabajadores participarían en la definición del problema, la interpretación de los datos, las pruebas de la herramienta, la evaluación de las consecuencias no deseadas y la mejora del estándar. Los líderes concebirían la IA no como un sustituto del juicio humano, sino como un facilitador de una mejor resolución de problemas. La formación sería continua y estaría vinculada al trabajo real, no una introducción puntual del sistema.
En resumen, una implementación ágil de IA no exigiría a los trabajadores que se adaptaran a una tecnología ya preseleccionada. Utilizaría su conocimiento para definir qué debería hacer la tecnología, dónde debería aplicarse y cómo podría mejorar el trabajo. Esto no solo beneficia a los trabajadores, sino que también impulsa una mejor transformación digital.
ACERCA DEL AUTOR. Fabrice Bernhard, Sandrine Olivencia y Eivind Reke
TRANSCRIPCIÓN: Areli Álvarez Lean Construction México®
