EN 1 MINUTO
Recibes un email perfectamente redactado: correcto, estructurado, amable y quizá bastante más largo de lo necesario. Nada más leer las primeras frases, intuyes que ha sido generado con inteligencia artificial.
Tienes poco tiempo y demasiadas cosas entre manos, así que lo pasas por otra IA para que te resuma lo importante. Después utilizas esa misma herramienta para ayudarte a preparar la respuesta. Al otro lado podría estar ocurriendo exactamente lo mismo.
La escena tiene algo de absurdo, pero plantea una cuestión cada vez más relevante para las empresas. A medida que la IA gana capacidad y autonomía, ya no hablamos únicamente de utilizar una herramienta para hacer una tarea más rápido. Empezamos a delegar partes del trabajo: análisis, decisiones, interacciones y, progresivamente, secuencias completas de un proceso.
Para decidir hasta dónde queremos llegar necesitamos entender algo que no siempre aparece en un procedimiento: qué ocurre realmente alrededor de ese trabajo. Porque mientras alguien responde a un cliente puede estar haciendo mucho más que responder. Puede estar interpretando una situación, utilizando conocimiento acumulado durante años, detectando una excepción o construyendo una relación.
Antes de decidir qué delegamos en la IA, necesitamos entender qué más estamos delegando con ello.
La pregunta que deberíamos hacernos
Cuando delegamos una parte del trabajo en la IA, ¿sabemos realmente todo lo que estamos delegando con ella?
Cuando una IA escribe y otra IA responde
En una publicación reciente aparecía una expresión deliberadamente provocadora para describir una situación parecida: “Meat Proxy”. El humano convertido casi en intermediario entre inteligencias artificiales: una IA redacta, alguien revisa y envía y, en el otro extremo, otra IA resume, interpreta y prepara una respuesta. Es una caricatura, pero resulta cada vez más reconocible.
Utilizamos inteligencia artificial todos los días para investigar, analizar información, preparar reuniones, programar, redactar, contrastar hipótesis o explorar alternativas. Nosotros también. Y no tendría sentido volver atrás.
Sin embargo, la conversación está cambiando. Durante los primeros años de la IA generativa nos hemos centrado mucho en qué tareas podía hacer y cuánto tiempo podía ahorrarnos. Ahora empezamos a plantearnos algo diferente: qué partes del trabajo puede asumir, qué decisiones puede tomar y con qué grado de autonomía queremos que actúe.
El cambio es importante. Una cosa es pedir a una IA que prepare un borrador de un email. Otra es permitir que interprete la situación, decida qué respuesta corresponde, la envíe y determine después cuál debe ser el siguiente paso. En ambos casos utilizamos IA, pero no estamos delegando lo mismo.
La IA ya no solo ayuda a hacer el trabajo
La productividad ha sido, con razón, uno de los grandes argumentos para incorporar IA a las empresas, y ya existen organizaciones que están consiguiendo mejoras importantes. Pero los resultados no son uniformes.
Una de las diferencias parece estar en cómo se introduce la tecnología. Rediseñar el trabajo y decidir después dónde puede aportar valor la IA es muy distinto de incorporar herramientas a procesos existentes y esperar que, por sí solas, los hagan mejores.
También conviene tener cuidado cuando intentamos convertir el trabajo en porcentajes. Que una IA pueda realizar una determinada proporción de las tareas asociadas a un puesto no significa necesariamente que esa misma proporción del trabajo pueda desaparecer. El trabajo real incluye tareas, pero también excepciones, coordinación, contexto, decisiones, supervisión, relaciones y conocimiento acumulado.
Con los agentes de IA esta diferencia será todavía más relevante. Estamos pasando de sistemas que fundamentalmente nos ayudan a producir un resultado a otros capaces de ejecutar varias etapas de un proceso. Pueden consultar información, interpretarla, utilizar herramientas, decidir el siguiente paso y actuar dentro de unos límites definidos.
Por eso, la cuestión ya no es únicamente qué puede hacer la IA. Necesitamos decidir qué queremos delegarle y con qué autonomía. Y para responder bien necesitamos conocer bastante mejor el trabajo que estamos poniendo en sus manos.
Lo que no aparece en una presentación
Hay una parte de las empresas que resulta relativamente fácil conocer. Está en sus presentaciones, su web, sus procedimientos, sus datos, sus organigramas o sus manuales. Y luego está todo lo demás.
En LVS2 siempre hemos dedicado mucho tiempo a esa segunda parte, incluso cuando el proyecto que tenemos entre manos podría resolverse, aparentemente, sin hacerlo. Necesitamos entender cómo funciona realmente una empresa: cómo toma decisiones, qué preocupa a sus clientes, por qué algo se hace de una determinada manera aunque nadie recuerde ya dónde se decidió o qué sabe una persona después de diez años trabajando allí que difícilmente encontraríamos en una presentación.
Es lo que está entre líneas. No siempre se cuenta, pero se percibe cuando llevas tiempo trabajando con una organización. Con la IA, esa forma de conocer una empresa adquiere otra dimensión.
Podemos documentar un proceso, medir sus tiempos, identificar tareas y localizar ineficiencias. Todo eso es necesario. Pero el mapa seguirá incompleto si no entendemos qué sucede realmente mientras ese trabajo se realiza.
Alguien sabe que determinado cliente necesita una llamada y no otro email. Otro recuerda por qué hace años se decidió dejar de trabajar de determinada manera. Un comercial entiende que un “lo veremos” puede significar cosas completamente distintas dependiendo del cliente, del interlocutor o del momento. Nada de eso aparece necesariamente en el procedimiento.
Parte del conocimiento de una organización se transmite precisamente así. Una persona nueva observa cómo decide alguien con más experiencia, escucha conversaciones, pregunta por qué se hizo algo de determinada manera y aprende también de sus propios errores. Con el tiempo, todo eso forma parte de lo que la empresa sabe.
Es difícil medirlo en horas o incorporarlo a un cálculo de productividad. A veces incluso resulta difícil identificarlo hasta que deja de estar disponible. Por eso no se trata de conservar procesos ineficientes ni puestos porque siempre hayan existido. Se trata de entender qué estamos transformando antes de transformarlo.
Podemos delegar una parte del trabajo en la IA en unas semanas y descubrir después que alrededor de ella existía un conocimiento que había tardado años en construirse.
Tener todos los datos de un cliente no significa conocer al cliente
Quizá uno de los lugares donde mejor se entiende ese valor difícil de documentar sea la relación con los clientes. Una empresa puede tener años de información perfectamente registrada sobre un cliente y, aun así, no conocerlo demasiado bien. También puede ocurrir lo contrario.
Quien lleva años trabajando con él sabe cuándo necesita un documento detallado y cuándo prefiere una respuesta de dos líneas. Sabe cuándo llamar, cuándo esperar y cómo plantearle una discrepancia. Conoce preocupaciones que quizá nunca han aparecido expresamente en un briefing.
La IA puede ayudarnos enormemente aquí. Puede recuperar antecedentes, estructurar información dispersa, preparar una reunión, detectar patrones o evitar que todo ese conocimiento dependa exclusivamente de la memoria de una persona.
Pero disponer de toda la información sobre un cliente y conocer realmente al cliente siguen sin ser exactamente lo mismo. Si no prestamos atención a esa diferencia, podemos introducir capas de intermediación donde antes existía una relación directa, generar respuestas formalmente mejores pero menos pertinentes o estandarizar una relación que funcionaba precisamente porque no era estándar.
Y entonces ya no estamos hablando únicamente de productividad. Estamos hablando también de confianza, experiencia de cliente y marca.
¿Qué ocurre mientras tanto en nosotros?
Hay otra parte de esta transformación que resulta más difícil de medir. Cada vez utilizamos más IA para recordar, sintetizar, formular, comparar, argumentar, escribir, revisar y ayudarnos a decidir.
Esto abre algunas preguntas para las que no deberíamos inventar respuestas. ¿Es cognitivamente equivalente construir un razonamiento a revisar uno generado y considerar que es correcto? ¿Qué ocurre con el aprendizaje cuando reducimos parte del esfuerzo necesario para llegar a una respuesta? ¿Podemos confundir nuestra capacidad para obtener una respuesta excelente con nuestra capacidad real para comprender aquello sobre lo que estamos respondiendo?
Queríamos salir del terreno de la intuición. Por eso hemos pedido a una profesional de la psicología que nos ayude a distinguir qué sabemos actualmente, qué empieza a sugerir la investigación y qué sería todavía prematuro afirmar.
También nos interesa qué ocurre con las relaciones. Si sabemos que un mensaje ha sido generado por IA, ¿cambia nuestra percepción de quien lo envía? ¿Importa el esfuerzo que creemos que otra persona ha dedicado a comunicarse con nosotros?
Y, sobre todo, ¿qué sucede cuando esa intermediación deja de afectar únicamente a clientes o proveedores y empieza a formar parte habitual de las conversaciones dentro de la propia empresa?
Son cuestiones difíciles de traducir a una métrica de productividad, pero pueden terminar teniendo consecuencias muy concretas. También sobre la marca.
La marca empieza dentro
Cuando hablamos de marca tendemos a mirar hacia fuera: clientes, mercado, candidatos, partners, inversores. Sin embargo, una parte importante de la marca se construye mucho antes.
Está en cómo se toman decisiones, en lo que una organización considera aceptable y en aquello que “aquí no hacemos”. Está en cómo se incorpora una persona nueva, en cómo se resuelve una excepción o en cómo alguien decide responder cuando el procedimiento deja de servir.
Una marca tampoco está únicamente en aquello que una empresa dice sobre sí misma. Está en muchas de esas cosas que no aparecen en una presentación, pero que un cliente termina percibiendo después de trabajar con ella.
La experiencia del cliente no surge exclusivamente de un manual de marca. Surge también de cientos de pequeñas decisiones tomadas por personas que han entendido qué empresa representan. Por eso las decisiones sobre IA pueden acabar siendo también decisiones de cultura y de marca, aunque inicialmente se hayan planteado como cuestiones de productividad o tecnología.
No porque todo deba seguir haciéndolo una persona. Sería absurdo. Hay trabajo que la IA puede hacer mejor, más rápido o con menos errores. Hay tareas que probablemente deberíamos dejar de hacer manualmente. Y hay capacidades nuevas que simplemente no existían antes.
La cuestión está en saber qué queremos ganar y qué no queremos perder por el camino. Una conversación puede transmitir conocimiento. Una discusión puede construir criterio. Una explicación ayuda a comprender una decisión. Una relación continuada genera confianza. Incluso una equivocación puede terminar formando parte del aprendizaje colectivo.
No todas esas fricciones aportan valor. Pero tampoco todo aquello que parece ineficiente carece de él. Y hay una diferencia importante entre delegar una parte del trabajo y delegar, sin darnos cuenta, todo lo que ocurría alrededor de ese trabajo.
La lectura estratégica de LVS2
En LVS2 llevamos años intentando comprender precisamente esa parte de las empresas que no siempre aparece en un briefing, una presentación o un procedimiento. La llegada de la IA no cambia esa forma de trabajar. La hace todavía más necesaria.
Para decidir qué papel debería desempeñar la tecnología necesitamos comprender primero qué valor visible e invisible existe alrededor del trabajo que queremos transformar. Eso implica mirar la eficiencia, por supuesto, pero también el conocimiento que necesita conservar la organización, las relaciones que pueden verse afectadas, el criterio que se está construyendo, el impacto sobre cultura y marca y los riesgos que aparecen cuando concedemos mayor autonomía a un sistema.
En LVS2 analizamos ese valor visible e invisible antes de decidir qué delegamos en la IA, qué papel queremos que desempeñe y con qué nivel de autonomía.
Es un enfoque human-centric, pero no porque parta de que una persona tenga que permanecer necesariamente en cada proceso. Parte de algo diferente: entender qué resultado queremos conseguir y diseñar a partir de ahí la relación adecuada entre personas, tecnología y organización.
En algunas situaciones la IA asistirá a una persona. En otras podrá proponer una decisión o ejecutar acciones dentro de unos límites. Y habrá procesos en los que pueda asumir un grado de autonomía mucho mayor.
No hay una respuesta correcta para todos. Precisamente por eso el criterio importa.
¿Por qué debería estar esto en el radar?
Porque la capacidad de los sistemas está aumentando mucho más rápido que nuestra experiencia organizativa utilizándolos.
Hasta ahora buena parte de la adopción de IA se ha producido con una persona en medio: alguien pregunta, revisa un resultado, corrige y decide qué hacer después. Con los sistemas agentic, esa intervención puede desplazarse.
La IA puede interpretar una situación, utilizar distintas fuentes de información, decidir el siguiente paso, comunicarse con otros sistemas o personas y ejecutar acciones. Eso abre posibilidades enormes, pero cambia también la naturaleza de la decisión empresarial.
Ya no basta con saber si técnicamente puede hacerse. Necesitamos saber qué conocimiento requiere ese trabajo, qué excepciones pueden aparecer, qué relaciones intervienen, qué consecuencias tendría una decisión incorrecta, dónde necesitamos supervisión y quién responde cuando algo no funciona como esperábamos.
Cuanta más autonomía podamos conceder, más importante será decidir dónde tiene sentido concederla.
Framework LVS2: checklist antes de decidir qué delegamos en la IA
No todos los procesos necesitan el mismo grado de intervención humana ni de autonomía tecnológica. Antes de decidirlo, proponemos mirar seis dimensiones.
¿Qué gana la organización?
¿La delegación aporta tiempo, coste, velocidad, capacidad, calidad, reducción de errores o eliminación de fricciones?
Además, conviene hacer una comprobación adicional: ¿estamos eliminando trabajo o simplemente desplazándolo hacia otra parte del proceso?
¿Qué necesita conservar?
Hay que identificar el conocimiento, el contexto, las habilidades y el criterio que necesita mantener la organización, especialmente aquello que hoy reside en las personas, no está suficientemente documentado y sería difícil reconstruir una vez perdido.
¿Qué relaciones puede alterar?
Clientes, empleados, proveedores, partners y otros stakeholders pueden verse afectados. No basta con saber si una interacción puede delegarse. Necesitamos entender qué cambia cuando lo hacemos.
¿Qué puede cambiar de quiénes somos?
Cultura, confianza, expertise percibido, experiencia de cliente y marca también forman parte de la decisión. La forma en la que una empresa utiliza IA puede terminar influyendo en cómo piensa, decide y se relaciona.
¿Qué riesgo introduce?
Responsabilidad, trazabilidad, privacidad, propiedad intelectual, seguridad y compliance deben formar parte del análisis.
El nivel de control necesario no debería depender únicamente de lo que un sistema es capaz de hacer, sino también de las consecuencias de que se equivoque.
¿Qué papel queremos que tenga la IA?
La IA puede asistir a una persona, proponer una respuesta o decisión, ejecutar acciones dentro de límites definidos u operar partes de un proceso con mayor autonomía.
En cada caso tendremos que decidir dónde supervisamos, cuándo intervenimos y quién mantiene la responsabilidad.
No es una discusión entre humano o máquina. Es una decisión de diseño.
Conclusión
Durante los últimos años hemos dedicado mucho tiempo a descubrir qué puede hacer la inteligencia artificial. Era necesario y probablemente todavía estamos al principio.
Pero cuanto más capaces sean estos sistemas, menos útil será responder únicamente con una lista de tareas que pueden realizar. La pregunta que viene ahora es más compleja: qué queremos delegar, bajo qué condiciones y con qué grado de autonomía.
Para responderla necesitamos conocer muy bien el trabajo que queremos transformar. No solo el procedimiento, sino también sus excepciones, las relaciones que sostiene, el conocimiento que transmite, el criterio que ayuda a construir y las consecuencias que puede tener modificarlo.
Porque una empresa no es únicamente la suma de sus procesos. También es lo que sabe, cómo aprende, cómo decide y cómo se relaciona. Muchos de esos activos han tardado años en construirse.
La IA puede ayudarnos a utilizarlos mejor, compartirlos, reforzarlos y liberar a las personas de trabajo que ya no tiene sentido seguir haciendo de la misma manera. Pero antes de decidir qué delegamos, conviene saber exactamente qué estamos poniendo en juego.
Porque cuando delegamos una parte del trabajo en la IA, quizá estemos delegando bastante más que el trabajo que vemos.
Preguntas frecuentes
¿Qué debería delegar una empresa en la IA?
No depende únicamente de lo que técnicamente pueda hacer un sistema. Hay que valorar el beneficio esperado, el conocimiento implicado, las relaciones que puede afectar, las consecuencias de un error y el grado de autonomía adecuado para ese proceso.
¿Qué diferencia hay entre automatizar y delegar trabajo en la IA?
Automatizar suele describir la ejecución de una tarea o secuencia previamente definida. Con la IA actual podemos ir más allá: interpretar información, generar alternativas, proponer decisiones o ejecutar acciones en función del contexto. Por eso hablar de delegación permite plantear también qué capacidad de decisión y autonomía estamos concediendo.
¿Qué diferencia hay entre un asistente y un agente de IA?
De forma simplificada, un asistente ayuda a una persona a realizar su trabajo. Un agente puede perseguir un objetivo y ejecutar varias acciones para alcanzarlo con cierto grado de autonomía. Cuanto mayor sea esa autonomía, más importantes resultan los límites, la supervisión, la trazabilidad y la responsabilidad.
¿Por qué puede afectar la IA a la marca de una empresa?
Porque la marca no se construye únicamente mediante comunicación. También surge de cómo una organización decide, responde y se relaciona. Si la IA empieza a intervenir en esas interacciones, también puede modificar la experiencia que empleados, clientes y otros stakeholders tienen de la empresa.
¿Qué significa adoptar IA con un enfoque human-centric?
Significa diseñar la relación entre personas y tecnología a partir del resultado que queremos conseguir y del valor que necesitamos preservar. No presupone que una persona deba intervenir siempre, ni que todo aquello técnicamente automatizable deba automatizarse.
La conversación continúa
Quizá una de las paradojas de esta nueva etapa de la IA sea que, cuanto más capaces sean los sistemas de asumir partes de nuestro trabajo, mejor tendremos que comprender cómo funciona realmente ese trabajo.
No solo lo que está escrito, sino también lo que una empresa ha aprendido con los años, lo que sus personas saben sin haberlo documentado y aquello que clientes y equipos perciben aunque nadie lo haya puesto nunca en una presentación.
Durante mucho tiempo, conocer esa parte invisible de una empresa ha sido importante para entenderla. Ahora también puede serlo para decidir cuánto queremos delegar en la IA.
Porque antes de preguntarnos qué puede hacer por nosotros, quizá necesitemos tener mucho más claro qué no queremos delegar sin darnos cuenta.
