¿Está su lugar de trabajo preparado para los agentes de IA?

Cuando la electricidad llegó por primera vez a las fábricas, los gerentes no rediseñaron sus edificios. Simplemente sustituyeron la máquina de vapor central por un motor eléctrico y mantuvieron el sistema de correas, poleas y ejes que distribuía la energía por toda la instalación. El resultado fue, en el mejor de los casos, una mejora marginal. Los fabricantes tardaron décadas en darse cuenta de que el verdadero potencial de la electricidad requería derribar las antiguas fábricas de varios pisos (construidas en altura para acomodar la distribución de energía por gravedad) y construir plantas de una sola planta donde las máquinas pudieran colocarse donde lo exigiera el trabajo. Nos encontramos en un punto de inflexión similar con la inteligencia artificial. A pesar del entusiasmo que despiertan los agentes de IA, la mayoría de las organizaciones están cometiendo el mismo error que cometieron aquellos primeros propietarios de fábricas. Están incorporando la IA a sistemas diseñados para los seres humanos y luego se preguntan por qué los resultados son decepcionantes. Por eso, la estimación ampliamente citada del premio Nobel Daron Acemoglu de que la IA solo aumentará la productividad en un 0,5 % durante la próxima década es probablemente una subestimación significativa. Su modelo asume que la IA automatiza tareas dentro de las estructuras existentes. Ese 0,5 % es el mínimo si no se hace nada diferente, no el máximo de lo que es posible. ¿Qué se necesitaría para hacer algo diferente? Se necesitaría reconocer que nuestro software, nuestras estructuras y nuestros flujos de trabajo se diseñaron para trabajadores humanos, y esa suposición está integrada en todas las capas del funcionamiento de las empresas modernas. (Divulgación: soy cofundador de Pairium AI, que crea personalización para agentes de IA). Sistemas de información Durante décadas, las organizaciones han codificado sus conocimientos en formatos diseñados para el consumo humano: sitios web con diseños visuales, archivos PDF con tablas formateadas, presentaciones con gráficos, documentos con encabezados y viñetas. Los datos no solo se presentan para los seres humanos, sino que también se almacenan de esa manera. Como codirector del AI Agent Lab de la Universidad Johns Hopkins, he podido comprobarlo de primera mano: los manuales para empleados, los manuales de recursos humanos y los documentos sobre políticas se almacenan en formatos diseñados para la lectura humana, no para el procesamiento automático. En AI Agent Lab, estamos abordando este problema de forma directa. Hemos recopilado documentos de RR. HH. dispersos en sitios web universitarios, carpetas de SharePoint y repositorios de PDF, y los hemos convertido en archivos de texto sin formato organizados en una estructura de directorios unificada. La transformación puede parecer trivial, pero el efecto es espectacular: ahora, un agente de IA puede buscar simultáneamente en todas las políticas de RR. HH., cruzar la información sobre prestaciones con las políticas de permisos y responder a las preguntas de los empleados que antes requerían navegar por cinco sistemas diferentes y leer docenas de páginas. El mismo patrón se repite en la investigación científica. El sistema Biomni de Stanford integró cientos de herramientas biomédicas, bases de datos y conjuntos de datos en una única interfaz accesible para los agentes. El resultado: los estudios de asociación del genoma completo que antes llevaban meses ahora se pueden completar en 20 minutos. Las tareas que se estimaba que requerían tres semanas de esfuerzo humano —analizar más de 450 archivos de datos portátiles de 30 personas— se completaron en 35 minutos. El sistema incluso procesó la actividad genética de 336 000 células individuales, identificando tanto relaciones reguladoras conocidas como nuevos factores de transcripción que los investigadores humanos necesitarían meses para descubrir. No se trata del aumento de productividad del 0,5 % que predice el modelo de Acemoglu. Cuando un análisis complejo pasa de durar meses a minutos, se obtiene una mejora mil veces superior, no una automatización marginal. Las organizaciones llevan décadas comprendiendo el coste de los silos de datos. Pero cuando los seres humanos eran los únicos que navegaban por esos silos, la consolidación era algo deseable. Ahorraba tiempo, reducía la frustración y mejoraba la toma de decisiones en los márgenes. Cuando los agentes entran en escena, la consolidación se convierte en transformadora. Un agente con acceso a datos unificados no solo trabaja más rápido, sino que puede establecer conexiones entre dominios que ningún ser humano tendría la capacidad de intentar. La mayoría de las organizaciones no pueden rediseñar el software de proveedores como Salesforce o SAP, pero controlan cómo se almacenan las políticas, los procedimientos y el conocimiento institucional. Los archivos PDF y las carpetas de SharePoint son una opción, no una inevitabilidad. Pero los formatos de datos son solo una parte del problema. Incluso cuando la información está estructurada correctamente, los agentes siguen enfrentándose a obstáculos: sistemas que no se comunican entre sí, interfaces de acción diseñadas para hacer clic en lugar de dar órdenes y una autenticación que asume que es un humano quien realiza las solicitudes. Las soluciones actuales (herramientas que utilizan la inteligencia artificial para «mirar» las pantallas y hacer clic en los botones) revelan lo profundo que es este desajuste. Estamos pidiendo a un ordenador que finja ser un humano utilizando un ordenador. La solución consiste en exponer las capacidades del sistema a través de interfaces programáticas. En lugar de que un agente «haga clic» en un portal, el sistema debería proporcionar un canal directo en el que el agente pueda autenticarse, solicitar datos y actuar. A la hora de evaluar nuevas herramientas, la arquitectura API-first debería ser un requisito, no un extra. Incluso los sistemas heredados pueden integrarse con interfaces accesibles para los agentes. Protocolos como MCP son los primeros pasos hacia la estandarización, pero el verdadero catalizador serán las organizaciones que se reconecten primero y superen a aquellas que sigan utilizando agentes a través de interfaces humanas. La capa humana Las mismas suposiciones que dieron forma a nuestro software también dieron forma a nuestras organizaciones: sistemas diseñados en torno a limitaciones humanas que los agentes no comparten. La capa organizativa es más profunda. Las jerarquías corporativas existen por dos razones relacionadas. En primer lugar, los seres humanos tienen una capacidad limitada para procesar información (lo que Herbert Simon denominó «racionalidad limitada»). Las organizaciones sortean estas limitaciones cognitivas dividiendo los problemas complejos en partes manejables y asignando responsabilidades a distintos niveles. En segundo lugar, la coordinación es costosa (según la visión de Ronald Coase en «La naturaleza de la empresa»). Buscar información, negociar acuerdos, supervisar el rendimiento: todo ello requiere tiempo y dinero. Las jerarquías gestionan estas actividades internamente porque es más barato que acudir constantemente al mercado. Los agentes de IA socavan ambos razonamientos. Acceden a datos de todos los departamentos al instante, concilian inconsistencias, identifican patrones y generan informes en segundos. No tienen las limitaciones cognitivas para las que se diseñaron las jerarquías. Y coordinan la información a un coste marginal casi nulo, reduciendo los costes de transacción que justificaban las capas de mandos intermedios. Esto plantea una pregunta: si los agentes pueden encargarse tanto de la coordinación como de la ejecución, ¿qué deben hacer los humanos? La respuesta no es «nada». Es el trabajo que los agentes no pueden o no deben hacer: definir qué es el éxito, tomar decisiones que implican valores y concesiones, gestionar excepciones que se salen de los parámetros normales (incluso los modelos avanzados de IA se desvían significativamente del juicio humano a la hora de gestionar excepciones), construir relaciones que requieren confianza y presencia, y seguir rindiendo cuentas cuando las cosas salen mal. En la práctica, veo que las funciones humanas se están desplazando hacia los propietarios y verificadores. Los propietarios definen qué es el éxito. Establecen la dirección, toman decisiones basadas en valores y compensaciones, y determinan las limitaciones dentro de las cuales operan los agentes. Se trata de un trabajo pionero: identificar oportunidades, enmarcar problemas, elegir estrategias. Es fundamental destacar que la propiedad no se puede delegar en los agentes, ya que implica tomar decisiones sobre valores, no sobre optimización. ¿Debemos dar prioridad a la rapidez o a la precisión? ¿Entrar en este mercado o centrarnos en otro? Estas preguntas no tienen respuestas objetivamente correctas. Los verificadores auditan los resultados, gestionan las excepciones y siguen siendo responsables cuando las cosas salen mal. Revisan lo que producen los agentes, detectan los errores antes de que se propaguen y toman las decisiones que se salen de los parámetros normales. La verificación no se puede delegar a los agentes porque la responsabilidad debe seguir recayendo en las personas. Cuando algo sale mal, alguien tiene que responder por ello. Pensemos en la incorporación de clientes. El propietario dice: «Esto debería llevar menos de cinco minutos y alcanzar una activación del 80 % en 24 horas». El agente crea flujos y los optimiza para alcanzar ese objetivo. El verificador audita los casos extremos: ¿por qué se han perdido estos 200 usuarios? O considere el laboratorio Cheeseman del MIT, que analiza los resultados de las pruebas de eliminación de genes CRISPR. El director del laboratorio, Iain Cheeseman, solía dedicar cientos de horas a interpretar manualmente qué grupos de genes investigar. Ahora, un sistema impulsado por Claude automatiza este análisis, identificando procesos biológicos compartidos y señalando los genes para su seguimiento. Pero Cheeseman sigue tomando la decisión final: ¿qué genes se someten al experimento de cribado específico de más de 20 000 dólares? El agente identifica patrones y proporciona niveles de confianza; el ser humano es el responsable de la decisión sobre la asignación de recursos. Lo más importante es que la capa de verificación detectó algo importante. El agente identificó vías de modificación del ARN que otros modelos de IA descartaron como ruido, lo que permitió descubrimientos que los investigadores habían pasado por alto. Este cambio, que lleva a los seres humanos de la ejecución a la delegación y la supervisión, tiene implicaciones inmediatas para la contratación. En mi propio trabajo, he cambiado la forma en que evalúo a los asistentes de investigación graduados. Las tediosas tareas que antes definían los puestos junior ahora pueden ser realizadas por agentes. Lo que necesito en su lugar son personas con gran capacidad de acción: personas que puedan identificar problemas que merezcan ser resueltos, definir qué es el éxito y verificar que los resultados de los agentes se ajustan a su visión. No se trata de eliminar puestos de trabajo, sino de cambiar los requisitos que estos exigen. Las organizaciones que contratan por sus habilidades de ejecución encontrarán que esas habilidades se están convirtiendo cada vez más en un producto básico. Las organizaciones que contratan por su capacidad de responsabilidad y verificación, por el criterio del que carecen los agentes, encontrarán que su personal es más valioso que nunca. Las salvaguardias Un agente con acceso a todo también puede romperlo todo. Aquí es donde la burocracia se gana su sustento. Los formularios, las firmas y las revisiones obligatorias surgieron para evitar errores, garantizar la equidad y resolver problemas de coordinación a medida que las organizaciones crecían. Estos procesos existen para detectar los errores antes de que sean irreversibles. Los sistemas de IA ya están demostrando por qué esto es importante. Sin los controles adecuados, las citas falsas y las alucinaciones se cuelan en los informes oficiales. Cuando los agentes operan a gran escala con acceso de escritura a los datos de los clientes, los sistemas financieros y las bases de datos operativas, estos riesgos se agravan. Un solo resultado erróneo puede propagarse por miles de transacciones en cuestión de segundos, mucho más rápido de lo que cualquier proceso de revisión humano puede detectarlo. Por eso las organizaciones que dan prioridad a los agentes necesitan una verificación independiente desde el principio. Las comprobaciones pueden ir desde las más simples y deterministas (sumas de comprobación, alertas basadas en reglas, puertas de aprobación) hasta sistemas de IA que comprueban otros sistemas de IA. Lo importante es la independencia: el verificador no puede compartir modos de fallo con el sistema que supervisa. El papel humano pasa a ser revisar las excepciones que señalan estas comprobaciones, investigar patrones y refinar los límites de lo que los agentes pueden hacer sin supervisión. Reconfiguración en la práctica Consideremos la conciliación financiera mensual de una empresa. Hoy en día, los contables pasan días descargando datos de diversos sistemas, cotejando transacciones, investigando discrepancias y preparando informes. En una organización reconfigurada, cada sistema financiero expone sus datos transaccionales a través de canales directos. El agente extrae datos de todas las fuentes simultáneamente, compara las transacciones utilizando reglas definidas por el equipo financiero y señala cualquier discrepancia. El trabajo del contable pasa de realizar la comparación a establecer los parámetros: cuánta variación es aceptable, qué tipos de transacciones requieren un tratamiento especial, qué discrepancias requieren una revisión humana. O pensemos en cómo gestionamos las cualificaciones del profesorado en el AI Agent Lab. La acreditación requiere documentar que el profesorado cumple unos requisitos mínimos específicos, un proceso que tradicionalmente implicaba que los administradores revisaran manualmente los currículos, cotejaran los requisitos de titulación y las actividades académicas, y buscaran la documentación que faltaba. En nuestro nuevo enfoque, las credenciales del profesorado existen como datos estructurados que los agentes pueden consultar directamente. El agente identifica sus actividades académicas y docentes, comprueba sus cualificaciones con respecto a los requisitos de acreditación y señala a cualquiera que se encuentre en el límite. En esos casos, redacta correos electrónicos personalizados solicitando la documentación específica que falta. Una persona verifica los casos límite y aprueba las comunicaciones salientes. El resultado: un proceso que antes llevaba meses ahora se realiza en horas. El camino a seguir La transición a operaciones basadas en agentes no requiere una transformación masiva. Requiere cambios concretos en cuatro áreas. Datos: convertirlos en texto sin formato. Convierta las políticas, los procedimientos, las notas de reuniones y el conocimiento institucional a formatos de texto sin formato, como Markdown. Almacénelos en estructuras de directorios con capacidad de búsqueda. Los PDF y los documentos formateados se convierten en resultados para las personas, no en fuentes de verdad para los agentes. Este es el cambio más beneficioso que la mayoría de las organizaciones pueden realizar de inmediato. Herramientas: Crear herramientas para los agentes. Creen interfaces programáticas que permitan a los agentes consultar los datos de la empresa y tomar medidas. Comiencen con acceso de solo lectura a las bases de conocimiento y, a continuación, añadan capacidades de escritura con controles de aprobación humanos. Cada sistema al que un agente puede acceder directamente es un sistema en el que no tiene que «hacer clic». Funciones: reestructurar en torno a la propiedad y la verificación. Para cada función, identifique qué es la propiedad (definir el éxito, establecer restricciones), qué es la verificación (auditar resultados, gestionar excepciones) y qué es la ejecución (territorio del agente). Contrate por capacidad de acción, no solo por habilidades técnicas. Las personas que prosperarán serán aquellas que puedan especificar lo que quieren y verificar que lo han conseguido. Medidas de seguridad: Establezca una verificación independiente. Alertas basadas en reglas que señalen anomalías. Puertas de aprobación para acciones de alto riesgo. Estos controles deben ser sencillos, deterministas e independientes de los sistemas de IA que supervisan. Las organizaciones que logren superar con éxito esta transición descubrirán lo que los propietarios de fábricas acabaron aprendiendo sobre la electricidad: las verdaderas ganancias no provienen de sustituir la tecnología antigua por la nueva, sino de reinventar la forma en que se realiza el trabajo. La ventaja es para aquellos que rediseñan en torno a ella. La pregunta es si va a reconfigurar su organización para permitir que los agentes alcancen su potencial o si va a seguir haciendo funcionar el motor eléctrico con las antiguas correas de la máquina de vapor.

¿Está su lugar de trabajo preparado para los agentes de IA?

Resumen.

Partner Center