¿Cómo pueden ustedes desarrollar un buen criterio en la era de la inteligencia artificial?

Hace unos años, cuando empecé a experimentar con la IA generativa como socio de una consultora, me di cuenta de algo que me sorprendió: me estaba ayudando mucho más que a mis compañeros con menos experiencia. En mi propio trabajo, la IA me permitió avanzar mucho más rápido hacia resultados familiares basados en la experiencia, como la síntesis y el análisis de investigaciones. La calidad no era perfecta, pero iba en la dirección correcta y me resultaba fácil de manejar. Para los analistas más noveles, la experiencia con la IA fue muy diferente. Obtuvieron resultados rápidamente, pero estos no fueron significativamente mejores que antes de emplear la IA. Lo más llamativo es que a menudo les costaba juzgar si los resultados eran buenos, por no hablar de cómo redirigirlos. En algunos casos, ni siquiera sabían por dónde empezar. Esto no era lo que esperaba. Como mucha gente en 2022, yo daba por sentado que la IA generativa ayudaría a los trabajadores con menos experiencia a rendir por encima de sus posibilidades, que actuaría como una inyección repentina de capacidad. En cambio, vi cómo ocurría lo contrario: las herramientas amplificaban el juicio existente en lugar de compensar su ausencia. Ahora me doy cuenta de que lo que veía en miniatura ayuda a explicar una inquietud más generalizada que experimentan actualmente los directivos de todos los sectores cuando reciben resultados de trabajos asistidos por IA: aunque se producen rápidamente y parecen pulidos, es difícil evaluar su calidad y, por lo tanto, decidir si actuar en consecuencia. Esto tiene sentido cuando se analiza más detenidamente cómo las personas obtienen buenos resultados al trabajar con herramientas de IA, lo que requiere una evaluación constante de lo que les ofrece y una iteración reflexiva. Usted le da un prompt a la IA, obtiene un resultado, lo evalúa y luego le da otro prompt, realizando pequeñas correcciones sobre la marcha. Históricamente, ese tipo de juicio no proviene del uso de la IA. Proviene de haber realizado un trabajo similar al que ahora se realiza con la IA y de haber aprendido de la experiencia, a veces deficiente, lenta e imperfecta, de la repetición, con la responsabilidad real de los resultados agudizando su enfoque. Esto conduce a una paradoja a la que se enfrentan ahora las organizaciones, se den cuenta o no: la IA aumenta simultáneamente la necesidad de juicio y erosiona las experiencias que lo producen. Amy Edmondson, de la Harvard Business School, y Tomas Chamorro-Premuzic, de Russell Reynolds, han advertido sobre los riesgos de utilizar la IA para sustituir por completo los puestos de nivel inicial. Este artículo se centra en lo que ocurre cuando se mantienen los puestos junior, pero su valor de desarrollo cambia radicalmente. En primer lugar, permítanme explicarles con detalle lo que entiendo por «juicio». ¿Qué es el juicio? El juicio es uno de esos rasgos que los líderes invocan constantemente y definen rara vez. A menudo es un factor determinante para el ascenso; se vuelve cada vez más importante cuanto más alto asciende alguien. He estado en ambos lados de esa ecuación: necesitando demostrar juicio para avanzar y luego buscándolo al evaluar a otros. El juicio puede definirse como la capacidad de actuar con sensatez en situaciones en las que las normas por sí solas son insuficientes,reconociendo lo que más importa en una situación, sopesando las prioridades y las compensaciones en conflicto, anticipando las consecuencias y decidiendo cuándo asumir personalmente una decisión en condiciones de incertidumbre. Esta definición implica que, cuando los líderes hablan de juicio, suelen agrupar varias formas distintas del mismo. En la práctica, se manifiesta al menos de cinco maneras: Juicio evaluativo: Reconocer si algo es bueno o malo, fuerte o débil, apropiado o fuera de lugar. Juicio contextual: saber cuándo se aplican las reglas generales y cuándo la situación es lo suficientemente diferente como para requerir una excepción. Juicio de compensación: sopesar objetivos contrapuestos cuando ninguna opción es claramente correcta. Juicio anticipatorio: ver las consecuencias de segundo orden antes de que se materialicen. Juicio de responsabilidad: decidir cuándo asumir personalmente una decisión y sus riesgos en lugar de aplazarla o escalarla en caso de incertidumbre. A modo de ejemplo sencillo, consideremos la decisión de dar luz verde o no al lanzamiento de un nuevo producto. Dos líderes pueden revisar los mismos datos, comprender los mismos riesgos y estar de acuerdo en las posibles ventajas. Sin embargo, uno da luz verde al lanzamiento, mientras que el otro duda. La diferencia radica en el juicio: el primer líder considera que el riesgo de la cadena de suministro es manejable y cree que un retraso de seis meses cedería demasiado terreno a la competencia; el segundo teme que un problema de calidad en el lanzamiento pueda dañar la confianza en la marca de tal manera que llevaría años repararla. Ninguno de los dos está equivocado, simplemente están sopesando las mismas ventajas e inconvenientes de forma diferente, basándose en el reconocimiento de patrones construido a lo largo de años observando cómo se desarrollaban decisiones similares. Estas formas de juicio no se enseñan directamente, sino que surgen de la estructura misma del trabajo. De dónde proviene tradicionalmente el juicio En la mayoría de las organizaciones, el juicio surge como un subproducto de la forma en que está estructurado el trabajo en sí. Por ejemplo, en las empresas de servicios profesionales, los consultores junior tienen la responsabilidad de realizar tareas como investigar, sintetizar los conocimientos obtenidos, crear modelos y preparar comunicaciones. En mi experiencia en ese puesto, los primeros intentos en todas estas tareas eran defectuosos e incompletos. Pero recibí comentarios y orientación de sus gerentes, mejoré y poco a poco adquirí criterio sobre cómo debían ser los resultados de alta calidad. Este patrón se repite en cada nuevo nivel de la jerarquía de la consultora, desde analista hasta gerente y socio. A medida que asciende en la empresa, la naturaleza de sus responsabilidades cambia hacia la dirección de proyectos, la gestión y el desarrollo de personas, la creación de relaciones con los clientes y la construcción de la organización. Sin embargo, el juicio se desarrolla de manera similar: se le asignan nuevas responsabilidades que le exigen esforzarse al máximo; lo intenta, a veces fracasa, recibe comentarios y aprende de la experiencia. Este patrón no se limita a los servicios profesionales, sino que es una forma habitual de desarrollar el talento en todo tipo de organizaciones y funciones. Por citar solo dos ejemplos (ambos en áreas en las que la IA ya está teniendo un gran impacto): Gestión de productos Históricamente, los gestores de producto junior (PM) aprendían a tomar decisiones redactando documentos preliminares con los requisitos del producto, explicando claramente las ventajas e inconvenientes, defendiendo las decisiones sobre la prioridad de las funciones que se iban a desarrollar y observando lo que ocurría tras el lanzamiento. Hoy en día, la IA puede generar en cuestión de minutos todo esto: especificaciones del producto, historias de usuario (descripciones de las funciones del producto, redactadas desde la perspectiva de los usuarios finales para definir lo que quieren conseguir y por qué), hojas de ruta y mucho más. Ahora, los nuevos PM a menudo solo revisan estos resultados en lugar de crearlos. Marketing Gran parte del trabajo habitual de los equipos de marketing (y de las agencias), como la creación de textos publicitarios y recursos visuales, así como el diseño de campañas, ahora puede ser generado por la IA de forma muy rápida y a gran escala (lo que significa que se puede generar un conjunto prácticamente infinito de opciones entre las que elegir). Estos resultados mejoran a medida que se entrena con campañas anteriores de la empresa, documentos estratégicos y actividades de la competencia. Esto significa que la generación actual de profesionales del marketing junior no tiene por qué realizar todo el arduo trabajo de crear esas cosas por sí mismos, perdiéndose así lo que es un rito de iniciación tradicional en el desarrollo profesional. Dos características cruciales de este sistema son la responsabilidad real sobre las decisiones y la repetición. No hay nada como rendir cuentas por las consecuencias de una decisión para agudizar su juicio. La repetición también es importante, de modo que cuando se le pida que evalúe el trabajo de otros, usted ya habrá luchado por producirlo muchas veces por sí mismo. Nada de esto es especialmente eficiente, pero funciona. Sin embargo, este sistema se basa en el supuesto de que los seres humanos seguirían realizando las tareas fundamentales a través de las cuales se forma el juicio. En la era de la IA, ese supuesto ya no se sostiene. La paradoja: juicio sin experiencia Esto conduce a la paradoja a la que se enfrentan ahora las organizaciones: para utilizar la IA de forma eficaz, las personas necesitan emitir juicios sobre la tarea que tienen entre manos, pero a medida que la IA asume más trabajo, las experiencias que antes generaban esos juicios comienzan a desaparecer. Para las personas, el cambio se manifiesta en cómo experimentan el trabajo y desarrollan sus habilidades. Los resultados generados por la IA llegan rápidamente y con un tono de confianza; revisar y perfeccionar esos resultados puede parecer una participación significativa por parte de la persona que trabaja con ellos. Pero como ahora la persona está reaccionando a una respuesta generada en lugar de crear algo desde cero, el trabajo cognitivo y las habilidades relacionadas que se desarrollan son muy diferentes. Para las organizaciones en su conjunto, este efecto se agrava. Los puestos de nivel inicial pierden las tareas complejas y formativas que antes servían como campo de entrenamiento, lo que lleva a que se pida a los gerentes de nivel medio que supervisen trabajos que nunca aprendieron a hacer por completo. Los altos directivos se dan cuenta de que cada vez hay menos personas capaces de asumir funciones que requieren un juicio real en situaciones de incertidumbre. Una consecuencia derivada de esta dinámica se describió en un artículo de HBR sobre lo que sus autores denominaron «workslop» generado por IA: trabajo que parece pulido, pero que carece de la sustancia o el contexto necesarios para avanzar en la toma de decisiones. El workslop degrada la productividad al causar confusión y necesidad de reelaboración, ya que pocas personas son capaces de reconocer sus límites o corregirlo. Por qué «Human in the Loop» no es suficiente Ante la preocupación por la automatización excesiva, muchas organizaciones han coincidido en un principio tranquilizador: mantener a los seres humanos en el circuito. Esto adopta diversas formas, incluidas las revisiones formales de determinados tipos de resultados o decisiones, y es un principio importante que reduce el riesgo. Sin embargo, no resuelve el problema más profundo de crear las condiciones que permitan desarrollar el juicio. Otras medidas de seguridad comunes de la IA, aunque valiosas, pueden agravar inadvertidamente este problema. Consideremos los protocolos de escalamiento, que son normas que exigen a los empleados junior remitir los casos ambiguos o de alto riesgo a sus supervisores para que estos tomen las decisiones. Estos protocolos protegen la calidad a corto plazo, pero también enseñan a los empleados más nuevos que la incertidumbre es algo que hay que delegar en lugar de resolver. Con el tiempo, la organización se vuelve cada vez más dependiente de un grupo cada vez más reducido de responsables de la toma de decisiones con experiencia, mientras que el número de personas que aprenden a manejar la ambigüedad se reduce. El problema fundamental es que la mayoría de los diseños «human in the loop» se optimizan para el control y la gestión de riesgos conocidos, en lugar de para el desarrollo de las personas que forman parte del ciclo. Un ejemplo concreto: el criterio editorial Para comprender lo que está en juego, consideremos el trabajo de un editor experto de revistas. Cuando un borrador llega al escritorio de un editor, su tarea consiste en evaluar su calidad en muchos aspectos, como la fluidez, el argumento, las pruebas, el tono, la adecuación al público, la originalidad, el valor práctico y otros. Es posible que realicen todas estas evaluaciones simultáneamente, al tiempo que sopesan si la calidad general es lo suficientemente prometedora como para merecer su eventual publicación. Si es así, anotarán cómo, en cada uno de estos aspectos, es necesario mejorar para que eso sea posible. También señalarán lo que podría faltar en el artículo y que es necesario añadir. Esa capacidad se ha forjado a lo largo de años de trabajo, revisando borradores desordenados, aportando comentarios, intercambiando opiniones con aspirantes a escritores sobre sus obras, tomando decisiones sobre qué publicar y, lo que es más importante, observando la reacción de los lectores. Los grandes editores suelen ser también escritores con talento; ver cómo sus propios trabajos pasan por el proceso de edición también les ha ayudado a desarrollar su criterio. Si bien parte de esta experiencia puede formularse en reglas explícitas, en otros casos puede ser tácita o haberse vuelto tan familiar que se aplica de forma intuitiva. Ahora imagine pedirle a alguien sin esa experiencia que evalúe el mismo borrador. Aunque esa persona pueda ser muy inteligente, diligente y capaz de identificar problemas superficiales, le costará evaluar lo que realmente importa. No sabrá qué defectos del borrador presentado se pueden corregir ni cómo encaja el artículo en la agenda editorial general. Sus comentarios tenderán a ser cautelosos o erróneos, simplemente porque carece de la experiencia necesaria para ofrecerlos. Esta brecha ilustra el problema al que se enfrentan actualmente todas las organizaciones con la IA. Dado que la IA es tan rápida a la hora de producir resultados que parecen de alta calidad en tantos ámbitos diferentes, sus operadores humanos se encuentran esencialmente en la posición de un editor sin experiencia: tienen que revisar y evaluar los resultados sin la experiencia necesaria para formar un buen criterio editorial. El riesgo organizativo que los líderes están pasando por alto Si se analiza de forma aislada, la erosión del juicio puede parecer un problema de habilidades o un dolor de crecimiento temporal. Si se analiza de forma sistémica, presenta un riesgo para el liderazgo y la sucesión. Las organizaciones dependen de una renovación constante de personas capaces de tomar decisiones acertadas en situaciones de incertidumbre. Históricamente, esa renovación se producía a medida que las personas iban cambiando de puesto y acumulando experiencia con decisiones cada vez más importantes. A medida que la IA automatiza el trabajo formativo, menos personas se enfrentarán a situaciones que antes servían como campo de entrenamiento para el juicio, con el resultado de que este se concentrará en un grupo más reducido de líderes sénior cuya experiencia es anterior a la automatización generalizada. En última instancia, las líneas de sucesión se reducirán, ya que muchos de los líderes de la próxima generación carecerán de la capacidad crítica para tomar decisiones en condiciones cada vez más comunes de novedad o ambigüedad. También hay un efecto cultural más sutil. Cuando a las personas se les priva del tipo de propiedad descrito aquí al inicio de sus carreras, el énfasis de su aprendizaje se desplazará naturalmente hacia cómo gestionar hacia arriba, en detrimento de aprender a decidir. Estos son riesgos reales que plantea la IA y que se diferencian de otros riesgos relacionados con la IA que se citan habitualmente. Cómo empezar: reconstruir las condiciones para el juicio El reto al que se enfrentan ahora las organizaciones es cómo rediseñar el trabajo en la era de la IA para que el juicio pueda seguir desarrollándose. Un buen punto de partida es plantear preguntas de diagnóstico que pongan de relieve dónde se toman las decisiones en una función determinada y los conocimientos y habilidades necesarios para tomarlas. Estas preguntas incluyen: ¿Quién está tomando realmente las decisiones importantes y quién se limita a revisar el trabajo realizado por otros o por máquinas? ¿Dónde experimentan las personas los efectos derivados de sus decisiones, incluidos los fracasos? ¿Qué funciones han perdido las tareas repetitivas y de baja importancia que antes permitían desarrollar el criterio con el tiempo? ¿Dónde se protege a las personas de la ambigüedad en lugar de pedirles que luchen contra ella? Estas preguntas proporcionan información sobre dónde siguen existiendo las condiciones para la formación del juicio y dónde la IA ha alejado a las personas de esos momentos. En este último caso, deben ponerse en marcha otras formas de fomentar el desarrollo. Si bien estos mecanismos son objeto de una intensa investigación, se puede inspirar en ámbitos en los que adquirir experiencia en el mundo real resulta demasiado costoso o peligroso, como la medicina y el ejército. Ambos han desarrollado deliberadamente la capacidad de juicio a través de mecanismos como el aprendizaje basado en casos, la simulación, el aumento gradual de las responsabilidades de las personas a medida que demuestran su capacidad de juicio en cada nivel y la reflexión estructurada posterior a la acción. El reto definitorio de la era de la IA es cómo seguir formando personas capaces de ejercer su criterio.

¿Cómo pueden ustedes desarrollar un buen criterio en la era de la inteligencia artificial?

Resumen.

Partner Center