Superar las barreras organizativas para la adopción de la IA

El entusiasmo por la IA ha dominado las conversaciones entre los altos ejecutivos. Sin embargo, la mayoría de las organizaciones siguen teniendo dificultades para obtener beneficios significativos de sus iniciativas de IA. Para explorar estos retos en mayor profundidad, llevamos a cabo una exhaustiva investigación, combinando una encuesta a más de 100 ejecutivos de alto nivel con más de dos docenas de entrevistas en distintos sectores. La encuesta reveló que el 45 % de los ejecutivos consideraba que el retorno de la inversión de la adopción de la IA estaba por debajo de las expectativas, mientras que solo el 10 % afirmaba que los resultados superaban las expectativas. También puso de relieve que los obstáculos más importantes son de carácter organizativo, más que técnico. A partir de estos resultados, identificamos un conjunto de obstáculos interrelacionados que tienen su origen en tres áreas: las personas, los procesos y la política. En este artículo, exploramos estos obstáculos interrelacionados y analizamos cómo las empresas los están abordando. Fomentar la preparación de las personas para la IA Al analizar la preparación de los empleados para la IA, nuestra investigación identificó tres problemas: la incertidumbre, el miedo a ser sustituidos y el problema de la autoimagen. El problema de la incertidumbre: «¿Qué hará realmente esta IA?». La encuesta global de Slack de 2024, realizada a más de 17 000 trabajadores de oficina, reveló que el 61 % de los empleados había dedicado menos de cinco horas a aprender sobre la IA y que el 30 % no había recibido ninguna formación al respecto. Ante la falta de conocimientos, las opiniones pueden polarizarse. Algunos empleados descartan la IA por considerarla una mera moda pasajera, mientras que otros dan por sentado que puede hacerlo todo. La incertidumbre de las empresas sobre la IA va más allá de la capacidad técnica. Por ejemplo, una empresa de auditoría identificó oportunidades de IA en todo su flujo de trabajo, pero tanto los clientes como los auditores se resistieron, alegando riesgos normativos. Al final, la empresa abandonó muchos de sus enfoques basados en la IA. Para abordar estas preocupaciones, las empresas deben integrar la gobernanza de la IA en su trabajo diario y hacerla intuitiva para todos los empleados. Una gobernanza eficaz no solo protege contra consecuencias no deseadas, sino que también ayuda a desmitificar la IA. Por ejemplo, en 2018, DBS Bank introdujo el marco PURE (Purposeful, Unsurprising, Respectful y Explainable,es decir, «con propósito,sin sorpresas,respetuosoy explicable») para evaluar cada caso de uso de la IA. En lugar de basarse en largos documentos de políticas, los empleados se guían por cuatro preguntas sencillas: ¿El uso tiene un propósito y es significativo? ¿Sorprenderán los resultados a los clientes? ¿Respeta a los clientes y sus datos? ¿Se pueden explicar los resultados? Este enfoque reduce la incertidumbre y garantiza un uso responsable. DBS también creó un Comité de Uso Responsable de Datos para revisar los proyectos que no cumplen los requisitos de PURE. Con un marco fácil de entender y una supervisión humana clara, el banco capacitó a los empleados de todos los niveles para innovar de forma responsable. En 2023, la IA ya había generado 274 millones de dólares en valor para DBS. Miedo al reemplazo: «¿Conservarán su empleo?» Cuando los empleados sospechan que están entrenando un sistema que los reemplazará, cumplen lo mínimo. Se demoran cuando se les pide que «etiqueten datos» o «enseñen el modelo». Esta «trampa del entrenamiento» ralentiza la adopción de la IA en las empresas de servicios, minoristas y manufactureras. Las empresas pueden contrarrestar esto compartiendo las ventajas: ofreciendo regalías por el entrenamiento de datos y el trabajo de etiquetado, bonificaciones por productividad vinculadas a las ganancias obtenidas y garantías profesionales que canalicen las ganancias de eficiencia hacia el reciclaje profesional en lugar de hacia los despidos. Dado que muchas de estas prestaciones se basan en promesas futuras que son fáciles de incumplir, las empresas deben hacer promesas creíbles y fáciles de verificar. Por ejemplo, una empresa de comercio electrónico se comprometió a aumentar el gasto total en mano de obra en un 1 % anual para demostrar su compromiso con la inversión en los empleados. Esta cifra del 1 % es fácil de comprobar y difícil de manipular, por lo que ayudó a generar confianza entre los trabajadores. También les otorgó puestos formales en el comité directivo de IA y una mayor influencia en las decisiones de personal. Este mayor poder de los trabajadores refuerza aún más la confianza. Otra forma de resistencia es la búsqueda de defectos: exigir a la IA unos estándares mucho más altos que a los humanos. En una importante compañía de seguros, la búsqueda de defectos por parte de los empleados llevó a exigir unos niveles de precisión poco realistas a los sistemas de IA, lo que a su vez ralentizó la implementación y aumentó los costes de inversión. Estudios independientes y auditorías externas que comparaban los resultados de la IA con los de los humanos ayudaron a restablecer el realismo. Por último, los temores de sustitución se disipan cuando la IA impulsa el crecimiento en lugar de la contracción. Si la tecnología expande el negocio, las ganancias en eficiencia se perciben como una oportunidad, no como una amenaza. El problema de la autoimagen: «¿Pareceré competente?». El miedo a perder estatus puede ser incluso más poderoso que el miedo a perder el empleo. Hemos observado a ingenieros que utilizan discretamente herramientas de IA, pero lo ocultan para no parecer menos competentes. A muchos les preocupa que admitir que utilizan IA pueda hacerles parecer perezosos, incompetentes o incluso deshonestos. Preocupaciones similares por la imagen hacen que los radiólogos ignoren las recomendaciones de la IA para proteger su orgullo profesional. Una empresa de servicios financieros cambió este estigma al lanzar un programa denominado «AI Masters» (Maestros en IA) que acelera la carrera profesional de los empleados que demuestran habilidades excepcionales en IA, independientemente de su antigüedad. De este modo, se celebra la competencia en IA como algo sofisticado y con visión de futuro, y no como pereza o incompetencia. Al difundir este mensaje, las organizaciones pueden crear incentivos positivos para que sus empleados adopten la IA. Igualmente importante es diseñar el uso de la IA para preservar la dignidad profesional. Las empresas pueden posicionar la IA como una herramienta que presenta hechos sin emitir juicios, dejando las conclusiones finales a los profesionales. Este enfoque refuerza la experiencia en lugar de socavarla. Algunas empresas han creado «consolas de segunda opinión» privadas en las que los empleados pueden consultar a la IA sin temor a pasar vergüenza o poner en riesgo su reputación. Procesos: rediseño de los flujos de trabajo La adopción de la IA a menudo fracasa cuando las organizaciones la tratan como una simple superposición de los procesos existentes. La verdadera transformación exige un cambio sistemático en tres niveles: el flujo de trabajo individual (nodos), las conexiones interfuncionales (bordes) y la coordinación de todo el sistema (redes). El nivel de los nodos: transformar la forma de trabajar de las personas El equipo jurídico de una consultora utilizó inicialmente la IA como una herramienta de corrección ortográfica, ejecutándola al final de las revisiones tradicionales. Este enfoque produjo beneficios insignificantes, ya que la IA solo tenía una precisión del 100 % en el 40 % de los tipos de errores. Al reestructurar el flujo de trabajo para que la IA realizara la primera revisión, comprobando solo los tipos de errores que mejor manejaba, los abogados pudieron centrarse exclusivamente en los restantes. Este rediseño demostró cómo replantearse los flujos de trabajo permite aprovechar el valor de la IA. Algunas empresas aceleraron el cambio estableciendo objetivos «imposibles» que obligaban a los equipos a abandonar viejos hábitos y descubrir nuevas formas de trabajar. Por ejemplo, una start-up de Boston se enfrentó a la resistencia al uso de la IA en la preparación de documentos. Para superar este obstáculo, exigió que los documentos, que antes se completaban en una semana, se terminaran en un solo día. La extrema presión del tiempo no dejó a los empleados otra opción que integrar la IA desde el principio y rediseñar sus procesos en torno a ella. El nivel periférico: rediseñar las conexiones El nivel periférico se centra en cómo la mejora del juicio local y los datos pueden transformar los procesos interdepartamentales y los flujos de toma de decisiones. En una empresa japonesa de cosméticos, los asesores de belleza de las tiendas solían proporcionar información anecdótica y poco fiable. La IA generativa les ayudó a analizar las conversaciones con los clientes y los patrones de tráfico, proporcionándoles información estructurada. La sede central, ahora segura de los datos, creó un bucle bidireccional: las campañas podían lanzarse más rápidamente y ajustarse en tiempo real basándose en información fiable sobre el terreno. La frontera entre las operaciones locales y la planificación central se convirtió en un circuito receptivo en lugar de una orden unidireccional. El nivel de red: orquestar el impacto en todo el sistema Para generar un impacto real en el negocio a partir de la IA generativa, las empresas deben tener en cuenta el nivel de la red: cómo las mejoras en múltiples nodos y bordes interactúan dentro del sistema más amplio. Sin esta perspectiva, la IA generativa puede simplemente trasladar los cuellos de botella de una parte de la red a otra, lo que limita las ganancias generales de rendimiento. Este fenómeno es común porque muchas organizaciones concentran sus esfuerzos de IA generativa en unas pocas áreas de alto impacto, como el marketing, el servicio al cliente o el desarrollo de software, mientras que pasan por alto la interdependencia entre las unidades de negocio. Un importante fabricante de automóviles descubrió esto cuando adoptó la IA generativa para impulsar la productividad en el desarrollo de software automovilístico (mejorando un conjunto de nodos), lo que permitió acelerar las iteraciones de diseño, la generación de código y las pruebas de funciones. Sin embargo, la red global de producción de vehículos mostró pocas mejoras, ya que la fabricación de hardware se convirtió en el principal cuello de botella. Los nodos de desarrollo de software mejorados ahora dependían de los nodos de hardware, que no habían cambiado, y los bordes que los conectaban no podían manejar el aumento del ritmo de producción de software. Para abordar estos retos a nivel de red, es necesario coordinar la acción entre todos los nodos y bordes. Las organizaciones deben comenzar por mapear toda la topología de la red, comprender cómo funcionan los flujos de trabajo entre equipos e identificar posibles cuellos de botella. La adopción de la IA debe sincronizarse entre los nodos interconectados, de modo que las mejoras en la capacidad se reflejen en toda la red. Política: navegar por el poder y la influencia La IA determina quién gana y quién pierde dentro de las organizaciones. Las políticas resultantes —sobre datos, jerarquía y responsabilidad— a menudo resultan más formidables que las cuestiones técnicas. La adopción exitosa de la IA a menudo requiere rediseñar las estructuras de gobernanza, ajustar los mecanismos de incentivos y, en algunos casos, confiar en los altos directivos para negociar acuerdos y eliminar barreras. A continuación, presentamos tres problemas específicos que observamos en nuestra investigación: Acumulación de recursos Las organizaciones descubren rápidamente que el apetito de la IA por los datos y el conocimiento choca frontalmente con instintos competitivos profundamente arraigados. En una gran empresa china de IT, los investigadores descubrieron que los programadores eran entre un 16 % y un 18 % menos propensos a recomendar el acceso a la IA a sus propios compañeros de equipo, acaparando así el conocimiento para preservar su ventaja personal. En todas las unidades de negocio, las divisiones más grandes y exitosas que poseen modelos sofisticados de IA y valiosos conjuntos de datos a menudo ven pocos incentivos para compartirlos con unidades más pequeñas que podrían beneficiarse más de ellos. Compartir puede parecer como dar pie a posibles competidores internos, al tiempo que se diluyen sus propias métricas de rendimiento. En la encuesta de Deloitte-HKU que realizamos, los participantes de nivel directivo identifican «los departamentos aislados que impiden la cooperación» como la principal barrera para la adopción de la IA. El DBS Bank hizo frente a esta resistencia diseñando una estructura de incentivos que recompensaba a las unidades por convertir los conjuntos de datos propios en activos reutilizables en la plataforma central. Una métrica clave hacía un seguimiento del porcentaje de los conjuntos de datos específicos de cada unidad que se habían transformado en recursos compartibles. Este enfoque rompe los silos al motivar tanto a las unidades grandes como a las pequeñas a aportar datos accesibles y de alta calidad. Generación de disrupción en la jerarquía La IA altera la jerarquía tradicional basada en dos pilares: la experiencia y el número de empleados. El primero se debilita cuando los empleados junior, armados con la IA, superan a los veteranos con más experiencia. En una empresa de software, los programadores con solo dos años de experiencia comenzaron a producir código más limpio y en mayor cantidad que sus colegas con cinco años de antigüedad. Los junior sentían que estaban haciendo más por menos. Algunas empresas respondieron ampliando los modelos de competencia para incluir explícitamente el dominio de la IA y acortando las escalas de promoción. Cuando los ciclos de promoción se reducen de cinco años a uno o dos, y se recompensa el dominio de las nuevas herramientas, los empleados jóvenes ven el payoff inmediato del aprendizaje. El segundo pilar, el poder a través del número de empleados y el control sobre los recursos, genera una resistencia aún mayor. Los gerentes son los guardianes de la adopción de la IA, pero su autoridad suele depender del tamaño de sus equipos. Cuando la eficiencia amenaza con reducir esos equipos, sus intereses personales pueden descarrilar silenciosamente iniciativas de IA que, de otro modo, serían valiosas. En un departamento de traducción, los líderes dudaban en automatizar porque hacerlo reduciría su plantilla, sus bonificaciones y su prestigio. OPPO, el fabricante de teléfonos inteligentes, abordó este problema organizando un torneo de IA en el que todos los empleados tenían el mismo acceso a las herramientas y los resultados se clasificaban por departamentos. De repente, los gerentes tuvieron que defender la adopción de la IA o arriesgarse a quedar en evidencia públicamente si sus equipos se quedaban atrás. El concurso redefinió el éxito: el estatus ya no provenía de gestionar grandes equipos, sino de permitirles lograr más con la IA. Atribución de responsabilidad La IA también genera disrupción en el equilibrio tradicional entre la culpa y la discreción dentro de las organizaciones. Su precisión convierte la responsabilidad difusa en datos concretos, lo que puede crear nuevas fricciones políticas. En Dingdong Maicai, una empresa china de comercio electrónico de productos alimenticios, los sistemas de IA comenzaron a rastrear cada queja de los clientes hasta el departamento exacto responsable. Cuando un cliente recibía fruta en mal estado, los algoritmos podían determinar con precisión si el problema se debía a un mal proceso de aprovisionamiento, a un mal almacenamiento o a un daño durante el transporte. Lo que antes era una incertidumbre compartida se convirtió en una responsabilidad explícita. Con este cambio, los departamentos que durante mucho tiempo habían operado en la ambigüedad se vieron ahora expuestos públicamente. La naturaleza binaria del juicio algorítmico, que asignaba toda la responsabilidad a una de las partes, ignoraba las zonas grises de las operaciones del mundo real. Esto provocó un aumento de las disputas y las quejas de los jefes de departamento. La lección es que una responsabilidad perfecta puede socavar la armonía organizativa. Dingdong acabó cambiando su sistema de atribución, dejando el juicio final en manos de los seres humanos. El objetivo no era rechazar la transparencia, sino amortiguarla con confianza. Para adoptar eficazmente la IA es necesario saber cuándo la precisión ayuda al rendimiento y cuándo solo alimenta las políticas internas. Accionar múltiples palancas para la transformación impulsada por la IA Una empresa de servicios profesionales con 2200 profesionales, principalmente desarrolladores de software y gestores de productos, comenzó a poner a prueba iniciativas de GenAI a mediados de 2023. En pocas semanas, la productividad individual aumentó entre un 30 % y un 40 %, pero a mediados de 2024, el rendimiento general, medido por la productividad y el tiempo de entrega, se mantuvo estable. Varios factores explicaban esta diferencia. Los desarrolladores carecían de incentivos para aumentar la producción, por temor a que las ganancias en eficiencia provocaran despidos. La avalancha de nuevas herramientas de IA generó prácticas inconsistentes entre los equipos, lo que generó disrupción en los estándares establecidos y complicó la gestión de proyectos. Mientras tanto, los desarrolladores junior a menudo superaban a los senior, pero las asignaciones de trabajo y el reconocimiento seguían las jerarquías tradicionales. Para hacer frente a estos retos, la empresa movió todos los hilos en materia de personal, procesos y política. En lo que respecta al personal, redefinió su modelo de competencias para recompensar explícitamente la destreza en IA, haciendo visible la experiencia en toda la organización y convirtiendo el dominio de esta tecnología en un motivo de orgullo. Para contrarrestar el temor a ser sustituidos, se reformó la estructura salarial: los salarios base se redujeron al 80 %, mientras que se añadieron incentivos basados en el rendimiento de hasta el 40 %, vinculando directamente las ganancias en eficiencia con las recompensas individuales. Se revisó la dimensión del proceso para integrar la IA en todo el flujo de trabajo. Los desarrolladores se convirtieron en administradores de datos y procesos, responsables de seguir definiciones de datos estandarizadas, prácticas de codificación y protocolos de IA, al tiempo que participaban en la formación para reforzar la coherencia de los procesos. Un marco unificado de extremo a extremo armonizó la integración de la IA en todas las etapas de desarrollo, con procedimientos operativos estándar actualizados que incorporaban pasos mejorados con IA para facilitar la formación y el cumplimiento. A nivel organizativo, un modelo de gobernanza centralizado con puntos de control definidos y administradores de procesos empresariales garantizó la alineación entre los datos, la IA y los flujos de trabajo. Se enfrentaron de lleno las barreras políticas. Las categorías laborales se ampliaron de seis a catorce, con revisiones semestrales que permitían ascensos o descensos rápidos. Este sistema recompensaba a quienes adoptaban la IA con mayor responsabilidad e influencia, reajustando los incentivos que antes favorecían la antigüedad por encima de la capacidad. A mediados de 2025, estos cambios comenzaron a dar sus frutos. La productividad aumentó un 22 %, lo que permitió una reducción de precios del 10 % que impulsó las ventas en un 20 %. Los costes laborales crecieron un 5 %, ya que la empresa reinvirtió en su plantilla, reforzando su compromiso con los empleados. La rentabilidad general mejoró un 3 %, lo que demostró que la transformación impulsada por la IA se traducía en un valor comercial tangible. Sobre esta base, la empresa se expandió a mercados en los que antes era demasiado competitivo entrar por los precios. El desarrollo respaldado por la IA también acortó la curva de aprendizaje de los nuevos lenguajes de programación, lo que permitió a la empresa ampliar su oferta. Este caso demuestra que la verdadera transformación de la IA va más allá de la tecnología. Al alinear los incentivos, rediseñar los procesos y reconfigurar el poder organizativo, la empresa convirtió la adopción de la IA en un valor empresarial duradero. . . . En última instancia, el reto no es adoptar la IA, sino evolucionar junto con ella. La verdadera ventaja radica en crear una organización que pueda aprovechar al máximo el poder de la IA. Las empresas que la ven simplemente como una mejora técnica inevitablemente se quedarán atrás.

Superar las barreras organizativas para la adopción de la IA

Resumen.

Partner Center