Adoptar IA cambia cómo trabaja una organización
Última modificación el · 9 min de lectura
Escucha este artículo
Tabla de contenido
“¿Y ahora qué hago con el joven asistente al que siempre le pedía estas cosas?”
Me lo preguntó, con un poco de congoja, un señor que estaba por jubilarse. Había llegado al taller sin haber abierto nunca una herramienta de IA, y al final del tercer día de trabajo conmigo, se iba con un agente configurado, un par de infografías impecables y esa pregunta, que me dejó pensando. Era un taller con profesionales de una gran empresa del sector energético.
Esa escena resume lo que vemos en las organizaciones. Darle acceso a la herramienta fue lo fácil. Lo difícil empieza después: qué cambia en el trabajo de cada persona y en el de quienes la rodean.
Qué entendemos por Adopción IA
Para nosotros, adoptar IA es lograr que las personas cambien, de forma sostenida, cómo hacen su trabajo con la IA de por medio. No alcanza con tener licencias, ni con que algunas personas entusiastas la usen. Tampoco es transformar todo el negocio de una vez.
Un marco clásico ayuda a pensarlo. Rogers (1962) describió cómo se difunde una innovación: pioneros, adoptantes tempranos, mayoría temprana, mayoría tardía y rezagados. No es una ley: una misma persona puede ser pionera en una tecnología y rezagada en otra. Lo que funciona para quienes ya están entusiasmados no alcanza para llegar a todos los demás: hace falta una estrategia distinta para cada grupo.
Los retos que aparecen una y otra vez
- Un objetivo claro para la adopción de IA. No se trata de adoptar por moda o tendencia: es esencial tener un propósito y/o varios objetivos que le den sentido a este esfuerzo.
- El miedo al desempleo. Aparece en las encuestas internas y en diálogos entre colegas. La respuesta tiene que ser clara y venir de quienes toman las decisiones en cada organización.
- La falta de claridad. Un líder de equipos de producto nos lo pidió así: «más claridad del camino, del proceso, de las herramientas».
- Gobierno frente a experimentación. Si cada equipo arma su modelo, se teme perder el criterio común. Si todo se estandariza de entrada, se frena el aprendizaje.
- La resistencia y el miedo a la microgestión. Un dueño de producto aceptó probar un cambio con una condición: que no se sintiera impuesto.
- Datos y seguridad. Si no están en el flujo desde el comienzo, aparecen tarde y frenan todo.
- Medir sin línea base. Sin saber de dónde se parte, cuesta afirmar que algo mejoró.
Seis frentes de trabajo
- Personas y roles. Qué capacidades necesita cada rol y cómo se desarrollan. Un mapa de conocimientos por cargo sirve de punto de partida. Desarrollar a las personas funciona mejor cuando hay seguimiento y no solo una lista de competencias.
- Método de experimentación. Hipótesis, probar, medir, decidir. Una hipótesis puede sonar así: «con IA podemos entregar software de calidad más rápido, cuidando la seguridad y los datos». Lo importante es que se pueda refutar, y que se escuche a quien dice que no. Hay un sesgo para cuidar: si el equipo todavía no usa el flujo de trabajo nuevo, el experimento no prueba lo que debería.
- Comunidades y aprendizaje entre pares. Lo desarrollamos más abajo: ¡siga leyendo! :)
- Herramientas, skills y agentes. Elegir pocas, enseñar a usarlas y compartir lo que se construye.
- Gobierno, datos y seguridad. Reglas claras desde el principio, para que la experimentación ocurra dentro de un marco conocido.
- Comunicación y cultura. Qué se dice, quién lo dice y cuándo. La comunicación no es un anexo: es un frente de trabajo con dueño.
Lo que aprendimos en cada experiencia
Comunidades de práctica en un grupo financiero regional. Durante varios meses apoyamos las comunidades de un grupo con decenas de miles de personas invitadas. Las hay amplias y técnicas, y cumplen funciones distintas.
- «IA para todos» es la amplia. Hay un encuentro mensual de 45 minutos, con lenguaje cercano y temas fáciles de abordar, y un canal donde quedan los recursos y las memorias. Se conectan entre 600 y 1.500 personas por sesión.
- «Show me the code» es la técnica. Allí quienes ya están entusiasmados le muestran a sus pares, con código real, qué están haciendo.
Aprendimos dos cosas. Las comunidades llegan muy bien a quienes ya se animan, y para llegar a la mayoría hace falta una estrategia aparte. Y funcionan mejor cuando el conocimiento circula entre pares, no cuando baja desde arriba.
Un programa de experimentación en una empresa de servicios de gran escala. Trabajamos con una cadencia fija de encuentros, un tablero visible con el estado de cada experimento y espacios a medida con los distintos roles. Un ejemplo de experimento: dividir la revisión de cada ciclo en revisiones por tarea terminada. El equipo aceptó probarlo, con la condición de que se le pidiera al propio equipo y no fuera impuesto. Además, hicimos un Coding Dojo: un reto común en el que se recorre en la práctica el desarrollo guiado por especificaciones (SDD) con un caso de ejemplo, y que termina con cada participante aplicándolo a su proyecto real.
Siete talleres para profesionales de una gran empresa de energía. Con perfiles muy variados, incluido un módulo para crear agentes. La participación fue desigual: plena en las sedes grandes, y de 10 a 12 personas en las regionales. Aprendimos que la convocatoria es parte del diseño, no un trámite previo, y que con perfiles tan distintos no hay un único recorrido. La empresa planea repetir varias sesiones el año próximo.
En Kleer también estamos usando la IA de diversas formas. Tanto para entender mejor a nuestros clientes, como también para apoyar y potenciar nuestro trabajo desde la preventa hasta el cierre de los proyectos. Reunirnos todos los viernes una horita para nerdear al respecto de la IA nos ha servido para compartir conocimiento. Nuevamente, vivimos el poder de aprender en comunidad.
¿Qué valor estamos viendo?
La señal más evidente hasta ahora es la velocidad; en distintos experimentos vimos reducciones importantes en el tiempo necesario para actividades como desarrollar software, preparar propuestas comerciales o elaborar informes y presentaciones de avance.
Todavía no tenemos una medición sistemática que permita convertir esas observaciones en una cifra general y preferimos no hacerlo antes de tenerla.
También estamos siguiendo otras señales: cuánto se utilizan las nuevas prácticas después del experimento, cómo circula lo aprendido entre equipos, qué nivel de confianza tienen las personas para trabajar con IA y qué ocurre con la calidad del resultado. Ahí aparece una pregunta que nos interesa especialmente: cuando hacer algo se vuelve mucho más rápido, ¿qué parte del trabajo pasa a ser el nuevo límite?
La respuesta cambia según la organización, puede estar en la toma de decisiones, en los datos, en la coordinación entre áreas, en las reglas internas o en la capacidad de las personas para incorporar una práctica nueva a su trabajo cotidiano.
Algunas preguntas para empezar
Antes de desplegar otra herramienta o ampliar un piloto, vale la pena mirar dónde está parada la organización:
1. ¿Qué queremos que cambie en el trabajo gracias a la IA y cómo vamos a reconocer ese cambio?
2. ¿Quiénes ya están experimentando y cómo circula lo que están aprendiendo?
3. ¿Qué están escuchando las personas sobre el impacto de la IA en su trabajo y quién está sosteniendo esa conversación?
4. ¿Qué pueden hacer hoy los equipos con datos e IA y cuáles son los límites?
5. ¿Qué evidencia vamos a mirar para decidir si vale la pena continuar, modificar o detener un experimento?
No todas las organizaciones necesitan empezar por el mismo lugar. En algunas, el problema estará en las capacidades. En otras, habrá decenas de experimentos y poca coordinación. Otras tendrán herramientas disponibles que casi nadie usa.
Entender dónde está el cuello ayuda a decidir qué experimentar primero.
Cierre... con sabor a inicio de nueva era
La pregunta de aquel participante del taller sigue siendo una de las que mejor resume el problema: «¿Y ahora qué hago con el joven asistente al que siempre le pedía estas cosas?».
Había aprendido a usar IA. Lo que todavía quedaba por resolver era qué significaba ese aprendizaje para su trabajo y para el de las personas que trabajaban con él.
Ese es el tipo de preguntas que estamos acompañando en Kleer: entender dónde está hoy una organización, qué vale la pena cambiar y cómo probarlo sin desplegar una transformación completa antes de saber qué funciona.
Si tu organización ya está experimentando con IA y empieza a encontrarse con estas preguntas, podemos conversar sobre dónde está hoy el desafío y qué tendría sentido probar primero.
Referencias
Rogers, E. M. (1962). Diffusion of Innovations. Free Press of Glencoe.
Créditos de la foto de portada: Priscilla Du Preez
https://unsplash.com/es/@priscilladupreez
