Los líderes mundiales están lidiando con cinco tensiones centrales a medida que la inteligencia artificial (IA) se integra en los lugares de trabajo, según perspectivas de más de 100 constructores, ejecutivos, inversores, asesores e investigadores. Estas tensiones abarcan la relación entre expertos y novatos, centralización versus descentralización en la gobernanza, el impacto de la IA en las estructuras jerárquicas, el equilibrio entre velocidad e implementación deliberada, y la interacción de iniciativas de cambio de arriba hacia abajo versus iniciativas de cambio impulsadas por pares. Las investigaciones indican que las primeras aplicaciones de la IA han mostrado efectos duales. Los endoscopistas polacos que utilizaron IA para la detección del cáncer experimentaron una mayor precisión en los procedimientos respaldados por IA, pero una disminución en las tareas que no eran de IA. Los estudiantes que utilizaron IA para redactar ensayos estilo SAT inicialmente mostraron picos de creatividad; sin embargo, aquellos que comenzaron con ideas generadas por IA exhibieron una actividad de onda alfa reducida y produjeron resultados muy similares. Un estudio realizado en 2025 en 20 países europeos reveló además que los trabajadores en trabajos altamente automatizados reportaron una disminución del propósito, un control reducido y un mayor estrés, a pesar de que las tareas se volvieron técnicamente más fáciles. El nuevo Work AI Institute de Glean recopiló estos hallazgos en «AI Transformation 100», una lista comentada de ideas para aprovechar los beneficios de la IA y mitigar sus inconvenientes. Esta iniciativa tiene como objetivo diferenciar la transformación genuina de la exageración, comprendiendo el progreso, el estancamiento y las consecuencias no deseadas de la IA. Una tensión surge de la capacidad de la IA para desdibujar la línea entre expertos y novatos, permitiendo a los no especialistas realizar tareas que históricamente requieren una amplia formación, como la codificación o el análisis de datos. Este cambio amplía las oportunidades de contribución, pero corre el riesgo de confundir la fluidez de la IA con un verdadero dominio. John Lilly, miembro de la junta directiva de Duolingo, señaló que personas que no eran ingenieros crearon un prototipo de un curso de ajedrez utilizando IA en cuatro meses, superando a otras iniciativas internas porque los expertos, si se involucraban demasiado pronto, podrían expresar razones por las que un proyecto no funcionaría. Los equipos de Google también han adoptado un enfoque de «primero el prototipo», utilizando «codificación de vibración» impulsada por IA para crear demostraciones de trabajo antes de redactar propuestas, acelerando la iteración. Sin embargo, depender excesivamente de los novatos puede conducir a una «incumplimiento de la IA»: resultados que parecen convincentes pero carecen de sustancia. La investigación de Stanford indica una disminución en la contratación de desarrolladores principiantes, mientras que la demanda de ingenieros superiores ha aumentado, lo que sugiere que las empresas confían en expertos para contrarrestar este fenómeno. Para abordar esto, las estrategias incluyen permitir que los generalistas inicien proyectos con IA pero garantizar que los expertos perfeccionen y amplíen los resultados exitosos. En Stitch Fix, el ex director de algoritmos Eric Colson describió algoritmos personalizados que señalan necesidades no satisfechas, y luego los diseñadores humanos seleccionan opciones que se alinean con la marca y los estándares de calidad. Las organizaciones también deberían involucrar a los mejores empleados, como médicos o expertos en datos, en la capacitación de modelos de IA y en programas piloto desde el principio, como recomendó el vicepresidente de IA de TELUS, Alexandre Guilbault, quien dijo: «Las mejores personas son las que pueden impulsar la mayor transformación». La incorporación de expertos a los equipos locales, como el equipo «Glean on AI» de Glean para la automatización funcional y el equipo «AI Outcomes» para las soluciones de los clientes, también facilita la identificación y el desarrollo de procesos impulsados por la IA. Otra tensión tiene que ver con el equilibrio entre centralizar y descentralizar el control de la IA dentro de las organizaciones. La centralización, a menudo a través de centros de excelencia de IA, tiene como objetivo hacer cumplir los estándares y gestionar el riesgo, pero puede sofocar la innovación debido a los extensos procesos de aprobación. Por el contrario, el desarrollo descentralizado de la IA puede conducir a una innovación rápida pero descoordinada, lo que resulta en herramientas fragmentadas y agotamiento digital, según el profesor Paul Leonardi de UC Santa Barbara. Para afrontar esto, las empresas centralizan áreas de alto riesgo, como la gobernanza de datos y la infraestructura para la seguridad, al tiempo que descentralizan la experimentación de bajo riesgo, como las automatizaciones del flujo de trabajo. Las organizaciones también deben evitar crear roles simbólicos de IA sin presupuesto ni autoridad, y en su lugar distribuir las responsabilidades de IA entre los equipos existentes. Las opciones tecnológicas deben incluir funciones de gobernanza de nivel empresarial, como seguridad y seguimiento de auditorías, al tiempo que permiten flexibilidad a los equipos individuales. Los equipos de recursos humanos de Booking.com implementaron una plataforma de búsqueda basada en inteligencia artificial que garantiza que los empleados solo accedan a la información para la que tienen permiso, según el gerente senior de ingeniería Tadeu Faedrich, quien dijo: «No queríamos que la gente encontrara documentos a los que no deberían tener acceso». La tercera tensión se refiere a la tendencia hacia jerarquías organizativas más planas. Si bien la IA automatiza las decisiones y los informes de rutina, muchos líderes suponen que permite eliminar capas de gestión para un movimiento más rápido. Sin embargo, Michael Arena, ex director de talentos de General Motors, descubrió que un aplanamiento excesivo puede sobrecargar a los gerentes y crear cuellos de botella, especialmente cuando se supervisan más de siete subordinados directos. Los gerentes suelen trabajar de 10 a 13 horas al día y aún tienen dificultades con sus deberes. Las organizaciones deberían evaluar sus modos de trabajo antes de aplanarse. Si el trabajo implica principalmente tareas «cabeza abajo» que requieren una coordinación mínima, los agentes de IA pueden gestionar tareas rutinarias, lo que permite a los gerentes liderar equipos más grandes. Para el trabajo «directo», que requiere interdependencia y comunicación en tiempo real, mantener equipos más pequeños permite a los gerentes concentrarse en el entrenamiento, el juicio y la construcción de relaciones. La IA debería aligerar, no eliminar, la gestión al descargar tareas administrativas como actualizaciones de estado y programación. El vicepresidente de People Analytics de Workday, Phil Wilburn, señaló que su equipo ya no compila informes ni actualizaciones semanales porque un sistema de inteligencia artificial agrega datos no estructurados de Slack y planes de proyecto, lo que le permite usar inteligencia artificial para compilar informes o investigar temas antes de las reuniones. La IA ha eliminado cargas administrativas sin sustituir las funciones de gestión. La cuarta tensión implica el impulso de adoptar rápidamente la IA frente a la necesidad de una integración cuidadosa y deliberada. Un enfoque excesivo en la velocidad puede crear brechas en la implementación de decisiones, donde se adoptan nuevas herramientas rápidamente pero sin abordar los problemas sistémicos existentes o comprender la adecuación tecnológica. Esto puede provocar una adopción desigual, retrasos o abandono de iniciativas de IA. Hatim Rahman, profesor de la Universidad Northwestern, describió un proyecto hospitalario en el que entrenar IA para diagnósticos médicos requiere miles de imágenes de ultrasonido, pero las presiones existentes sobre la eficiencia de la atención médica minimizan la adquisición de imágenes. Los procesos de consentimiento de los pacientes y los conflictos interdepartamentales retrasan aún más el progreso, lo que lleva a tiempos de implementación más largos de lo esperado. Los técnicos también se resisten al proyecto, por temor a un uso indebido de los datos para el seguimiento del desempeño o recortes de empleos.
- Proteja los modos lentos incorporando obstáculos al trabajo creativo y estratégico, incluidos puntos de control y períodos de reflexión. Perry Klebahn, que dirige el acelerador Launchpad de la Stanford d.school, observó que si bien la IA acelera la generación de prototipos, puede disminuir el compromiso de los fundadores con las ideas, ya que las perciben como si se generaran con demasiada facilidad.
- Premia el aprendizaje sobre el talento para el espectáculo. Los eventos de aprendizaje de IA «U-Days» de Udemy otorgan premios por el impacto empresarial, la mejora mensurable y la retroalimentación de los pares, en lugar de únicamente por demostraciones llamativas.
- Realice una prueba de «residuos de IA»: elimine toda la jerga relacionada con la IA de las presentaciones para evaluar la sustancia subyacente. Si el contenido restante es insustancial, indica una idea débil.
La tensión final aborda si la transformación de la IA debe ser impulsada de arriba hacia abajo o por pares. El liderazgo de arriba hacia abajo es crucial para la adopción en toda la empresa, y los datos de Worklytics muestran que los equipos tenían el doble de probabilidades de adoptar herramientas de inteligencia artificial si sus gerentes las usaban primero. Sin embargo, una presión excesiva desde arriba puede generar resistencia o un cumplimiento superficial. La dependencia excesiva de los esfuerzos desde abajo puede dar lugar a fragmentación y experimentación descoordinada. Un CTO señaló que esto podría compararse con «cientos de pequeñas lanchas rápidas corriendo en diferentes direcciones». Para equilibrar estos enfoques, las empresas establecen ritmos de cambio. El director ejecutivo de un minorista Fortune 20 mantiene la IA como un tema permanente en las reuniones mensuales de vicepresidentes, y un comité directivo interdisciplinario alinea los casos de adopción y uso. Las reuniones del personal departamental incluyen un «momento AI» para compartir experiencias. Las organizaciones también planifican que los experimentos fracasen, reconociendo que aproximadamente el 80% de los proyectos de IA pueden no alcanzar los objetivos de productividad iniciales. Una organización Fortune 500 no rediseña puestos de trabajo hasta que haya «evidencia convincente» de que la IA aumentará la eficiencia. Se implementan ciclos de revisión para capturar las lecciones de los empleados de niveles inferiores, garantizando que las fallas impulsen el aprendizaje. También es fundamental medir el impacto sobre la actividad. El vicepresidente senior de ingeniería de Zendesk, Nan Guo, utiliza un cuadro de mando integral de seis métricas de productividad de ingeniería, incluido el tiempo de ciclo y la tasa de fallas de cambios, en lugar de indicadores superficiales como inicios de sesión o recuentos de avisos. La formalización de redes de pares, como la iniciativa de Uber que identificó a 53 pioneros de la IA en todas las funciones, fomenta el compromiso y las comunidades de aprendizaje internas. Los líderes exitosos navegan por las complejidades de la IA tratando estas tensiones como características de diseño en lugar de defectos. Siguen siendo adaptables y reconocen que el camino óptimo a seguir es provisional. «El cincuenta por ciento de lo que les enseñamos resultará incorrecto», supuestamente dijo un decano de la Facultad de Medicina de Harvard a los estudiantes entrantes, lo que refleja la incertidumbre en la implementación de la IA. Los líderes que muestren humildad y cultiven la flexibilidad organizacional estarán mejor equipados para aprender y adaptarse continuamente a medida que evoluciona el panorama tecnológico.
