La adopción de la IA aumenta. Pero ¿y el rendimiento empresarial?

A las empresas les cuesta convertir la inversión en IA en beneficios significativos. Su uso está creciendo, pero solo el 13% de las organizaciones afirma obtener un valor transformador significativo de la IA. Esta brecha debería llevar a los líderes a dar un paso atrás y preguntarse si están midiendo la actividad o un cambio significativo.

Ante la presión por demostrar con claridad el retorno de la inversión (ROI) en IA, las organizaciones suelen recurrir a métricas fáciles de comunicar, como el uso de herramientas, los usuarios activos o las tasas de adopción. Estas medidas muestran si los empleados utilizan la IA. Sin embargo, dicen poco sobre si el trabajo está mejorando o si la inversión está generando valor.

Por ejemplo, PwC descubrió que el 64% de las personas encuestadas había usado IA en el trabajo durante los últimos 12 meses, lo que supone un aumento interanual de diez puntos porcentuales. A primera vista, es una señal prometedora de crecimiento, pero no demuestra que haya repercusiones en los resultados financieros. La adopción de la IA se convierte en una métrica de vanidad cuando los líderes la consideran una prueba de transformación. Una medida más sólida es el modo en que la IA ayuda a convertir los aprendizajes de proyectos anteriores en marcos, herramientas y aceleradores que mejoran la forma en que los equipos obtienen resultados.

El problema oculto: la IA puede acelerar un trabajo que necesita cambiar

Antes de incorporar la IA, las organizaciones deben comprender el propósito del flujo de trabajo, identificar los pasos innecesarios y replantearse cómo debería llevarse a cabo. Esto es importante porque la implementación de la IA puede acelerar un proceso ineficiente, desplazar los cuellos de botella a etapas posteriores y generar más revisiones o trabajo que debe rehacerse.

Esa misma comprensión debería guiar lo que miden las organizaciones. Analizar el flujo de trabajo completo ayuda a los equipos a ver cómo los cambios en una tarea afectan a todo lo que viene después, y a determinar si las mejoras aparentes realmente reducen el esfuerzo o simplemente lo trasladan a otra persona.

La IA puede acelerar tareas individuales, como redactar contenido, resumir información o analizar datos con mayor rapidez, sin mejorar los procesos. Por ejemplo, generar contenido más rápido puede aumentar el trabajo de quienes lo revisan y aprueban en etapas posteriores. El cuello de botella se desplaza, aunque los empleados notifiquen que ahorran tiempo.

Aquí es donde las métricas de productividad pueden convertirse en métricas de vanidad. Reducir el tiempo necesario para completar una tarea puede parecer un logro rápido, pero quizá no tenga en cuenta el esfuerzo necesario para convertir el resultado en algo útil en las etapas posteriores. El rediseño del flujo de trabajo debería partir del resultado que se busca y, a continuación, determinar dónde aporta valor la IA y qué pasos deben cambiar.

La productividad de las tareas y la del flujo de trabajo son importantes. Para medirlas en conjunto, los equipos deben ir más allá del ahorro de tiempo individual y evaluar la calidad, el trabajo que debe rehacerse y el esfuerzo humano total necesario para alcanzar el resultado.

Lo que aprendimos al convertirnos en nuestro propio cliente de IA

En Arionkoder creamos Socrates, nuestro programa interno de transformación, para ayudarnos a convertirnos en una organización nativa de IA. Probar la IA con nosotros mismos como «caso cero» reveló cómo las mejoras en la productividad de tareas individuales podían ocultar problemas en todo el flujo de trabajo. Por ejemplo, en nuestros flujos de trabajo de gestión de proyectos, al principio supusimos que usar la IA para generar resúmenes de reuniones, listas de acciones y actualizaciones de proyectos haría más eficientes esas tareas. Sin embargo, el mayor volumen de información seguía requiriendo revisiones manuales, priorización y coordinación entre equipos. Esto trasladó la carga de trabajo a etapas posteriores, en lugar de reducirla. Nos dimos cuenta de que agilizar tareas individuales no necesariamente hace más eficiente el flujo de trabajo en su conjunto. El objetivo de Socrates seguía siendo pertinente, pero el programa debía ayudar a los equipos a dejar de acelerar tareas aisladas y empezar a rediseñar los flujos de trabajo de principio a fin.

Este contratiempo resultó útil cuando analizamos lo ocurrido y aplicamos lo aprendido en nuestro siguiente intento. Reforzó la idea de que la transformación con IA depende de algo más que introducir tecnología. Requiere cambiar la forma en que las personas aprenden de los experimentos, toman decisiones y trabajan en equipo. Socrates debía ayudar a los empleados a conectar lo que habían creado individualmente con la forma en que se realizaba el trabajo.

El enfoque revisado da a esa experimentación una progresión clara. Un empleado podría empezar a usar la IA para resolver un problema pequeño y real. El siguiente paso sería comprobar si otra persona podría usar lo que creó. A partir de ahí, la empresa podría analizar el flujo de trabajo general, identificar puntos de fricción y conectar el trabajo con las capacidades desarrolladas por otros equipos. El aprendizaje compartido entre empleados ayuda a evaluar si una mejora sigue siendo útil más allá de la tarea para la que se diseñó originalmente.

Esa distinción es importante. Crear algo que funcione para una persona es el punto de partida. Para generar valor para la organización, es necesario entender cómo lo utilizan otras personas y qué cambia cuando pasa a formar parte de un proceso más amplio.

Por eso, nuestro reajuste comenzó por definir el resultado que buscábamos. ¿Qué necesitaba lograr el equipo? ¿Qué pasos contribuían a ese resultado y cuáles existían por formar parte de un proceso establecido que ya no cumplía su propósito? Esas preguntas ayudaron a pasar de añadir IA a tareas individuales a rediseñar el flujo de trabajo en torno a un objetivo más claro.

A partir de ahí, establecimos valores de referencia y criterios adecuados para cada flujo de trabajo. Analizamos la calidad, el trabajo que debía rehacerse y el esfuerzo de los empleados, además del tiempo de finalización. Estas medidas nos ayudaron a evaluar las mejoras en todo el proceso.

En Socrates, rediseñamos más de 20 flujos de trabajo y convertimos experimentos centrados en problemas empresariales reales en capacidades que otros podían utilizar. El tiempo necesario para elaborar informes financieros pasó de cuatro horas a 20 minutos, mientras que el departamento de TI informó de un 40 % menos de tareas repetitivas y de una reducción del 60 % en los tiempos de respuesta. Esos resultados demostraron avances operativos. Para entender cómo se traducen estas métricas en valor empresarial, hay que evaluar si disminuyó el esfuerzo a lo largo de todo el flujo de trabajo y cómo aprovecharon los equipos la capacidad que ganaron.

Para nosotros, la lección fue seguir las mejoras hasta el final. El ahorro de tiempo individual importa, pero se convierte en valor para la organización cuando ayuda a la siguiente persona a hacer mejor su trabajo y acerca al equipo al resultado previsto.

Qué deberían medir los CIO en su lugar

Para seguir una mejora hasta conocer su impacto empresarial, no basta con medir el uso de la IA o el tiempo ahorrado. Los directivos deben vincular la adopción con mejoras en la forma de trabajar y con los resultados que se obtienen. El progreso debe medirse en tres niveles distintos:

1. Adopción: ¿están usando la IA los empleados?

   La adopción sigue siendo útil como medida diagnóstica. El uso, la participación en experimentos y los comentarios de los empleados pueden revelar dónde están ganando confianza y dónde necesitan apoyo.

   Estas señales ayudan a los directivos a entender el grado de preparación de la organización, pero no demuestran el retorno de la inversión (ROI). Un uso elevado es un punto de partida para investigar, no una prueba de transformación.

2. Rendimiento del flujo de trabajo: ¿está mejorando realmente el trabajo?

   Los criterios de éxito deben reflejar el propósito previsto del flujo de trabajo. Según el caso de uso, la mejora podría consistir en información más precisa, menos errores o una resolución más rápida.

   Compare el rendimiento con una línea de base a lo largo de todo el proceso. Mida los pasos innecesarios eliminados, el trabajo repetido, la calidad y el esfuerzo total de los empleados. Incluya a las personas que reciben y utilizan los resultados generados por la IA. Una tarea no necesariamente se ha vuelto más eficiente si genera revisiones o correcciones adicionales en otra parte.

3. Impacto empresarial: ¿está mejorando los resultados empresariales el flujo de trabajo impulsado por IA?

   Vincule las mejoras del flujo de trabajo con resultados que ya sean importantes para la dirección, como la retención de clientes, los ingresos, la calidad del servicio o el costo por incidencia resuelta. Por ejemplo, producir más contenido demuestra un aumento de la producción. El valor empresarial de ese contenido depende de lo que consiga lograr.

   Siga el uso que se da al tiempo ahorrado. ¿La capacidad adicional mejoró el servicio, favoreció el crecimiento o redujo los costos operativos? Evalúe el valor en relación con el costo total de generarlo, incluido el esfuerzo humano, el consumo de IA, la integración, la supervisión, la capacitación y el mantenimiento.

En conjunto, estas medidas ayudan a los directivos a seguir la adopción de la IA hasta llegar a mejores flujos de trabajo y resultados empresariales. Si aumenta el uso de la IA sin reducir el esfuerzo humano, mejorar la calidad ni aportar valor empresarial, los directivos deben replantearse el enfoque antes de ampliarlo.

Los directivos deben redefinir el progreso de la IA

Los datos de adopción ayudan a las empresas a saber quién usa la IA y dónde se necesita más apoyo. Para entender su valor, hay que escuchar a quienes realizan el trabajo y evaluar si las mejoras benefician al flujo de trabajo en su conjunto. Los directivos deben dar a los empleados la confianza necesaria para señalar los enfoques que aumentan el esfuerzo sin mejorar los resultados y, después, actuar en función de esas observaciones. Cambiar o abandonar un enfoque ineficaz es un avance si lo aprendido mejora la siguiente decisión.

Una transformación significativa se refleja en la eliminación de tareas innecesarias, la obtención de mejores resultados y una mayor capacidad para dedicarse al trabajo que importa. Esos son los resultados que los directivos deberían usar para evaluar el progreso de la IA y orientar futuras inversiones.