Chris Perry, fundador y director ejecutivo de Andus Labs – Serie de entrevistas

Chris Perry, fundador y director ejecutivo de Andus Labs, es un ejecutivo de comunicaciones, estrategia digital e innovación con casi tres décadas de experiencia ayudando a organizaciones a navegar cambios importantes en tecnología y negocios. Antes de fundar Andus Labs en 2025, Perry pasó más de 22 años en Weber Shandwick, donde ocupó una sucesión de cargos de alta dirección, incluido presidente de Futures, director de innovación, presidente de comunicaciones digitales, vicepresidente ejecutivo de estrategia y operaciones digitales, y vicepresidente senior. Al inicio de su carrera, trabajó en comunicaciones tecnológicas en General Motors y se desempeñó como vicepresidente en Edelman. Su carrera se ha centrado en la transformación digital, tecnologías emergentes, cambio organizacional y la relación evolutiva entre la tecnología y las personas responsables de ponerla en práctica.

Andus Labs ayuda a las empresas a traducir las capacidades de IA en resultados organizacionales prácticos al centrarse en los sistemas humanos que rodean la tecnología. La compañía describe su misión como construir el “Human OS for AI”, una capa operativa diseñada para orquestar el trabajo entre personas y agentes de IA, basada en la premisa de que las inversiones en IA a menudo no cumplen sus expectativas cuando la preparación organizacional, los flujos de trabajo y la adopción se quedan rezagados respecto a la propia tecnología. Su trabajo abarca programas de orquestación del trabajo con IA, productos destinados a reforzar y potenciar el aprendizaje organizacional, y una red más amplia de profesionales, artistas y humanistas que exploran cómo humanos y IA pueden colaborar eficazmente.

Pasó más de dos décadas en Weber Shandwick, ascendiendo desde roles digitales senior hasta director de innovación y presidente de Futures, antes de fundar Andus Labs en 2025. ¿Qué observó dentro de las grandes organizaciones durante ese período que le convenció de que la mayor barrera para la transformación con IA sería el sistema humano y organizativo que rodea la tecnología, más que la propia tecnología?

Lo aprendí primero en el estudio de artes gráficas de mi padre en Detroit, donde comencé, antes de Weber Shandwick. La publicación de escritorio trasladó el trabajo que sus tipógrafos e ilustradores hacían a mano al software. Rompió su modelo de negocio, y él no vio el cambio hasta que fue demasiado tarde.

En Weber Shandwick trabajé con algunas de las empresas más grandes del mundo a través de nuevas olas tecnológicas: redes sociales, blogs, video, móvil, datos. Cada vez, el patrón era el mismo. La tecnología llegaba. La gente sentía el cambio y empezaba a usarla por su cuenta. El liderazgo y la estructura de la empresa se movían al final.

En esas primeras olas, las empresas pagaban por ese retraso perdiendo terreno, pero la gente seguía haciendo el trabajo. La IA hace al trabajo del conocimiento lo que la publicación de escritorio hizo con el estudio de mi padre. La forma en que la gente realiza el trabajo se incorpora al software.

Las escuelas de negocios no enseñan cómo dirigir una empresa donde personas y agentes comparten el trabajo. La mayoría de las compañías añaden IA y hacen que el trabajo antiguo se realice más rápido. El verdadero retorno llega cuando los líderes preparan a sus equipos para reconstruir el trabajo con IA. El trabajo cambia de forma en lugar de simplemente acelerarse.

Lo llamamos Andus Labs, como en “and us”, porque apostamos a que el retorno dependería de las personas.

Andus Labs sostiene que las empresas pueden contar con capacidades avanzadas de IA y, sin embargo, carecer de la “preparación humana” necesaria para capturar valor de ellas. ¿Qué diferencia a una compañía que ha desplegado IA con éxito de una que realmente ha transformado la forma en que se realiza el trabajo?

Me senté con una empresa que reportaba un 80 % de adopción de IA y algo cercano a un 5 % de cambio en la forma en que se hacía el trabajo. Sólo el número de adopción apareció en la presentación al consejo. El segundo número no estaba oculto. Simplemente el panel de control no tenía espacio para él.

El despliegue es fácil de medir. Licencias asignadas, agentes desplegados, inicios de sesión. Eso es actividad, no impacto. Preguntamos a los clientes qué puede hacer la empresa ahora que no podía hacer antes. La mayoría de las veces la respuesta honesta es los mismos informes, presentaciones y análisis, solo más rápido.

Las empresas que están transformando miden otra cosa. ¿El piloto generó suficiente valor como para escalar? ¿Podemos presentar algo al consejo que no podríamos haber producido hace un año? ¿La IA está aliviando la carga de nuestras personas más valiosas para que puedan realizar el trabajo que solo ellas pueden hacer? Ninguno de esos indicadores es tan fácil de contar como los asientos, pero son las métricas que indican si algo se movió.

Esas preguntas también necesitan un responsable. Pregúntese quién es dentro de la mayoría de las empresas y obtendrá una lista. El CIO es responsable de las plataformas. Un centro de excelencia es responsable de los pilotos. RR.HH. es responsable de la capacitación. El impacto en el negocio no figura en la lista de nadie.

Una empresa puede decir cuántas personas tienen acceso. La otra puede decir qué cambió y quién responde de ello.

El Ground Truth Index se nutre ahora de una biblioteca de 300 patrones documentados, observados en proyectos y conversaciones con líderes de 595 organizaciones. Cinco agentes analistas independientes puntúan cada patrón antes de que los investigadores revisen y diriman la clasificación final. ¿Cómo ha evolucionado esta metodología, en qué momento interviene el criterio humano y cómo evitan que el índice se limite a reforzar las suposiciones ya presentes en sus observaciones de campo?

El método ha cambiado a medida que la biblioteca ha crecido. Cada patrón comienza con lo que escuchamos y vemos en conversaciones con líderes empresariales. Verificamos cada nueva señal contra la biblioteca, la probamos con la observación de campo y la investigación externa, y decidimos si es realmente nueva, refuerza un patrón que ya seguimos, o pertenece a otro lugar.

La IA nos ayuda a evaluar toda la biblioteca cada trimestre, algo que un equipo de investigación no podría hacer manualmente. Los agentes leen cada patrón a través de una lente profesional diferente y lo puntúan en las mismas cinco dimensiones. Trabajan a ciegas, de modo que ningún agente puede influir en otro. Tomamos la mediana para que un solo valor atípico no altere la puntuación, y los 50 mejores pasan a revisión humana.

El juicio humano permea todo el proceso. Nuestro equipo de investigación aprueba cada patrón que ingresa a la biblioteca, revisa las clasificaciones y decide los 25 finales. Nos enfocamos especialmente donde los agentes discrepan y donde la atención mediática entra en conflicto con lo que escuchamos en el terreno. Podemos ajustar una puntuación, pero solo basándonos en observaciones documentadas: quién la planteó, con qué frecuencia la escuchamos y si se sostuvo en distintas organizaciones. Una corazonada no modifica la puntuación.

El nuevo Ground Truth Index clasifica “Empty Chairs” como la principal barrera para la IA empresarial, describiendo organizaciones que otorgan a los sistemas de IA influencia sobre decisiones como contratación, precios y riesgos sin identificar claramente quién es responsable o tiene la autoridad para revertir esas decisiones. A medida que la IA pasa de recomendar acciones a moldear realmente los resultados comerciales, ¿cómo debería lucir en la práctica una rendición de cuentas humana significativa?

Cuantas más funciones toca la IA, más decisiones toma en nombre de la empresa. La rendición de cuentas se convierte en una cuestión de gestión antes que en una cuestión tecnológica.

La responsabilidad suele situarse en algún punto entre quien compró el sistema de IA y quien lo utiliza, y ninguno de los dos lo posee. La brecha permanece invisible hasta que se cuestiona una decisión. Esa es la silla vacía.

La rendición de cuentas implica un líder designado que ve lo que produce el sistema y puede explicar el resultado, corregirlo o detener el sistema. Eso requiere autoridad sobre un proceso que normalmente atraviesa varios departamentos.

Pedimos a los líderes que elijan una decisión trascendental que su IA haya ayudado a tomar este trimestre y nos indiquen quién es responsable de ella. Cuando la respuesta no es clara, la empresa ha modificado la forma en que se toman las decisiones sin determinar quién responde por ellas.

“Learning While Drowning” ocupa el segundo lugar en el nuevo Índice, destacando a las empresas que imponen capacitación en IA sin modificar la carga de trabajo existente de los empleados. Al mismo tiempo, “Optimization Temptation” muestra lo fácil que es para las empresas cuantificar los ahorros de personal en comparación con el valor más difícil de medir de reubicar a las personas en trabajos de mayor valor. ¿Subestiman fundamentalmente las empresas la inversión organizacional necesaria para que su fuerza laboral sea más productiva con IA en lugar de simplemente usar IA para reducir costos?

Sí. Los ahorros al eliminar un puesto son fáciles de reflejar en una hoja de cálculo. El valor del conocimiento, las relaciones y el juicio de esa persona es mucho más difícil de capturar. Los ahorros aparecen este trimestre. Las pérdidas pueden acumularse durante años.

La suposición detrás del recorte también suele ser errónea. La IA hace que el trabajo actual sea más eficiente y también genera nuevas tareas que deben realizarse. Lo que vemos es un reequilibrio de los equipos, con personas que se trasladan a diferentes puestos en lugar de que se eliminen funciones completas.

Un mandato de capacitación es una decisión sobre la carga de trabajo. Las empresas apilan la capacitación en IA sobre el trabajo existente y luego interpretan una baja finalización como un problema de motivación. La inversión que omiten es la que nunca llega al presupuesto. Decidir qué trabajo se detendrá, reducirá o trasladará para crear espacio, y nombrar a quién lo aprobó. Aprender lleva tiempo. Aplicarlo lleva más, porque las personas deben probar herramientas desconocidas, verificar los resultados y cambiar la forma en que siempre han trabajado.

La respuesta no es otro punto de la lista. Asigna a un equipo a un proyecto real y el aprendizaje ocurre dentro del trabajo.

El Índice también identifica “Devaluation Anxiety”, reflejando las preocupaciones sobre lo que les ocurre a los empleados cuando la IA se vuelve capaz de desempeñar partes cada vez más valiosas de sus trabajos. ¿Cuánto de lo que los ejecutivos catalogan como resistencia a la IA es en realidad una ansiedad racional sobre el valor de la carrera, y qué deberían hacer los líderes de manera diferente al introducir estos sistemas?

La mayor parte es racional. Los empleados escuchan sobre la eficiencia de la IA en un anuncio y recortes de personal en el siguiente. Sacan sus propias conclusiones.

El liderazgo trata esos como mensajes separados. Los equipos no lo hacen. Terminan la capacitación y retienen la experimentación que la habría hecho útil.

La tranquilidad no solucionará eso. Los líderes deben decir qué se ha decidido sobre los puestos, qué sigue siendo incierto y qué apoyo pueden esperar las personas.

Lo mismo ocurre con el beneficio. Las empresas describen lo que el negocio espera de la IA y dejan en blanco la parte del empleado. Si alguien se vuelve más rápido, ¿qué obtiene a cambio? ¿Más espacio para un trabajo de mayor calidad, una ruta de ascenso, tiempo recuperado? Eso debe incluirse en el plan de implementación.

Los ejecutivos están pidiendo a sus equipos que trabajen de manera diferente con la IA. Los equipos están esperando ver a los ejecutivos hacerlo primero.

Otro patrón que identificas es la “Inercia Activa”, donde las organizaciones usan IA para acelerar procesos existentes sin cambiarlos fundamentalmente. ¿Cómo se ve un rediseño de flujo de trabajo verdaderamente nativo de IA, y podrías dar un ejemplo de la diferencia entre hacer un proceso antiguo más rápido y reconstruir el proceso alrededor de lo que la IA ahora permite?

La mayoría de las empresas apuntan la IA a lo que sea más fácil de automatizar, lo que a menudo es trabajo que no debería existir en primer lugar. Los informes se generan más rápido. Las aprobaciones avanzan al mismo ritmo de siempre. Eso es Inercia Activa.

El rediseño decide de antemano qué hacen los modelos de IA y qué asume el equipo, y luego se construye para eso en lugar de heredar la forma anterior.

Toma un informe semanal. La versión más rápida lo redacta la IA, y las mismas personas revisan el mismo documento según el mismo calendario. La versión reconstruida pregunta para qué sirve el informe. Si existe para que alguien pueda detectar problemas temprano, el sistema puede señalar un problema en el momento en que ocurre, y el informe desaparece.

Has escrito que “el valor es igual a la capacidad multiplicada por la absorción” y has defendido sistemas en lugar de simplemente software. A medida que los modelos de frontera se vuelven cada vez más commoditizados y accesibles para todos, ¿podría la capacidad de una organización para absorber y reorganizarse alrededor de la IA convertirse en una ventaja competitiva más duradera que el acceso a los propios modelos?

Sí. Desplegar los modelos es fácil comparado con cambiar la forma de trabajar alrededor de ellos. Llegan con un poder extraordinario y se vuelven más baratos cada trimestre. Los mismos modelos están disponibles para cualquiera. Lo que no se puede comprar es el contexto único dentro de la empresa y los equipos preparados para utilizarlos a su máximo potencial.

Lo que llamamos “capacidad de recepción” es una idea antigua. Es la capacidad de un equipo para asimilar algo nuevo y ponerlo en práctica, y está compuesta por derechos de decisión, incentivos, flujo de trabajo, diseño de puestos y la suficiente confianza para que la gente te diga qué salió mal. Nada de eso se puede alquilar.

Describo el valor como capacidad multiplicada por absorción porque los dos se multiplican. No se suman. Un modelo brillante introducido en una organización que no puede absorberlo es una pieza perfecta atornillada a un sello defectuoso. La capacidad es real. El retorno sigue siendo cero.

La IA agente introduce otra capa de complejidad porque los sistemas pueden cada vez más tomar acciones, usar herramientas y perseguir objetivos en lugar de simplemente generar respuestas. ¿Dónde deberían las empresas trazar la línea entre la autonomía del agente y la toma de decisiones humana, y qué nuevas estructuras de gobernanza serán necesarias a medida que los agentes reciban mayor autoridad?

Comienza con una pregunta: ¿quién responde cuando el agente se equivoca?

Dibuja la línea entre lo que decide el agente y lo que decide una persona antes de que algo se ponga en producción. La mayoría de las empresas encuentran esa línea después de que algo ya se ha roto.

Cuando un error es barato de deshacer y se detecta rápidamente, deja que el agente actúe. Cuando la decisión afecta lo que alguien gana, si mantiene su empleo o su situación legal, una persona toma la decisión y el agente la prepara.

El instinto es centralizar. Crear un comité, redactar un marco, esperar a que sea manejable. Para cuando la guía de la alta llega al trabajo, ya está desactualizada, y las personas que no pueden obtener una respuesta empiezan a usar herramientas que la empresa nunca aprobó.

La gobernanza debe estar cerca del trabajo. Los equipos necesitan saber qué puede decidir cada agente, quién es responsable y cómo detenerlo. Y necesitan un registro de lo que hizo.

El organigrama nunca se diseñó para agentes que operan entre funciones, por lo que ninguna función única asume la falla. Resuélvelo antes del despliegue, no después.

Mirando al futuro, si las mayores limitaciones de la IA empresarial se vuelven cada vez más organizacionales en lugar de técnicas, ¿cómo esperas que cambien las propias empresas? ¿Qué partes del organigrama actual, la estructura de gestión, el diseño de puestos y los procesos de toma de decisiones son las menos propensas a sobrevivir a la transición hacia organizaciones construidas alrededor de humanos y agentes de IA trabajando juntos?

El organigrama funcional es el menos probable de sobrevivir. La mayoría de las empresas todavía operan por función, con el trabajo pasando de un departamento a otro y una aprobación en cada transferencia. La IA produce trabajo en minutos mientras que las aprobaciones alrededor de él tardan semanas. A los líderes se les pide moverse más rápido dentro de sistemas diseñados para ralentizar las cosas.

Ese organigrama se construyó para que las personas entregaran trabajo a otras personas, no para decisiones compartidas entre personas y agentes.
Un comité no resolverá esto.

Lo que reemplaza al organigrama se parece a pequeños equipos organizados alrededor de un problema. Un líder nombra un problema que vale la pena resolver, decide qué debe ser cierto para solucionarlo y asigna un equipo de personas y agentes. Ese equipo recibe su propio financiamiento y protección, porque no puede operar como el resto del negocio. Las personas del equipo toman las decisiones de juicio y son dueñas de lo que los agentes producen.

Los motores eléctricos llegaron a las fábricas estadounidenses en la década de 1880, pero los aumentos de productividad no se manifestaron hasta la década de 1920. Al principio, las plantas colocaban un motor grande donde estaba la máquina de vapor, impulsaban los mismos ejes y dejaban cada máquina en su lugar. Los beneficios surgieron cuando dieron a cada máquina su propio motor y organizaron el piso alrededor del trabajo.

La reorganización fue la revolución.

Gracias por esta excelente entrevista. Quienes deseen obtener más información pueden visitar Andus Labs o consultar el Ground Truth Index.