Michael Majster, Socio en Arthur D. Little – Serie de Entrevistas

Michael Majster, Socio en Arthur D. Little, es un experimentado consultor de estrategia y tecnología con profunda experiencia en transformación digital, estrategia de TI y crecimiento impulsado por la innovación. Con sede en Bruselas y trabajando en toda la región de Benelux, aporta más de dos décadas de experiencia asesorando a directores de TI y altos ejecutivos sobre cómo impulsar cambios a gran escala y lograr resultados empresariales medibles. Antes de unirse a Arthur D. Little, pasó 16 años en Accenture, donde ocupó puestos de liderazgo senior, incluido el de Director de Recursos de Tecnología en Francia y Benelux, y desarrolló una sólida experiencia sectorial en energía, servicios públicos, productos químicos y recursos naturales.

Arthur D. Little es una de las empresas de consultoría de gestión más antiguas del mundo, fundada hace más de 135 años y ampliamente reconocida por su enfoque en la innovación, la estrategia y la transformación impulsada por la tecnología. La empresa trabaja con organizaciones globales para resolver desafíos comerciales complejos, combinando perspicacia estratégica con profunda experiencia sectorial para apoyar áreas como la transformación digital, la gestión de la innovación y la mejora operativa. Con un fuerte énfasis en tender puentes entre la estrategia, la tecnología y la ejecución, Arthur D. Little ha construido una reputación por ayudar a los clientes a desarrollar innovaciones revolucionarias y adaptarse a las dinámicas de mercado en constante evolución.

Pasaste más de 16 años en Accenture, liderando finalmente la tecnología y los recursos en BeNeLux y Francia, antes de convertirte en Socio en Arthur D. Little. ¿Cómo te ha influido ese recorrido en tu perspectiva sobre lo que realmente se necesita para que las organizaciones pasen de la experimentación con la IA a la transformación operativa a gran escala?

Durante mi tiempo en Accenture, vi cómo la empresa crecía de 30.000 a más de 500.000 empleados. Experimenté de primera mano cómo la entrega de TI puede industrializarse hasta un grado extremo para apoyar transformaciones a gran escala para los directores de TI.

Sin embargo, con el tiempo, la TI ha ido convirtiéndose cada vez más en una parte fundamental del negocio, lo que ha generado la necesidad de que las organizaciones se alejen de tratarla como una commodity.

Al mudarme a Arthur D. Little, quería explorar cómo estas transformaciones estratégicas del núcleo del negocio podrían abordarse desde dentro, cómo las soluciones personalizadas en lugar de las plataformas estandarizadas podrían permitir una mejor diferenciación, y cómo la responsabilidad compartida de todo el equipo directivo podría ayudar a las organizaciones a dar un paso de cambio en la creación de valor.

En tu reciente punto de vista, No son los agentes, es el sistema, argumentas que la IA multiagente es menos sobre tecnología y más sobre cambio en el modelo operativo. ¿Por qué crees que tantas organizaciones siguen abordando la IA principalmente como un problema de herramientas?

Las organizaciones tienden a abordar la IA como un problema de herramientas porque se ajusta perfectamente a las estructuras, presupuestos y propiedad existentes, evitando la complejidad del cambio transversal. Esto permite pilotos rápidos y progreso visible, pero a menudo resulta en iniciativas que no logran escalar o entregar un ROI significativo. Muchos líderes también se basan en modelos mentales de software heredados, asumiendo que la IA se puede implementar como sistemas de TI tradicionales en lugar de requerir un rediseño de los flujos de trabajo y la toma de decisiones. Al mismo tiempo, la responsabilidad por el cambio en el modelo operativo es difusa y más difícil de gestionar, lo que hace que las iniciativas lideradas por la tecnología sean más atractivas. Como resultado, las empresas recurren a las herramientas porque es más fácil y seguro que enfrentar la transformación más profunda necesaria para desbloquear el valor completo de la IA.

Muchas empresas están experimentando actualmente con la IA agente pero luchan por escalar. ¿Cuáles son las barreras estructurales más comunes que impiden que las organizaciones vayan más allá de los pilotos y lleguen a la producción?

Las organizaciones luchan por escalar la IA agente porque se centran en casos de uso aislados en lugar de rediseñar procesos de extremo a extremo con una propiedad clara. Los modelos operativos a menudo no se adaptan, con roles, derechos de decisión y una integración insuficiente de la colaboración entre humanos y agentes en los flujos de trabajo diarios. Muchas iniciativas también carecen de vínculos sólidos con resultados empresariales medibles, lo que las hace estancarse en fases de piloto sin demostrar ROI. Además, los datos fragmentados y los sistemas heredados limitan la capacidad de los agentes para operar de manera fluida a través de las funciones. Finalmente, la gestión del cambio débil y las preocupaciones de gobernanza no resueltas sobre el riesgo y la confiabilidad frenan aún más la adopción y el escalado.

Enfatizas que la orquestación, no los agentes individuales, es donde radica el verdadero valor. ¿Cómo se ve realmente la orquestación efectiva en un entorno empresarial?

La orquestación efectiva significa diseñar la IA alrededor de los procesos empresariales de extremo a extremo, no alrededor de herramientas individuales, con agentes asignados roles claros en todo el flujo de trabajo. Múltiples agentes colaboran como un equipo que maneja la recepción, la toma de decisiones, la ejecución y la supervisión, coordinados a través de una capa de orquestación central. Estos agentes están estrechamente integrados con los sistemas empresariales a través de API y fuentes de datos, lo que permite acciones reales en lugar de solo conocimientos. La capa de orquestación también gestiona la secuenciación de tareas, excepciones y escaladas a humanos, asegurando una ejecución fluida y controlada. Finalmente, se incorporan mecanismos de gobernanza, validación y retroalimentación para garantizar la confiabilidad y la mejora continua.

A medida que las organizaciones rediseñan los flujos de trabajo alrededor de la IA, ¿cómo deben evolucionar los derechos de decisión entre humanos y sistemas autónomos para evitar tanto la automatización excesiva como los cuellos de botella?

Los derechos de decisión deben evolucionar hacia un modelo basado en riesgos, donde las decisiones de bajo riesgo y alto volumen se automatizan, mientras que los casos de alto impacto o inciertos permanecen bajo control humano. Los agentes deben manejar la percepción, el análisis y la ejecución, mientras que los humanos se centran en el juicio, las excepciones y la definición de resultados correctos. Son esenciales las vías de escalada claras para que los agentes sepan cuándo deben deferir decisiones en lugar de sobrepasar su autoridad. Para evitar cuellos de botella, la participación humana debe ser selectiva y centrarse en excepciones en lugar de una supervisión completa de cada paso. Al mismo tiempo, las barreras sólidas, los mecanismos de validación y el monitoreo garantizan el control y evitan la automatización excesiva.

Uno de tus puntos clave es que la confiabilidad debe diseñarse de extremo a extremo. ¿Cuáles son los modos de fallo más grandes que estás viendo hoy en día cuando las empresas despliegan sistemas multiagente sin salvaguardias suficientes?

Un modo de fallo clave es la propagación de errores, donde pequeños errores de un agente se amplifican a través del sistema. Otro problema es la alucinación y la confianza falsa, ya que la IA puede generar salidas plausibles pero incorrectas sin señalar la incertidumbre. Las organizaciones también luchan cuando se da demasiada autonomía a los agentes en decisiones de alto impacto sin puertas de aprobación o validación adecuadas. El manejo débil de excepciones complica aún más el problema, con agentes que no logran escalar casos ambiguos o de borde a los humanos. En general, los fallos ocurren porque la confiabilidad no se diseña a lo largo de todo el sistema de coordinación, verificación y supervisión.

La gobernanza a menudo se trata como una capa de cumplimiento en lugar de un principio de diseño. ¿Cómo deben replantear las empresas la gobernanza al construir modelos operativos nativos de IA?

La gobernanza debe cambiar de una capa de cumplimiento posterior a un principio de diseño fundamental incorporado directamente en los flujos de trabajo de IA. Esto significa integrar barreras, pasos de validación y puertas de aprobación en puntos de decisión clave en lugar de agregar controles después de la implementación. Las empresas deben adoptar un enfoque basado en riesgos, ajustando los niveles de autonomía y la supervisión humana según el impacto y la incertidumbre de la decisión. Deben definirse claramente la responsabilidad y los derechos de decisión, asegurando que los agentes sepan cuándo actuar y cuándo escalar. Finalmente, son esenciales los mecanismos de monitoreo continuo, retroalimentación y confiabilidad diseñada para mantener la confianza, el rendimiento y el control a escala.

Desde tu trabajo asesorando a directores de TI y directores de datos, ¿qué separa a las organizaciones que logran un ROI medible de la IA de aquellas que siguen atrapadas en la experimentación perpetua?

Las organizaciones que logran un ROI se centran en la transformación de procesos de extremo a extremo en lugar de casos de uso de IA aislados. Enlazan las iniciativas con KPI financieros claros y incorporan la IA en los flujos de trabajo, roles y estructuras de toma de decisiones. También invierten en gestión del cambio, adopción y gobernanza para garantizar que las soluciones escalen de manera efectiva. En contraste, las organizaciones atrapadas en la experimentación ejecutan pilotos desconectados, se centran en herramientas en lugar de procesos y carecen de propiedad y responsabilidad claras. Como resultado, no logran traducir la IA en valor empresarial medible y permanecen atrapadas en la fase de piloto.

A medida que los sistemas multiagente se vuelven más complejos, ¿cómo deben pensar las organizaciones sobre la observabilidad, el monitoreo y la escalada para mantener la confianza en las decisiones impulsadas por la IA?

Las organizaciones deben tratar la observabilidad, el monitoreo y la escalada como elementos fundamentales del diseño del sistema, no como ideas posteriores. Esto incluye garantizar la trazabilidad completa a través de registros, rastros de auditoría y puntos de verificación para que las decisiones puedan entenderse y verificarse. El monitoreo debe centrarse no solo en el rendimiento sino también en la calidad de los resultados, los errores y cómo los problemas se propagan a través de los agentes. Son necesarias reglas de escalada claras para que los agentes sepan cuándo deferir a los humanos en situaciones de alto riesgo o ambiguas sin crear cuellos de botella. En última instancia, la confianza proviene de sistemas que son transparentes, medibles y diseñados para la supervisión humana por defecto.

Mirando hacia adelante, ¿cómo ves que evolucionarán los modelos operativos empresariales en los próximos 3 a 5 años a medida que los sistemas de IA multiagente se integran más profundamente en los procesos comerciales básicos?

Los modelos operativos empresariales evolucionarán hacia fuerzas laborales híbridas humanas y de IA, donde los agentes actúan como empleados digitales integrados en procesos básicos. Las organizaciones cambiarán de silos funcionales a estructuras centradas en procesos con propiedad y orquestación de extremo a extremo a lo largo de los flujos de trabajo. La toma de decisiones se volverá más dinámica, con tareas rutinarias automatizadas y humanos centrados en excepciones y supervisión. Los mecanismos de gobernanza y confiabilidad se incorporarán en las operaciones diarias en lugar de tratarse como capas separadas. En última instancia, la ventaja competitiva dependerá de cómo bien las empresas rediseñen sus modelos operativos alrededor de la IA, no solo de la tecnología en sí.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Arthur D. Little.