Productividad, criterio y responsabilidad en la colaboración profesional con la inteligencia artificial
La adopción empresarial de inteligencia artificial generativa entra en una etapa más exigente: ya no basta con ahorrar tiempo. Hay que decidir qué delegar, qué comprobar y qué riesgos merece la pena asumir.
La productividad de la IA empieza donde termina la automatización
Durante los últimos años hemos hablado de la inteligencia artificial como si el principal problema fuera acceder a ella: conseguir una licencia, elegir un modelo, formar a los equipos para redactar mejores instrucciones y automatizar tantas tareas como fuera posible.
Esa etapa empieza a quedar atrás en mi opinión.
La tecnología actual ya puede redactar un correo, resumir una reunión, preparar una presentación, comparar documentos, proponer una campaña o generar una primera versión de un informe. La pregunta empresarial más incómoda ya no es qué puede hacer la IA. Es ¿qué merece la pena pedirle, con qué información y bajo qué supervisión?
En retail, comercio y retail media? esta cuestión resulta especialmente sensible. Las decisiones se apoyan en datos de clientes, promociones, márgenes, inventario, campañas, comportamiento de compra y conocimiento interno. Un resultado convincente puede ser útil. También puede contener una interpretación incorrecta, una generalización, información desactualizada o datos que nunca debieron introducirse en la herramienta.
La tesis que planteaba el blog de TNR en «IA en Retail Media: el problema ya no es la tecnología, es el criterio» sigue vigente: incorporar herramientas no equivale a transformar una organización. La siguiente fase consiste en conectar la tecnología con el negocio, las operaciones, la gobernanza y la toma de decisiones.
La productividad no se mide solo en minutos
Durante años, muchos tecnólogos y formadores en tecnología —entre los que incluiría como ejemplo paradigmático las formaciones que he impartido en Fundamentos de ITIL©— partimos de una premisa sencilla: cuanto mayor fuera la automatización, mayor sería la eficiencia. La experiencia, sin embargo, muestra que ahorrar tiempo al generar la primera versión de una tarea no garantiza un mejor resultado final. He observado este patrón en programas de formación interna con distintos clientes de TNR, donde pocos directivos y equipos de Recursos Humanos analizan con suficiente atención qué ocurre después de esa primera ganancia de tiempo. Los trabajos de investigación que veremos a continuación respaldan esta observación.
Si un profesional genera un informe en veinte minutos, pero después necesita una hora para comprobar cifras, recuperar fuentes, corregir errores y adaptar el texto al contexto comercial, la ganancia inicial se reduce. Si el documento incluye información confidencial, una afirmación no contrastada o una recomendación que perjudica la confianza del cliente, quizá no exista ganancia alguna, y si una pérdida potencial medible según las sanciones de la IA Act de la UE.
En este artículo, denomino productividad útil al valor neto que la IA aporta al resultado de una tarea después de considerar el proceso completo: la calidad y utilidad del resultado, el tiempo total empleado, el trabajo necesario para comprobarlo y corregirlo, y el riesgo residual que la organización decide aceptar. No es una fórmula contable, sino un marco de decisión para distinguir entre la rapidez con la que se obtiene un primer borrador y una mejora efectiva del trabajo.
La evidencia respalda esta cautela. En un experimento con más de 700 consultores, el uso de GPT-4 mejoró el rendimiento cerca de un 40 % en tareas situadas dentro de las capacidades del modelo. Cuando la tarea quedó fuera de esa frontera, el rendimiento cayó una media de 19 puntos porcentuales. Los investigadores denominaron a este fenómeno «frontera tecnológica irregular»: la IA puede desenvolverse muy bien en unas tareas y equivocarse en otras aparentemente similares.
La lección empresarial no es que la IA sea fiable o poco fiable en términos absolutos. Es que su utilidad depende de la tarea, la información disponible y la capacidad de la persona para reconocer cuándo el resultado deja de ser aceptable.
La experiencia sigue importando, aunque de otra manera
Otro error frecuente consiste en asumir que la IA igualará automáticamente a profesionales principiantes y expertos.
Un estudio publicado en The Quarterly Journal of Economics analizó la introducción de un asistente generativo entre 5.172 agentes de atención al cliente. La productividad aumentó un 15 % de media, con beneficios mayores entre las personas menos experimentadas. Los perfiles con más experiencia obtuvieron mejoras pequeñas de velocidad y, en algunos casos, leves descensos de calidad. Es un resultado relevante, pero circunscrito a un entorno de soporte y a unas métricas concretas; no puede trasladarse sin más a cualquier profesión.
Harvard Business School aporta otro matiz. En un experimento con profesionales de análisis web, marketing y tecnología, la IA redujo de forma considerable el tiempo dedicado a conceptualizar y redactar. Sin embargo, los perfiles cuya experiencia estaba más alejada de la tarea no alcanzaron la calidad de quienes dominaban el ámbito. Los especialistas en marketing, más próximos a la comunicación, se aproximaron a los analistas web; los profesionales tecnológicos quedaron alrededor de un 13 % por debajo en claridad y competencia de escritura.
La IA puede comprimir las curvas de aprendizaje, proporcionar estructuras y recuperar conocimiento codificado. Sin embargo, no sustituye con la misma facilidad la experiencia contextual. Esa experiencia permite identificar qué dato falta, reconocer excepciones, interpretar la reacción del cliente y detectar recomendaciones formalmente correctas, pero comercialmente absurdas. Así lo ilustra el caso de Starbucks en Corea, que terminó con el cierre de más de 2.000 tiendas.
Para los perfiles menos experimentados, la IA puede ofrecer un punto de partida mejor. Para los expertos, puede liberar tiempo y ampliar la capacidad de análisis. En ambos casos se mantiene una condición: el profesional debe conservar el criterio necesario para evaluar el resultado, detectar sus límites y decidir si puede utilizarse. Por ello, la formación interna destinada a equipos directivos de retail debería incluir criterios de verificación, gestión del riesgo y toma de decisiones, además del manejo de la herramienta.
El cuello de botella se ha desplazado
Cuando la generación de contenido se abarata, el recurso escaso pasa a ser la capacidad de decidir.
Decidir si conviene utilizar IA para preparar un primer borrador de una campaña de retail media es relativamente sencillo. Resulta más delicado emplearla para segmentar clientes, interpretar una caída de ventas, recomendar precios o redactar una respuesta que pueda comprometer a la empresa.
La diferencia no depende únicamente de la complejidad técnica. Depende de la reversibilidad del error. Un titular mediocre se corrige. Una presentación interna puede rehacerse. Una comunicación enviada a miles de clientes, una decisión sobre una persona o la exposición de información confidencial pueden tener consecuencias difíciles de revertir.
El Reglamento Europeo de Inteligencia Artificial exige, en los sistemas de alto riesgo, que la supervisión humana permita comprender las capacidades y limitaciones del sistema, detectar anomalías y evitar una confianza automática o excesiva en sus resultados. Muchas herramientas generativas de productividad no pertenecen necesariamente a esa categoría. Aun así, el principio ofrece una referencia organizativa útil: supervisar significa comprender el resultado y disponer de capacidad real para descartarlo, invalidarlo o revertirlo cuando sea necesario.
El propio Reglamento de IA de la UE obliga a proveedores y responsables del despliegue a tomar medidas que promuevan la alfabetización en IA de su personal, considerando la experiencia, la formación, el contexto y las personas afectadas. Esto refuerza una idea importante: la capacitación no puede reducirse a aprender a escribir mejores instrucciones.
Datos, privacidad y confianza
La calidad de una respuesta depende en buena medida de la calidad y pertinencia de la información utilizada. Pero permitir que una herramienta acceda a más datos no siempre mejora el resultado. También amplía la superficie de riesgo.
El RGPD exige licitud, transparencia, limitación de la finalidad, minimización, exactitud, limitación del plazo de conservación, seguridad y responsabilidad proactiva. Estos principios no desaparecen cuando el tratamiento se realiza mediante una IA generativa. El Reglamento de IA confirma, además, que la legislación europea sobre protección de datos continúa siendo aplicable al tratamiento de datos personales relacionado con sistemas de IA.
El EDPB ha señalado que la posible anonimización de un modelo, la base de interés legítimo y las consecuencias de haber utilizado datos tratados ilícitamente deben valorarse caso por caso. No existe una declaración genérica que convierta cualquier modelo o despliegue en conforme por defecto.
La política de IA generativa publicada por la AEPD ofrece una referencia práctica interesante, aunque se limite expresamente a su propia organización y no interprete el Reglamento de IA. Propone examinar cada caso de uso, seleccionar entornos autorizados, proteger la información sensible, formar a los usuarios, contrastar las salidas y mantener supervisión, trazabilidad y gestión de incidentes. También recuerda que el retorno debe considerar la mejora del servicio, los costes, la seguridad y el impacto organizativo, no únicamente el ahorro inmediato de tiempo.
La confianza, por tanto, no procede de asumir que la IA acertará. Procede de saber qué información puede utilizar, quién revisará la respuesta, qué controles existen y qué ocurrirá si el resultado es incorrecto.
La persona digital profesional
En mis clases de inteligencia artificial aplicada a la productividad que imparto desde hace un par de años he observado un patrón. Dos profesionales pueden utilizar la misma herramienta, formular instrucciones parecidas y obtener resultados técnicamente correctos, pero de valor muy diferente, tanto objetiva como subjetivamente.
La diferencia está en lo que cada uno aporta antes y después de la generación: cómo formula el problema, qué contexto considera relevante, qué fuente acepta, cómo estructura un argumento, qué tono utiliza, qué excepciones busca y cuál es su umbral de calidad requerida.
A ese conjunto lo denomino persona digital profesional. Es un concepto propio nacido de mi experiencia docente. No es un avatar, un clon ni una simulación de la personalidad. Tampoco es un gemelo digital destinado a reproducir el comportamiento de una persona, como los agentes experimentales o los modelos de simulación descritos en otros ámbitos.
La persona digital profesional es la expresión consciente de cómo trabajamos cuando colaboramos con una IA: nuestros criterios, estilo, conocimientos, límites, responsabilidades y procedimientos de comprobación.
Definirla exige responder preguntas incómodas: ¿Qué fuentes considero aceptables? ¿Cómo distingo un hecho de una valoración? ¿Cuándo debo expresar incertidumbre? ¿Qué decisiones no delego? ¿Cómo verifico una cifra? ¿Qué información nunca introduzco en una herramienta? ¿Qué significa para mí que un documento esté terminado?
Sin estas respuestas, la IA tiende a producir una versión estadísticamente plausible de un profesional genérico. Con ellas, puede convertirse en una extensión disciplinada del trabajo propio.
Un error común: una plataforma corporativa no sustituye al criterio
Imaginemos una empresa de retail que decide adoptar oficialmente Microsoft 365 Copilot para ayudar a sus equipos a trabajar con correo, reuniones, documentos, presentaciones y conocimiento interno. No utiliza la herramienta para sustituir decisiones comerciales ni para automatizar indiscriminadamente, sino para crear borradores, localizar antecedentes, resumir información y preparar análisis que después valida una persona responsable.
Según Microsoft, Copilot trabaja con la información de Microsoft 365 que cada persona ya puede consultar, como sus documentos, correos, calendarios, chats y reuniones. Ni las instrucciones que escribe el usuario, ni las respuestas de Copilot, ni la información consultada se usan para entrenar los modelos generales de IA. Además, la empresa puede aplicar sus medidas habituales de seguridad para decidir quién accede a cada contenido, proteger la información sensible, evitar filtraciones, conservar registros de actividad y establecer durante cuánto tiempo se guardan los datos.
Este modelo de funcionamiento puede apoyar varias de las prácticas recogidas en las fuentes consultadas para este artículo: trabajar con una finalidad definida, utilizar información autorizada, limitar los accesos, mantener la trazabilidad, formar a los usuarios y conservar la revisión humana. También puede reducir el uso informal de herramientas externas sobre las que la organización tiene menos control. Sin embargo, estas capacidades técnicas no demuestran por sí mismas el cumplimiento normativo del uso de herramientas IA por parte de los profesionales de la empresa.
Sin embargo, contratar una plataforma empresarial no garantiza por sí mismo el cumplimiento del RGPD ni del Reglamento de IA. La empresa debe determinar las finalidades y las bases jurídicas del tratamiento, revisar los permisos, prevenir la sobreexposición de documentos, configurar la retención, analizar cada caso de uso y comprobar la exactitud de los resultados. Microsoft advierte expresamente de que el contenido generado debe revisarse antes de compartirse.
La tecnología puede proporcionar un entorno más controlado, pero el cumplimiento, la confianza y la calidad dependen de cómo la organización y sus profesionales utilicen la herramienta de IA generativa.
El siguiente paso
Una vez establecidas unas condiciones razonables de tecnología, seguridad y gobierno, comienza el trabajo que determina la calidad de los resultados: definir la persona digital profesional.
La IA puede ayudarnos a separar hechos, inferencias y opiniones; mostrar qué afirmaciones necesitan una fuente; proponer explicaciones alternativas; identificar posibles sesgos; declarar qué información falta y valorar si una conclusión está bien sustentada. También puede expresar grados de incertidumbre, siempre que no confundamos una estimación generada con una probabilidad demostrada.
Para ello necesita reglas, contexto y supervisión. Necesita que el profesional conserve la responsabilidad sobre lo que firma, recomienda o decide.
La ventaja competitiva humana no estará en producir veinte versiones de un contenido donde antes producíamos dos. Estará en saber cuál merece publicarse, qué evidencia la sostiene, a quién puede afectar y qué decisión tiene sentido tomar.
La IA ya sabe producir. Ahora nos toca demostrar que nosotros sabemos juzgar. Y si no sabes, en The New Retail podemos formarte para conseguirlo.
impulsada por las operadoras de telefonía?