Cuando el agente de IA se une al organigrama

El agente de IA de su equipo no tiene un lugar favorito para almorzar ni se preocupa por los días de vacaciones. No se distrae en las reuniones ni se toma bajas por enfermedad. Pero sí se encarga de las tareas y, cada vez más, las realiza tan bien que obliga a replantearse cómo es el trabajo.

En todos los sectores, estos sistemas están asumiendo funciones que antes correspondían al personal de categoría inferior. Resumen investigaciones, redactan informes y analizan datos financieros. Ya no son solo herramientas pasivas, sino que se han convertido en colaboradores integrados que exigen supervisión, evaluación y estrategia.

A medida que los agentes de IA se extienden por las empresas, los directivos se enfrentan a un nuevo reto: cómo dirigir un equipo que incluye trabajadores no humanos. Estos sistemas pueden ser incansables y eficientes, pero no piden feedback, no explican su razonamiento y no levantan la mano cuando las cosas van mal. La cuestión ya no es si la IA puede contribuir al trabajo real, sino cómo gestionarán las empresas la responsabilidad, la fiabilidad y el rendimiento cuando lo haga.

“Los gerentes necesitarán un plan para gestionar el rendimiento y tomar decisiones basadas en las acciones tanto de la IA como de los humanos”, declaró Mindy Shoss, profesora de Psicología de la Universidad de Florida Central, en una entrevista con IBM® Think.

En IBM, la transformación ya está muy avanzada. Con herramientas como watsonx Orchestrate e investigaciones internas sobre la colaboración entre múltiples agentes, los agentes de IA se están integrando en los procesos de actividad principal. En recursos humanos, comparan los currículos con las descripciones de los puestos de trabajo y generan listas de candidatos preseleccionados para los responsables de contratación. En compras, escanean los contratos para clasificar a los proveedores y señalar los riesgos de cumplimiento. Aunque las personas siguen tomando las decisiones finales, el trabajo manual se realiza cada vez más en segundo plano.

IBM Research ha puesto a prueba equipos de agentes para abordar proyectos complejos, como el análisis de documentos a gran escala. En un experimento, se analizaron miles de documentos de políticas reguladoras para extraer cláusulas y comparar jurisdicciones. El sistema proporcionó una matriz de resultados para que los analistas la revisaran, una tarea que antes llevaba semanas y que ahora se ha reducido a horas con la supervisión humana.

“Los agentes de IA nos ayudarán a crear más rápido, a trabajar con equipos más pequeños y a dar vida a más ideas”, declaró Kunal Sawarkar, ingeniero distinguido de IBM, en una entrevista con IBM Think. “Nos quitan el trabajo pesado de encima para que podamos centrarnos en lo que es valioso. Se trata de un cambio poderoso en el que todos pueden convertirse en creadores, no solo en ejecutores”.

A pesar de estos avances, siguen existiendo cuestiones espinosas relacionadas con la confianza, la supervisión y la responsabilidad. Los errores ocurren. Cuando un agente malinterpreta una instrucción o pasa por alto una variable, alguien tiene que rendir cuentas.

Stephen Casper, investigador del MIT especializado en la fiabilidad de la IA, considera que el momento actual es una fase de transición, más que un futuro ya definido. “Si los sistemas de IA llegan a ser lo suficientemente fiables como para permitirlo, podría ser una gran oportunidad, pero también una responsabilidad muy grande”, declaró en una entrevista a IBM Think. “Hacer realidad algo así sería un largo proceso de adopción gradual, prueba y error”.

En lugar de imaginar un futuro de pares de IA, Casper ve una integración más lenta y limitada. Los sistemas pueden volverse más capaces, pero seguirán funcionando bajo instrucciones humanas. “Algunas de las aplicaciones más impactantes de la IA autónoma, como la conducción o la codificación, se producen en un entorno en el que un humano tiene el control, pero puede delegar tareas al sistema de IA”, afirmó.

Se podrá delegar más, pero la discreción seguirá siendo humana. “Incluso si los sistemas de IA son capaces de realizar el 90 %  del trabajo que hacen los humanos en algunos puestos”, añade, “ese último 10 %  será, con diferencia, el más difícil de automatizar”.

Los agentes de IA ya están trabajando duro. Entre bastidores, en las empresas de logística, los agentes de rutas de IA analizan en tiempo real los datos meteorológicos, de tráfico y de flotas. Cuando se forma una tormenta o se cierra una autopista, el agente sugiere cambios de ruta y reasignaciones antes de que el controlador humano se haya servido una segunda taza de café. La decisión final sigue correspondiendo a una persona, pero la primera alerta suele provenir del código.

Las estructuras organizativas pueden seguir el mismo camino. “Los seres humanos serían evaluados de manera similar a como los líderes de los niveles superiores de la jerarquía de la organización supervisan a los líderes de los niveles inferiores”, afirmó Shoss. Los agentes de IA, aunque no son empleados, generan trabajo que debe gestionarse. “La responsabilidad no significa lo mismo con la IA que con los seres humanos”, añadió.

Casper coincidió en que, incluso en un lugar de trabajo con muchos agentes, la supervisión no desaparecerá. “Estamos mucho más lejos de los compañeros de trabajo de IA de lo que sugieren muchas demostraciones y el hype”, afirmó.

Gestionar a las personas ya era bastante difícil. Ahora, con los agentes en la ecuación, los líderes empresariales están replanteándose toda la guía de estrategias.

“Los líderes deben adoptar una mentalidad doble: ser cautelosos a la hora de implementar cambios operativos clave para evitar interrupciones, pero agresivos en la experimentación para explorar rápidamente el potencial de los agentes de IA”, afirmó Tianyi Peng, profesor de Empresariales en la Universidad de Columbia, en una entrevista con IBM Think. “El objetivo no es la sustitución masiva”, añadió. “Se trata de una integración progresiva”.

Una implementación mesurada ayuda a evitar lo que Peng denomina la trampa de la reacción negativa. “La confianza y el rendimiento a largo plazo dependen de una integración mesurada y del compromiso de los empleados”, afirmó.

A medida que proliferan los agentes, las prácticas de gestión están evolucionando. “Sea un aprendiz rápido, no un experto”, aconsejó Peng. No se requieren conocimientos técnicos, pero sí fluidez para dar instrucciones, interpretar y perfeccionar.

“Gestionar un equipo híbrido significa orquestar flujos de trabajo en los que colaboran humanos y agentes”, afirmó. Eso significa comprender las capacidades, distribuir las tareas de forma estratégica y saber cuándo anular o volver a formar.

Las métricas también están cambiando. “El rendimiento incluye la rentabilidad”, señaló Peng. Eso significa adaptar la complejidad del modelo al trabajo, utilizando sistemas ligeros para los resúmenes y reservando los modelos más potentes para las decisiones de alto valor.

“Los equipos deben realizar un seguimiento del ROI de los agentes, adaptar el tamaño del modelo a la tarea y optimizar los flujos de trabajo no solo para garantizar la precisión, sino también la escalabilidad y el valor”, afirmó. “Aunque la IA tome las decisiones, son los humanos quienes diseñan el sistema y aprueban sus resultados”.

De cara al futuro, Peng dijo que las empresas que esperan una guía de estrategias claro tendrán que aceptar un camino más fluido. “Todo el mundo está esperando una guía de estrategias”, dijo. “Pero, en realidad, lo estamos escribiendo sobre la marcha”.