Cuando el agente de IA se incorpora al organigrama

El agente de IA de su equipo no tiene un lugar favorito para comer ni se preocupa por los días de vacaciones. No se distrae en las reuniones ni toma licencia por enfermedad. Pero sí maneja las asignaciones y, cada vez más, las maneja lo suficientemente bien como para forzar un replanteamiento de cómo es el trabajo.

En todos los sectores, estos sistemas están asumiendo funciones que antes correspondían al personal subalterno. Están resumiendo investigaciones, redactando informes y analizando 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 gerentes se enfrentan a un nuevo desafío: cómo liderar 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 pregunta ya no es si la IA puede contribuir al trabajo real, sino cómo las empresas gestionarán la responsabilidad, la confiabilidad y el rendimiento cuando lo haga.

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

En IBM, la transformación ya está en marcha. Con herramientas como watsonx Orchestrate e investigación interna sobre colaboración multiagente, los agentes de IA se están integrando en los procesos de actividad principal. En recursos humanos, relacionan los currículos con las descripciones de los puestos y generan listas cortas para los gerentes de contratación. En las adquisiciones, revisan los contratos para clasificar a los proveedores e identificar 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 estado poniendo 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 regulatorias para extraer cláusulas y comparar jurisdicciones. El sistema entregaba una matriz de resultados para que los analistas revisaran, una tarea que antes llevaba semanas y que ahora se condensaba en horas con supervisión humana.

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

Incluso con estas ganancias, quedan preguntas espinosas sobre la confianza, la supervisión y la responsabilidad. Los errores ocurren. Cuando un agente malinterpreta una instrucción u omite una variable, alguien tiene que asumir la responsabilidad.

Stephen Casper, investigador del MIT centrado en la confiabilidad de la IA, ve el momento actual como una fase de transición, más que como un futuro establecido. "Si los sistemas de IA se vuelven lo suficientemente confiables como para permitir esto, podría ser una gran oportunidad, pero también una gran responsabilidad", dijo a IBM Think en una entrevista. “Hacer realidad algo así sería un largo proceso de adopción gradual, de prueba y error”.

En lugar de prever un futuro de pares de IA, Casper ve una integración más lenta y limitada. Los sistemas pueden volverse más capaces, pero continuarán operando bajo instrucción humana. “Algunas de las aplicaciones más impactantes de la IA autónoma, como la conducción o la programación, ocurren en una configuración donde un humano tiene el control, pero es capaz de delegar tareas al sistema de IA”, dijo.

La delegación puede ampliarse, pero la discreción seguirá siendo humana. “Aunque es posible que los sistemas de IA hagan el 90 % del trabajo que hacen los humanos en algunos empleos”, agregó, “ese último 10 % será, por mucho, el más difícil de automatizar”.

Los agentes de IA ya están trabajando arduamente. Entre bastidores, en las empresas de logística, los agentes de rutas de IA analizan en tiempo real los datos meteorológicos, de tráfico y de flota. Cuando se forma una tormenta o se cierra una autopista, el agente sugiere cambios de ruta y reasignaciones antes de que el despachador humano se haya servido una segunda taza de café. La última llamada sigue perteneciendo a una persona, pero la primera alerta a menudo proviene del código.

Las estructuras organizacionales pueden seguir el mismo camino. "Los humanos serían evaluados de manera similar a cómo los líderes en los niveles más altos de la jerarquía de la organización supervisan a los líderes en los niveles inferiores", dijo Shoss. Los agentes de IA, aunque no son empleados, siguen generando trabajo que debe gestionarse. "La responsabilidad no significa lo mismo con la IA que con los humanos", agregó.

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 sugerirían muchas demostraciones y exageraciones”, dijo.

Gestionar personas ya era bastante difícil. Ahora, con agentes en la mezcla, los líderes empresariales están reinventando todo el playbook.

“Los líderes deben adoptar una mentalidad de doble vía: ser cautelosos al implementar cambios operativos clave para evitar interrupciones, pero agresivos en la experimentación para explorar rápidamente el potencial de los agentes de IA”, dijo Tianyi Peng, profesor de negocios en la Universidad de Columbia, en una entrevista con IBM Think. “El objetivo no es el reemplazo masivo”, agregó. “Es una integración progresiva”.

El despliegue medido ayuda a evitar lo que Peng llama la trampa de contragolpe. “La confianza y el desempeño a largo plazo dependen de la integración medida y el compromiso de los empleados”, dijo.

A medida que proliferan los agentes, las prácticas de gestión evolucionan. “Sea un aprendiz rápido, no un experto”, dijo Peng. No se requieren conocimientos técnicos, pero sí fluidez en las instrucciones, la interpretación y el refinamiento.

“Gestionar un equipo híbrido significa orquestar flujos de trabajo donde los humanos y los agentes colaboran”, dijo. Eso significa comprender las capacidades, enrutar las tareas estratégicamente y saber cuándo anular o volver a entrenar.

Las métricas también están cambiando. "El rendimiento incluye la rentabilidad", señaló Peng. Eso significa hacer coincidir la complejidad del modelo con el trabajo, utilizando sistemas ligeros para resúmenes y reservando modelos más potentes para decisiones de alto valor.

“Los equipos deben realizar un seguimiento del ROI de los agentes, hacer coincidir el tamaño del modelo con la tarea y optimizar los flujos de trabajo no solo para la precisión, sino también para la escalabilidad y el valor”, dijo. “Incluso si la IA toma decisiones, los humanos diseñan el sistema y aprueban sus resultados”.

De cara al futuro, dijo Peng, las empresas que esperan un playbook claro deberán aceptar un camino más fluido. “Todos están esperando un playbook”, dijo. “Pero en verdad, lo estamos escribiendo sobre la marcha”.