La ventaja no estará en tener IA

Tengo configuradas las herramientas de inteligencia artificial con las que trabajo —ChatGPT, Copilot o cualquiera que incorpore— para que, cuando me devuelven una respuesta, diferencien qué información consideran segura, qué es probable, qué están suponiendo y qué aspectos necesitan verificarse antes de utilizar el resultado.

No es una comprobación que añada al final ni una instrucción que recuerde en cada conversación. Forma parte de mi manera de trabajar con ellas.

Cuando empecé a impartir formación en inteligencia artificial dentro de la empresa, entendí que esta práctica también tenía que trasladarse al equipo. No quería que aprendieran únicamente a hacer una buena petición o a obtener una respuesta aparentemente profesional. Me parecía bastante más importante que se acostumbraran a identificar qué podían dar por válido, qué necesitaban contrastar y cuándo debían detenerse y levantar la mano.

Incorporar inteligencia artificial a una empresa no debería consistir en añadir otro chat al conjunto de aplicaciones que ya utilizamos. Saber abrirlo y pedirle algo es la parte sencilla. Lo relevante es qué hacemos después con la información que nos devuelve.

Para enseñar a una persona a utilizarla bien necesito comprender antes su trabajo: qué hace, qué datos maneja, cómo toma decisiones, qué resultado espera y qué consecuencias tendría un error. Al entrar ahí aparecen preguntas que ya existían mucho antes de la IA. Quién comprueba la información. Qué fuentes se consideran válidas. En qué momento deja de ser una tarea de ejecución y empieza a intervenir el criterio.

La herramienta ayuda, por supuesto. Pero también deja al descubierto procesos, hábitos y formas de decidir que llevábamos demasiado tiempo dando por buenos.

Por eso, para mí, desplegar inteligencia artificial nunca ha consistido solamente en enseñar tecnología. Ha sido una forma de entrar en los procesos, revisar cómo trabajamos y reforzar algo que será más importante cuanto mejores sean las herramientas: el pensamiento crítico.

Una revolución que no cabe en un departamento

La inteligencia artificial no está modificando una única industria, una profesión concreta o una parte aislada del trabajo. Está entrando a la vez en la ciencia, la medicina, la educación, las empresas y nuestra vida cotidiana.

En una compañía puede ayudarnos a estudiar una desviación, preparar una propuesta, revisar un contrato o relacionar información que antes analizábamos por separado. Esa misma tecnología se está utilizando en investigaciones sobre proteínas, medicamentos o modelos climáticos.

Ahí está parte de la dimensión real del cambio. No estamos incorporando una herramienta especializada que mejora una única función, sino una capacidad que empieza a aplicarse en ámbitos completamente distintos.

Es razonable que algo así provoque inquietud. También creo que quienes estamos convencidos de sus posibilidades debemos señalar sus riesgos: qué decisiones estamos delegando, qué capacidades podemos perder, qué efecto tendrá sobre el empleo y hasta dónde queremos llevar la autonomía de sistemas cada vez más capaces.

Pero el miedo tampoco puede servir como excusa para quedarse inmóvil. La IA ya está entrando en las organizaciones. La decisión real está en cómo integrarla, a qué ritmo y con qué límites.

No me identifico ni con quienes querrían detenerlo todo ni con quienes interpretan cualquier precaución como un obstáculo. Me interesa más avanzar entendiendo qué estamos cambiando y desde qué punto parte cada organización.

Las herramientas serán cada vez más parecidas. Lo que cada empresa construya alrededor de ellas no lo será.

Formar no basta

Una de las ideas de Xavier Marcet que más me interesa es la distancia que existe entre formación y transformación.1

Podemos formar a una persona para que conozca una herramienta. Aprende de verdad cuando consigue incorporarla a su trabajo. Se adapta cuando hace más rápido o con menos esfuerzo aquello que ya hacía. Transformar exige algo distinto: preguntarse si ese trabajo debe seguir haciéndose de la misma manera.

Un curso puede enseñar a generar un informe en segundos. Otra cuestión es si ese informe sigue siendo necesario, quién lo utiliza y qué decisión ayuda a tomar.

La IA puede resumir una reunión, pero no resuelve por qué se celebran tantas, qué decisiones deberían salir de ellas o por qué algunas nunca se ejecutan. Puede redactar una comunicación rápidamente, aunque alguien seguirá teniendo que decidir qué necesita saber el destinatario y si ese mensaje debía enviarse.

La oportunidad está precisamente ahí. Utilizar la IA para volver sobre problemas que ya existían: información que nadie comprobaba, responsabilidades poco claras, documentos que se generaban por costumbre y procesos que sobrevivían porque nunca encontrábamos el momento de replantearlos.

Automatizar todo eso sin cuestionarlo solo consigue que funcione mal más deprisa.

Y aquí aparece también el desaprendizaje. Aprender nos permite incorporar una capacidad nueva; desaprender nos obliga a enfrentarnos a esas formas de trabajar que un día nos dieron resultado y que precisamente por eso cuesta tanto cuestionar.

En un entorno que cambia continuamente, esa capacidad será mucho más importante que acumular cursos.

La ejecución se abarata. El criterio gana valor

Una persona con poca experiencia puede producir en muy poco tiempo algo que se parece bastante al trabajo de alguien que lleva años desempeñando una función.

Esto abre posibilidades enormes. Quien empieza puede acceder antes a tareas complejas, reunir conocimiento con mayor rapidez y explorar alternativas que quizá no habría considerado por sí solo.

Los datos disponibles empiezan a mostrar precisamente ese efecto. En un estudio con más de 5.000 profesionales de atención al cliente, el uso de un asistente de IA elevó la productividad media un 14 %, pero el incremento llegó al 34 % entre los trabajadores noveles y menos cualificados.2

Es una oportunidad enorme para elevar a las personas que empiezan. Pero una mejora en la ejecución no equivale a una mejora idéntica en el criterio.

Una respuesta puede estar bien escrita, emplear la terminología correcta y presentar argumentos aparentemente razonables. Eso no significa que quien la entrega comprenda las excepciones, conozca el contexto o pueda anticipar las consecuencias.

Dos documentos pueden parecer igual de profesionales. Uno puede estar construido sobre conocimiento, comprobación y experiencia. El otro puede ser una respuesta que nadie ha entendido completamente, pero que está tan bien redactada que no despierta sospechas.

En ese escenario, la experiencia no pierde valor. Ocurre más bien lo contrario.

Quien conoce profundamente su trabajo puede utilizar la IA para formular mejores preguntas, detectar incoherencias, aportar el contexto que falta y descartar respuestas que parecen correctas, pero no sirven. También puede desarrollar análisis que antes no abordaba simplemente porque no tenía tiempo.

La herramienta puede acercar a una persona con menos experiencia a un primer resultado. En manos de alguien que sabe dónde mirar, amplía mucho más el recorrido.

El problema es que las capacidades de la IA no siguen siempre una lógica evidente. La investigación sobre la llamada jagged technological frontier muestra precisamente eso: tareas que a nosotros nos parecen de dificultad similar pueden estar a lados completamente distintos de la frontera de capacidad del modelo. En el experimento realizado con 758 profesionales, utilizar IA mejoró velocidad y calidad dentro de esa frontera, pero redujo la probabilidad de acertar cuando el problema quedaba fuera de ella.3

Cuanto más convincente parece una respuesta, más fácil resulta olvidar que puede estar equivocada. Una investigación de Microsoft con trabajadores del conocimiento encontró además una asociación entre mayor confianza en la IA y menor activación declarada del pensamiento crítico.4

Por eso el pensamiento crítico deja de ser una capacidad adicional. Empieza a formar parte del propio trabajo.

No significa desconfiar de todo ni repetir manualmente lo que ya ha hecho la herramienta. Significa saber qué merece comprobarse, qué información falta, qué ha inferido el sistema y qué decisiones requieren una validación adicional.

La IA puede producir una respuesta. Cada vez tendrá más valor saber qué preguntar, qué creer y qué hacer después.

El verdadero reto de Recursos Humanos será sostener la transición

El debate sobre el empleo suele empezar por cuántos puestos eliminará la inteligencia artificial. Habrá tareas que desaparezcan, funciones que necesiten menos personas y equipos capaces de producir mucho más con una estructura menor. Negarlo no ayuda a prepararnos.

Pero el reto de Recursos Humanos será bastante más complejo que calcular cuántas posiciones pueden amortizarse.

La transformación afectará al modo en que entran las personas en el mercado laboral, al recorrido de quienes ya están dentro, a la organización de los equipos y, probablemente, al propio sentido que muchas personas encuentran hoy en su trabajo.

Menos puestos de entrada, pero seguimos necesitando experiencia

Si una persona experimentada, apoyada por una buena herramienta de inteligencia artificial, puede realizar parte del trabajo que antes asumían varios perfiles junior, en determinadas funciones será lógico contratar menos becarios y menos personas para posiciones iniciales.

Desde el punto de vista de la eficiencia tiene sentido. Incorporar a alguien, enseñarle el negocio, revisar su trabajo y acompañarlo durante meses requiere tiempo. Si la necesidad operativa disminuye, será difícil justificar el mismo volumen de contratación únicamente para mantener una estructura de aprendizaje.

Pero esto crea una contradicción que tendremos que resolver: necesitaremos menos personas para realizar el trabajo inicial y seguiremos necesitando profesionales experimentados dentro de unos años.

La experiencia no aparece automáticamente porque una herramienta permita producir un buen resultado.

Quienes hoy ocupan posiciones senior llegaron hasta ellas revisando documentos, preparando análisis, cometiendo errores, observando cómo decidían otros y enfrentándose a situaciones que no podían resolverse siguiendo un manual.

Parte de ese recorrido estaba formada por tareas repetitivas o de poco valor aparente. Sin embargo, era durante ese trabajo cuando se aprendía a reconocer excepciones, comprender el negocio y construir criterio.

Si eliminamos esa base sin crear una alternativa, podemos romper la cadena con la que hasta ahora formábamos a los profesionales.

Probablemente algunas empresas incorporarán a menos personas en determinadas áreas, pero tendrán que dedicar mucha más atención a cada una de ellas. El aprendizaje tendrá que ser más guiado y bastante más consciente.

Habrá que exponer a quienes empiezan a casos reales, explicarles por qué se toma una decisión y permitirles participar en trabajos que la inteligencia artificial ya podría ejecutar por sí sola. No porque necesitemos su producción inmediata, sino porque necesitamos que entiendan qué hay detrás.

Formar a alguien dejará de consistir únicamente en enseñarle a hacer. También habrá que enseñarle a observar, interpretar y decidir.

Y eso cambia también el liderazgo. Ser un gran profesional no garantiza saber hacer crecer a otros.

Marcet utiliza precisamente esa idea como centro de su propuesta de management: crecer haciendo crecer. Las organizaciones fuertes no se limitan a conseguir resultados; crean las condiciones para que clientes, personas y equipos también evolucionen. En sus palabras, a la cadena de responsabilidad hay que añadirle una “cadena de inspiración y aprendizaje”.5

En un mundo donde parte del conocimiento operativo puede estar disponible en segundos, saber transmitir criterio, dar contexto, inspirar y hacer crecer a otros puede convertirse en una función de liderazgo todavía más importante.

Aprender a trabajar con máquinas

La convivencia entre personas y sistemas inteligentes tampoco debería consistir en dejar que la máquina produzca y situar a alguien al final para que pulse un botón de aprobación.

El principio conocido como human in the loop tiene que formar parte del diseño del trabajo desde el inicio. La intervención humana debe aparecer allí donde existe incertidumbre, una decisión relevante o una consecuencia que la empresa no puede delegar.

Además de enseñar a las personas a dudar de la herramienta, tendremos que pedir a las propias herramientas que hagan visible su incertidumbre: qué información han verificado, qué están suponiendo, dónde encuentran contradicciones y qué aspectos necesitan revisión.

De algún modo, tendremos que obligar a la máquina a dudar.

No porque un modelo pueda experimentar prudencia en el sentido humano, sino porque podemos diseñar su uso para que no presente todas las conclusiones con idéntica seguridad.

La supervisión tampoco puede convertirse en un trámite. Si quien revisa no dispone de tiempo, conocimiento o autoridad para cuestionar el resultado, tener un humano dentro del circuito sirve de poco.

Cada empresa tendrá que decidir qué puede ejecutar una máquina, qué debe revisar una persona y quién responde finalmente por la decisión. El riesgo de preparar un primer borrador no es comparable al de aprobar una inversión, interpretar un contrato o tomar una decisión sobre otra persona.

Aquí las máquinas pueden asumir cada vez más trabajo. El esfuerzo, la responsabilidad y el significado que atribuimos a ese trabajo siguen perteneciendo a las personas.

Qué ocurre con quienes ya están dentro

La transformación no afectará únicamente a quienes se incorporen en el futuro. Habrá personas que verán cómo parte de aquello que hacían deja de ser necesario, pierde valor o puede ejecutarse en mucho menos tiempo.

En algunos casos será posible ampliar el puesto. En otros habrá que reorganizar funciones, trasladar responsabilidades o ayudar a alguien a encontrar una manera distinta de aportar.

Durante mucho tiempo hemos construido las organizaciones alrededor de departamentos bastante definidos. Cada persona pertenece a un área, desarrolla una especialización y progresa dentro de una estructura relativamente previsible.

Creo que vamos hacia organizaciones algo menos encasilladas.

Muchos trabajos de valor serán más transversales: personas capaces de entender un problema comercial, relacionarlo con operaciones, utilizar datos, coordinar áreas diferentes y apoyarse en tecnología para construir una solución.

Esto obliga a conocer mucho mejor a quienes ya forman parte de la empresa.

Una descripción de puesto explica qué función ocupa alguien. Rara vez recoge todo lo que esa persona puede aportar.

Puede haber profesionales con capacidad para comunicar, formar, organizar, conectar información, generar confianza o movilizar a otras personas, aunque ninguna de esas habilidades figure en su puesto.

Las llamamos soft skills y durante años han aparecido casi como el complemento amable de las competencias técnicas. Yo creo que eso va a cambiar.

Cuando una parte creciente de la capacidad técnica pueda ser asistida por una máquina, estas habilidades dejarán de ser tan soft.

Las empresas tendrán que descubrirlas y utilizarlas mejor: proyectos transversales, equipos temporales, comunidades internas, responsabilidades adicionales o personas que funcionan como puente entre departamentos.

Y aquí aparecen perfiles que me parecen especialmente importantes para esta transición: los mediadores, las personas puente, quienes inspiran y consiguen que otros se muevan.

No necesariamente tienen que ocupar grandes cargos. A veces son simplemente personas con credibilidad, curiosidad, capacidad para explicar y suficiente generosidad para ayudar a los demás.

En muchas organizaciones hay especialistas de sobra y pocas personas capaces de inspirar a otros especialistas para que hagan algo distinto con todo lo que saben.

Con la inteligencia artificial necesitaremos precisamente a esas personas.

Personas capaces de crear contexto. De distinguir un problema de un dilema. De encontrar posibilidades en los cruces entre departamentos. De conseguir que la tecnología no termine encerrada en los equipos que mejor la entienden.

La crisis de propósito

Hay una cuestión de la que hablamos bastante menos: qué ocurre con el sentido del trabajo cuando una parte de aquello que nos hacía sentir útiles puede realizarse de forma automática.

Muchas personas han construido su identidad profesional alrededor de una especialización, una experiencia o una capacidad concreta. Si una herramienta empieza a ejecutar en segundos una tarea que requería años de aprendizaje, la reacción no será siempre entusiasmo por el tiempo ahorrado.

Puede aparecer una crisis de propósito.

¿Qué significa mi trabajo si la parte que mejor sabía hacer ya no requiere el mismo esfuerzo? ¿Dónde está ahora mi valor? ¿Qué se espera de mí? ¿Sigo siendo necesario dentro de esta organización?

Estas preguntas no se resuelven con otro curso de inteligencia artificial.

También puede aparecer el aburrimiento. La automatización suele presentarse como una forma de eliminar tareas rutinarias para que las personas se dediquen a actividades de mayor valor. Pero ese trabajo de mayor valor no surge automáticamente.

Si una empresa elimina la parte operativa de un puesto, tendrá que pensar también qué queda después. De lo contrario, puede encontrarse con personas que necesitan menos tiempo para hacer aquello que dominaban, pero no tienen una función nueva que les resulte clara o estimulante.

El propósito no consiste en mantener a todo el mundo ocupado.

Habrá que ayudar a las personas a entender cómo siguen contribuyendo, qué capacidades pueden desarrollar y qué problemas nuevos pueden resolver. Eso exige movilidad, proyectos diferentes y una visión mucho más amplia del talento que ya existe dentro de la organización.

Marcet describe el talento como una síntesis de aptitud y actitud: conocimiento, habilidades profesionales, resultados y compromiso. Frente a ello, habla del denominado no talento y de perfiles con más dificultades para desaprender, adaptarse o abandonar fórmulas que ya no funcionan. Su planteamiento es deliberadamente incómodo, pero me interesa porque pone encima de la mesa un problema que la tecnología no va a solucionar.5

La IA puede ayudar a quien todavía no sabe. Difícilmente puede poner curiosidad, compromiso o voluntad de aprender donde no existen.

Y gestionar esa transición será una de las tareas más difíciles para las empresas.

Menos personas, más comunidad

Cuanto más automatizado sea el trabajo, más importante puede resultar aquello que mantiene unida a una organización.

Si la empresa se percibe únicamente como un lugar donde intercambiamos tiempo por salario y ejecutamos tareas, la automatización puede debilitar rápidamente ese vínculo. Cuando las tareas cambian, queda poco sobre lo que sostener la relación.

Por eso creo que los valores, la confianza y el sentido de comunidad adquirirán todavía más importancia.

No hablo de convertir la empresa en una familia ni de llenar las paredes de frases sobre propósito. Hablo de que las personas comprendan qué intenta conseguir la organización, por qué importa su trabajo y cómo se relaciona con el de los demás.

Ahí vuelve a aparecer el liderazgo.

Marcet define una empresa, desde esta perspectiva, como una comunidad alrededor de un propósito y reivindica un liderazgo capaz de combinar ambición corporativa con humildad personal. También insiste en que liderar implica crear las condiciones para que otros puedan crecer.5

Esta idea me parece especialmente importante en una organización atravesada por la inteligencia artificial.

Las máquinas pueden realizar una parte creciente del trabajo. No van a crear por sí mismas la comunidad que hace que un grupo de personas quiera avanzar en una misma dirección.

Las empresas necesitarán cadenas de responsabilidad, por supuesto. Pero también cadenas de inspiración.

Necesitarán personas que generen inercia dentro de la organización. Referentes, formadores o embajadores que quizá no tengan un cargo directivo, pero sí credibilidad entre sus compañeros y capacidad para traducir un cambio tecnológico al trabajo cotidiano.

Estos perfiles pueden hacer mucho más por una transformación que una sucesión de cursos generales.

Recursos Humanos tendrá que identificarlos y apoyarlos, pero la responsabilidad no puede quedarse encerrada en ese departamento.

Los responsables tendrán que enseñar. Las personas con experiencia tendrán que compartir criterio. Quienes adopten antes la tecnología deberán ayudar a los demás. Y la dirección tendrá que explicar con bastante honestidad qué está cambiando y hacia dónde quiere llevar a la organización.

Integrar inteligencia artificial será una tarea colectiva.

Puede que necesitemos menos personas para ejecutar el trabajo, pero bastante más trabajo humano para construir la organización que quede después.

Hay cosas de la empresa que no cambian con la IA

Hay algo que también intento no perder de vista en toda esta conversación.

La inteligencia artificial cambia muchísimo, pero no convierte en irrelevantes los fundamentos de una buena empresa. Si acaso, nos obliga a verlos con más claridad.

Una empresa que quiera perdurar seguirá necesitando algunas cosas bastante poco futuristas:

Pulmón. Tesorería suficiente para poder decidir con margen y no vivir permanentemente condicionada por la urgencia.

Crecer con sus clientes. Entender cómo evolucionan sus necesidades, acompañarlos y, cuando sea posible, ir un poco por delante sin alejarse tanto que deje de existir mercado.

Hacer coincidir capacidades y oportunidades. No basta con detectar oportunidades. Hay que disponer del talento, los procesos y los recursos necesarios para convertirlas en realidad.

Encontrar su propio equilibrio entre lo analógico y lo digital. No existe un porcentaje correcto de tecnología para todas las empresas. Ese mix depende del negocio, del cliente y de cómo se crea valor. Los datos ayudan a comprender. Las máquinas amplían. Las personas siguen operando gran parte del contexto.

Sumar inteligencias. La competitividad no estará en enfrentar inteligencia natural e inteligencia artificial, sino en construir un binomio que sea competitivo para la empresa y digno para la persona.

Aprender y desaprender. Aprender permite adaptarnos. Desaprender obliga a revisar las ortodoxias que construimos alrededor de éxitos anteriores.

Mantener agilidad estratégica. Tener una dirección clara sin convertir el plan en una cárcel. Leer continuamente lo que cambia, aprender y ajustar.

Esta última idea conecta con un concepto que me parece especialmente interesante. William Pietersen lleva años trabajando en Columbia Business School el Strategic Learning: pasar de entender la estrategia como un ejercicio estático de planificación a concebirla como un ciclo continuo de aprender, enfocar, alinear, ejecutar y volver a aprender.6

No significa dejar de planificar. Significa asumir que, cuando el contexto cambia tan rápido, la capacidad para aprender y reajustar puede ser más importante que aferrarse a un plan perfectamente construido.

Con la inteligencia artificial esto deja de ser una discusión académica.

Podemos estar haciendo hoy un plan sobre capacidades tecnológicas que dentro de un año hayan cambiado por completo. La organización que aprende rápido tiene más posibilidades de aprovechar ese movimiento que la que dedica toda su energía a defender lo que había decidido previamente.

La tecnología tiene que llegar después del problema

La tecnología tiende a exagerarse. Probablemente la inteligencia artificial más que ninguna otra en los últimos años.

Por eso creo que una empresa consistente no puede organizar su estrategia empezando por preguntarse qué puede hacer con la última herramienta que acaba de aparecer.

El recorrido debería ser el contrario.

¿Qué necesita nuestro cliente? ¿Qué problema tenemos? ¿Dónde estamos perdiendo tiempo? ¿Qué no somos capaces de hacer hoy? ¿Dónde podríamos crear más valor?

Y después: ¿qué tecnología nos ayuda a resolverlo?

La diferencia parece pequeña, pero cambia completamente la implantación.

Una empresa puede incorporar mucha inteligencia artificial y no generar demasiado valor con ella. Otra puede utilizarla en menos lugares y conseguir una transformación mucho más profunda porque ha elegido bien dónde aplicarla.

Las mejores empresas no serán necesariamente las que acumulen más herramientas, sino las que sepan combinarlas con su modelo de negocio y con aquello por lo que sus clientes realmente están dispuestos a elegirlas.

Es ahí donde la idea de la suma de inteligencias me parece especialmente útil.

Marcet lleva años defendiendo que el futuro pasa más por las coaliciones entre personas y máquinas que por una simple sustitución sistemática de unas por otras.5

Las máquinas pueden aportar eficiencia, capacidad de análisis y una escala que las personas no podemos alcanzar.

La diferencia seguirá apareciendo muchas veces en otro lugar: en quien entiende qué problema merece la pena resolver, interpreta el contexto y encuentra una oportunidad que todavía no estaba escrita.

Cuando todos tengamos herramientas parecidas

Durante esta primera etapa, disponer de determinadas herramientas o conocimientos puede ofrecer una ventaja. Esa diferencia se reducirá a medida que las soluciones se estandaricen, bajen de precio y estén al alcance de cualquier empresa.

Cuando todos podamos utilizar asistentes similares para analizar datos, preparar presentaciones, revisar contratos o investigar mercados, tener la herramienta dejará de explicar por sí solo la diferencia entre dos compañías.

Los datos estarán cada vez más disponibles. Las capacidades de los modelos también.

Los ojos seguirán siendo diferentes.

Esos ojos son la capacidad para detectar una oportunidad, relacionar información que aparentemente no estaba conectada, comprender un matiz de un cliente o reconocer un problema antes de que aparezca en un indicador.

Son también la experiencia de quien ha visto antes algo parecido y entiende que una respuesta, aunque parezca lógica, no encaja con la realidad.

Por eso entiendo la creatividad como algo bastante más amplio que diseñar o producir ideas originales.

Una persona creativa puede trabajar en contabilidad y encontrar una forma mejor de detectar una desviación. Puede estar en producción y relacionar dos incidencias que hasta entonces se estudiaban por separado. Puede trabajar en comercial y reconocer una necesidad que el cliente todavía no ha expresado.

La creatividad es también capacidad resolutiva.

Y probablemente tenga cada vez más valor cuando parte de la ejecución empiece a estar disponible para cualquiera.

El valor se desplaza

La adopción de IA puede medirse contando licencias, usuarios o documentos generados. La transformación se aprecia en otros lugares.

Aparece cuando una persona deja de recopilar información durante horas y puede dedicar ese tiempo a interpretarla. Cuando alguien con menos experiencia aporta antes, pero trabaja acompañado hasta desarrollar criterio. Cuando un proceso cambia porque ya no depende de tareas que antes consumían días.

También aparece cuando una empresa decide que algo no debe automatizarse.

La IA hará que muchas respuestas sean más rápidas, más baratas y más fáciles de producir. El valor se desplazará hacia lo que ocurre antes y después: formular bien el problema, aportar el contexto, detectar lo que falta, comprobar el resultado y asumir las consecuencias de utilizarlo.

Una persona con experiencia y pensamiento crítico podrá multiplicar su capacidad. Otra que todavía esté construyendo ese criterio podrá avanzar mucho más rápido, siempre que la empresa no confunda velocidad con autonomía.

Y las compañías tendrán que aprender a hacer lo mismo: utilizar una tecnología extraordinariamente potente sin permitir que la fascinación por ella sustituya aquello que hacía buena a una empresa antes de que llegara.

Clientes. Personas. Criterio. Capacidad para aprender. Liderazgo. Comunidad. Y suficientes ojos para reconocer una oportunidad cuando la máquina todavía solo está viendo datos.

Notas y referencias

Xavier Marcet, Crecer haciendo crecer. Xavier Marcet / La Vanguardia. Fuente. Texto y línea de trabajo sobre management humanista, aprendizaje, comunidad profesional, liderazgo y crecimiento de clientes y personas. xaviermarcet.com/2021/12/16/crecer-haciendo-c…

Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond, Generative AI at Work. National Bureau of Economic Research. Fuente. Estudio sobre 5.179 profesionales de atención al cliente; aumento medio de productividad del 14 % y efecto del 34 % en trabajadores noveles y menos cualificados. nber.org/papers/w31161

Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality. Organization Science. Fuente. Experimento con 758 profesionales sobre el rendimiento al trabajar con IA dentro y fuera de la frontera de capacidades del modelo. pubsonline.informs.org/doi/10.1287/orsc.2025.…

Hao-Ping Lee et al., The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Microsoft Research / CHI 2025. Fuente. Investigación con 319 trabajadores del conocimiento y 936 ejemplos de uso de IA; estudia pensamiento crítico, verificación y efectos de la confianza. microsoft.com/en-us/research/publication/the-…

Xavier Marcet, Crecer haciendo crecer / La gestión del no-talento / La suma de inteligencias. Xavier Marcet / La Vanguardia. No-talento · Crecer haciendo crecer · La suma de inteligencias. Referencias sobre cadenas de inspiración y aprendizaje, liderazgo, comunidad profesional, talento, no-talento y complementariedad entre personas y máquinas. xaviermarcet.com/2018/03/08/la-gestion-del-no… · xaviermarcet.com/2021/12/16/crecer-haciendo-c… · xaviermarcet.com/2018/11/23/la-suma-de-inteli…

William Pietersen, Strategic Learning: A Leadership Process for Creating and Implementing Breakthrough Strategies. Columbia Business School. Fuente. Proceso de estrategia adaptativa basado en un ciclo continuo de aprender, enfocar, alinear y ejecutar. business.columbia.edu/faculty/research/strate…