By 
La IA ha llegado a las empresas muy rápido. Quizá demasiado rápido para el tiempo que hemos tenido los profesionales para entender todo lo que podemos hacer con ella. En estos últimos meses hemos visto aparecer nuevas funciones casi cada semana y ya podemos analizar documentos, transcribir reuniones, ordenar información o trabajar con grandes cantidades de datos en muy poco tiempo. Pero en la empresa queda una pregunta bastante más complicada: ¿qué hacemos con todo eso?
Escrito por Inés Mazarrasa García, Senior Change Manager especializada en transformación organizativa y digital,
Alguien tiene que interpretar el resultado, cuestionarlo y ponerlo en el contexto de cada negocio. Una respuesta dada por IA generativa puede estar bien construida y, aun así, no servir para nuestra empresa. Puede partir de datos incorrectos, ignorar una circunstancia que conocemos por experiencia o proponer algo que sencillamente no encaja con nuestra cultura, nuestros clientes o nuestra forma de trabajar.
También estamos aprendiendo a hablar con la IA. Lo hemos comprobado especialmente estos dos meses de verano: cambia la herramienta, cambian sus posibilidades y cambia nuestra manera de utilizarla. Dependiendo de cómo planteemos una instrucción o un prompt, recibimos respuestas muy diferentes. Y cuanto más contexto aportamos sobre lo que hacemos y necesitamos, más concretas pueden ser esas respuestas.
Para usar bien la IA generativa, antes hay que cultivar otras cualidades
La escucha activa, aprender a dar y recibir feedback o saber pedir, prometer, ofertar, declarar y afirmar son las habilidades que necesitamos desarrollar para sacar lo mejor de la IA generativa. Estas habilidades proceden en buena medida del coaching profesional y siempre las hemos relacionado con la capacidad de trabajar mejor con otras personas.
Ahora nos encontramos esas mismas competencias en un escenario que hace unos años no existía. Una IA puede transcribir una reunión y entregarnos un resumen en segundos. Puede detectar determinados temas, ordenar lo hablado e incluso ofrecernos recomendaciones. Pero lo que obtiene depende también de cómo nos hemos expresado, qué información tenía disponible y qué le hemos pedido que haga con ella.
A mí me interesa especialmente lo que está ocurriendo aquí con el aprendizaje conversacional. Tenemos que observar cómo preguntamos, cómo interpretamos las respuestas y qué damos por válido. Obtener una enorme cantidad de información es sencillo. Saber qué significa y qué debemos hacer con ella sigue siendo bastante más difícil.
Conviene separar además información, aprendizaje y conocimiento. Podemos recibir veinte páginas de análisis en unos segundos y no haber aprendido absolutamente nada. El conocimiento aparece cuando un profesional relaciona esa información con aquello que sabe de su trabajo, la contrasta y decide qué puede hacer con ella.
¿Sabemos qué datos estamos entregando realmente?
Una de mis mayores preocupaciones está en los datos que estamos introduciendo en estas herramientas. ¿Sabemos siempre dónde terminan? ¿Quién introdujo el dato? ¿De dónde procedía? ¿Cómo hemos comprobado que era correcto? ¿Qué validez le concede nuestra compañía?
Son preguntas bastante menos atractivas que enseñar una nueva aplicación de IA, pero en una empresa importan mucho. La trazabilidad, la seguridad y la calidad del dato tienen que formar parte del uso cotidiano de estas herramientas. De poco sirve obtener un análisis extraordinariamente rápido cuando desconocemos si la información sobre la que se ha construido era fiable.
Y tenemos un problema anterior a la IA que todavía no hemos solucionado en muchas organizaciones. Los departamentos no siempre comparten bien la información. Marketing dispone de unos datos, ventas de otros, Recursos Humanos trabaja con los suyos y operaciones toma decisiones desde su propia realidad. Ahora podemos producir mucha más información y hacerlo muchísimo más rápido, pero eso no garantiza que circule mejor por la empresa.
Habrá que decidir qué información puede compartirse, quién debe comprobarla y cómo puede aprovecharla otro departamento. También qué datos son fiables, cuáles pueden generar problemas legales y cuáles aportan realmente algo a los resultados. Producir información más rápido no arregla una mala cultura del dato.
Hay otro asunto del que se habla bastante menos: la paciencia. Si una herramienta responde en segundos, podemos acabar esperando que el análisis de un problema empresarial también dure segundos. Cualquiera que haya tenido que tomar decisiones importantes dentro de una compañía sabe que las cosas rara vez funcionan así.
Diagnosticar correctamente un problema exige atención al detalle, registro de datos y tiempo para entender qué está ocurriendo. También necesitamos explicar bien a la IA aquello que queremos resolver. Si partimos de un diagnóstico equivocado, conseguir una respuesta en cinco segundos únicamente nos permite equivocarnos más rápido.
Por eso me cuesta reducir todo este cambio a aprender a escribir buenos prompts. Hay que conocer el negocio, entender su cultura y ser capaz de trasladar ese contexto a la herramienta. Después podremos pedirle que organice los datos, plantee escenarios o nos ayude a valorar una decisión.
Los errores con la IA pueden tener un coste alto para la compañía
Esto me recuerda a una situación que viví siendo directora de Recursos Humanos, mucho antes de que habláramos de inteligencia artificial. Desde operaciones se decidió aumentar unos bonus sin contar con RR. HH. Sobre el papel podía parecer una decisión que correspondía a ese departamento. En la práctica, acabó teniendo un coste importante para la compañía.
Y el coste no fue únicamente económico. Hubo que retirar posteriormente aquello que se había planteado y apareció un problema de reputación corporativa interna. La información que tenía un departamento no bastaba para comprender todas las consecuencias de la decisión.
Con la IA podemos encontrarnos con algo parecido, aunque ahora una recomendación puede llegar acompañada de datos, argumentos y una respuesta aparentemente muy convincente. ¿Quién aportó esos datos? ¿Qué criterios se utilizaron? ¿Cuándo se definieron? ¿Los departamentos afectados los han evaluado? Son comprobaciones que pueden parecer lentas frente a una tecnología que responde inmediatamente, pero siguen siendo necesarias.
La IA puede ayudarnos a entender mejor al cliente, encontrar patrones, anticipar determinadas tendencias o localizar problemas que antes tardábamos mucho más tiempo en detectar. Puede evitar retrabajos, mejorar determinados análisis y permitirnos aprovechar información que la empresa ya tenía y que hasta ahora apenas utilizaba.
Para hacerlo bien necesitamos profesionales capaces de moverse entre la tecnología y la realidad de la empresa. Personas que sepan escuchar, resolver conflictos y comprender qué necesita otro departamento. Si estas capacidades ya eran importantes antes, ahora intervienen además en cuestiones como los sesgos, la información sensible, la seguridad o los riesgos asociados a determinados usos de la IA.
El Reglamento Europeo de Inteligencia Artificial introduce obligaciones relacionadas con esos riesgos y con la protección de las personas. En el trabajo diario esto nos obliga a hacernos preguntas bastante concretas sobre qué herramientas utilizamos, con qué información trabajan y quién se responsabiliza de comprobar sus resultados.
Volvamos a hablar de power skills
Durante años hemos hablado de power skills pensando en liderazgo, comunicación o trabajo en equipo. Ahora empiezan a intervenir también en nuestra relación con los datos y en las decisiones que tomamos después de recibirlos.
El pensamiento crítico sirve para detectar cuándo algo no encaja. La comunicación permite que la información llegue a otros departamentos y pueda discutirse. El conocimiento del negocio ayuda a distinguir una recomendación interesante de otra que realmente podemos aplicar. Y la atención al detalle, que quizá parecía una competencia bastante menos novedosa que aprender a utilizar IA, vuelve a tener muchísimo peso cuando tenemos que comprobar de dónde procede un dato.
Todo esto puede permitirnos dedicar menos tiempo a determinadas tareas repetitivas. Ese tiempo puede utilizarse para comprender mejor los problemas, trabajar nuevas soluciones, detectar tendencias del mercado, mejorar procesos logísticos o revisar cómo está viviendo el cliente su relación con nuestra empresa.
Hay preguntas que me estoy haciendo con mucha más frecuencia estos meses cuando recibo un análisis realizado con IA: ¿qué estamos analizando exactamente?, ¿de dónde han salido estos datos?, ¿qué criterios se han utilizado?, ¿quién los ha establecido?, ¿los ha revisado alguien que conozca de verdad este problema?
Hace unos meses algunas de estas preguntas apenas aparecían en una reunión. Ahora empiezan a formar parte del trabajo. Y seguramente dentro de otros dos meses tendremos que añadir unas cuantas más.
La IA seguirá avanzando y nosotros tendremos que aprender a trabajar con ella. En ese proceso habrá herramientas que duren años y otras que probablemente dejemos de utilizar dentro de unos meses. La experiencia profesional, el conocimiento del negocio y el criterio para revisar una respuesta seguirán haciendo falta en cualquiera de los dos casos.
Comentarios