La IA No Necesita Ser Perfecta en Todo Para Generar Valor Real
Inteligencia Artificial se convirtió en sinónimo de productividad en el mundo corporativo, pero la mayoría de las empresas todavía está usando esta tecnología de una forma bastante limitada.
¿Conoces esa sensación de que la IA ayuda aquí y allá, pero el resultado general no cambia tanto? Pues bien, no te lo estás imaginando. La forma en que la mayoría de las organizaciones adopta IA hoy sigue un patrón muy parecido: elige una tarea, conecta una herramienta y cruza los dedos para que la productividad suba. Redactar correos más rápido, resumir documentos, generar código. Todo eso funciona, pero ninguno de esos avances se acerca al potencial real que la tecnología ofrece.
Una nueva investigación del MIT Sloan School of Management vino a mostrar exactamente dónde está el error en esa lógica. El estudio, titulado Chaining Tasks, Redefining Work: A Theory of AI Automation, sostiene que el verdadero valor de la Inteligencia Artificial no aparece cuando mejora una tarea aislada, sino cuando transforma la forma en que tareas diferentes se conectan y se suceden dentro de un flujo de trabajo completo. 🔗
El paper fue escrito por Peyman Shahidi, doctorando en el MIT Sloan, junto con los profesores Mert Demirer y John Horton, también del MIT Sloan, además de Nicole Immorlica, de la Universidad de Yale y Microsoft, y Brendan Lucier, de Microsoft Research. Es un cambio de paradigma en la manera de pensar la automatización, y los conceptos que los investigadores trajeron cambian bastante la conversación sobre cómo las empresas deberían estar integrando IA en sus procesos.
El Problema con la IA Puntual
Cuando una empresa decide adoptar Inteligencia Artificial, el movimiento más natural es identificar un dolor específico y aplicar la tecnología ahí. Un equipo de atención al cliente sobrecargado recibe un chatbot. Un departamento jurídico con pilas de contratos obtiene una herramienta de análisis de texto. Un equipo de desarrollo empieza a usar un asistente de código. Cada uno de estos casos tiene su mérito, y las ganancias individuales son reales, pero la investigación del MIT señala que este enfoque tiene un techo muy bajo cuando el objetivo es transformar la eficiencia organizacional de verdad.
El motivo es simple: el trabajo corporativo rara vez ocurre en tareas aisladas. Una propuesta comercial no empieza con la redacción en sí, depende de un análisis de cliente, que depende de datos de CRM, que depende de un briefing de reunión, que depende de notas de un vendedor. Son eslabones de una cadena. Cuando mejoras solo un eslabón, la cadena en general no queda mucho más fuerte. El cuello de botella simplemente se mueve al siguiente punto. Y es exactamente esa dinámica la que hace que tantas implementaciones de IA parezcan prometedoras en el papel, pero decepcionantes en la práctica.
El estudio usa el concepto de complementariedad entre tareas para explicar este fenómeno. Cuando la IA automatiza una etapa dentro de un proceso encadenado, libera tiempo y energía para las etapas siguientes. Pero si esas etapas siguientes siguen siendo manuales, lentas y dependientes de intervención humana constante, el beneficio de la automatización anterior se diluye. El flujo de trabajo como un todo continúa trabado, solo que ahora en puntos diferentes.
La Lógica de la Cadena de Tareas
El concepto central de la investigación es lo que los autores llaman cadena de tareas, o task chaining. La idea es que el trabajo dentro de una organización no es una colección de actividades independientes, sino una secuencia estructurada donde cada etapa depende de la anterior y alimenta la siguiente. Cuando la Inteligencia Artificial se aplica con esta visión en mente, el potencial de transformación cambia completamente de escala. En vez de mejorar una única etapa, la automatización se propaga a lo largo de toda la cadena, porque tareas adyacentes pasan a ser ejecutadas como un flujo continuo por la IA. 🚀
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Los investigadores usan un ejemplo bastante interesante para ilustrar: enseñanza en el aula versus tutoría individual. Ambas actividades involucran tareas similares, como explicar conceptos, preparar material y responder dudas. Pero el flujo de trabajo es completamente diferente. Un profesor prepara contenido con anticipación, en una secuencia que permite automatizar partes del proceso con más facilidad. En cambio, un tutor opera en un vaivén continuo con el alumno, lo que limita mucho las oportunidades de automatización.
Como Shahidi explicó, la capacidad de automatizar flujos de trabajo usando IA es muy limitada en ese segundo tipo de ocupación. Lo que importa no es solo qué tareas existen en una profesión, sino cómo esas tareas aparecen y se organizan dentro del flujo. Esa diferencia de disposición es lo que determina si la IA va a generar una ganancia marginal o una transformación real.
Para otro ejemplo práctico, piensa en un proceso de creación de informes financieros mensuales. Tradicionalmente, involucra recolección de datos de múltiples sistemas, consolidación en hojas de cálculo, análisis de variaciones, redacción de comentarios y formateo para presentación. Si la IA entra solo en la etapa de redacción, la ganancia es modesta. Pero si pasa a actuar en la recolección automatizada, en la identificación de anomalías, en la generación de narrativas basadas en los datos y en el formateo final, el flujo entero se transforma. El analista que antes gastaba tres días en este proceso pasa a dedicar algunas horas para revisar e interpretar, en vez de ejecutar mecánicamente cada etapa.
No Todas las Cadenas Funcionan Igual
Un punto crucial de la investigación es que no todas las cadenas de tareas son igualmente automatizables. Cuando tareas adyacentes dentro de un flujo están bien adaptadas a la IA, pueden agruparse y ejecutarse de forma eficiente. Sin embargo, cuando una sola etapa en medio de la secuencia es muy difícil para la IA, rompe la cadena entera.
Shahidi lo planteó de forma muy directa: si una de las tareas en medio del proceso es extremadamente difícil para la IA, esa única tarea va a comprometer toda la operación. Es como una tubería tapada en medio de una cañería nueva. No importa si los otros tramos son perfectos, el agua no va a pasar.
Esto lleva a un principio de diseño de trabajo que la investigación destaca: la forma en que las tareas se agrupan importa tanto como qué tareas se automatizan. Es decir, reorganizar la secuencia de actividades dentro de un proceso puede ser tan impactante como la propia tecnología aplicada.
La IA No Necesita Ganarle a los Humanos en Cada Etapa
Uno de los hallazgos más contraintuitivos del estudio es que la IA no necesita superar a los humanos en cada tarea individual para generar valor. De hecho, puede tener más sentido para una organización delegar una cadena entera de tareas a la IA, incluso cuando los humanos podrían ejecutar algunas etapas con calidad superior.
El motivo está en los costos de coordinación. Cada vez que el trabajo pasa de la IA a un humano y vuelve a la IA, existe un costo involucrado: revisión, validación, ajuste, contexto. Esos puntos de verificación desaceleran el sistema como un todo. Cuando la IA asume una secuencia de punta a punta, esas fricciones desaparecen. El resultado final puede tener una calidad individual ligeramente inferior en algunas etapas, pero el proceso como un todo queda más rápido y más barato.
Shahidi resumió esta lógica señalando que se ahorra en costo de tiempo humano. Eliminar la supervisión repetida en cada micro-etapa puede compensar diferencias marginales de rendimiento. Es como elegir un vuelo directo que tarda un poco más de tiempo total en el aire en vez de hacer una escala que, en teoría, usa rutas más rápidas en cada tramo, pero agrega horas de espera en el aeropuerto.
Esta perspectiva cambia la forma en que los líderes deberían evaluar implementaciones de IA. El foco debería estar menos en saber si la tecnología es excelente en cada etapa individual y más en entender si mejora la eficiencia del flujo de trabajo como un todo. La adyacencia entre tareas gana protagonismo: cuando tareas compatibles con IA están agrupadas, el flujo funciona. Cuando están dispersas e son interrumpidas por etapas que la IA no puede resolver, los beneficios disminuyen drásticamente. 💡
Cómo Esto Cambia la Estrategia de Automatización
Lo que la investigación del MIT propone en la práctica es un cambio en el punto de partida de la estrategia de automatización. En vez de preguntar qué tarea puede mejorarse con IA, la pregunta correcta pasa a ser qué flujo de trabajo puede rediseñarse con IA. Parece una diferencia pequeña, pero cambia completamente el alcance del proyecto, las métricas de éxito y los resultados esperados. Una empresa que parte del flujo logra ver dónde están los verdaderos cuellos de botella, qué etapas se benefician más de la automatización y cómo la ganancia en una parte del proceso se propaga por las demás.
Esto también tiene implicaciones directas sobre cómo los equipos de tecnología y los líderes de negocio deben colaborar en estas iniciativas. Cuando el foco está en una tarea aislada, el proyecto puede ser conducido casi enteramente por el equipo de TI o por un proveedor de software. Pero cuando el foco está en el flujo de trabajo completo, es imposible avanzar sin la participación profunda de quienes ejecutan el proceso día a día. Son esas personas las que conocen las dependencias invisibles, las excepciones frecuentes, los puntos de retrabajo y los atajos que nunca aparecen en ningún diagrama oficial. Ignorar ese conocimiento es una de las principales razones por las que proyectos de automatización con IA se estancan antes de generar resultados.
La investigación también señala que las organizaciones que adoptan esta visión de cadena tienden a desarrollar una capacidad más duradera de integración con Inteligencia Artificial. En vez de acumular un conjunto desconectado de herramientas de IA, cada una resolviendo un problema diferente sin comunicarse con las otras, construyen una infraestructura donde los modelos y sistemas se alimentan mutuamente. Los outputs de una etapa automatizada se convierten en los inputs de la siguiente, creando un ciclo de datos y decisiones que se retroalimenta y mejora con el tiempo. Ese nivel de integración es lo que separa a una organización que usa IA de una organización que está, de hecho, potenciada por ella.
Rediseñando Funciones y Expectativas
Históricamente, los cargos dentro de una empresa fueron definidos por conjuntos de tareas que tienen más sentido ser ejecutadas por una misma persona. La IA cambia esa ecuación al reducir el costo de ciertas actividades y permitir nuevas combinaciones de trabajo. Si la tecnología logra automatizar diversas tareas rutinarias dentro de una función, los profesionales que ocupaban esas posiciones pueden asumir responsabilidades adicionales, generalmente trabajo que exige más juicio, contexto y toma de decisiones.
Los investigadores del MIT también destacan que este enfoque de cadena de tareas tiene un efecto importante sobre los trabajadores involucrados. Cuando la IA asume las partes más repetitivas y mecánicas de un flujo, las personas que antes ejecutaban esas etapas no desaparecen del proceso, se reposicionan. El trabajo humano migra hacia las partes que exigen creatividad, relacionamiento e interpretación, que son exactamente los puntos donde la tecnología todavía tiene limitaciones significativas. Esto cambia la conversación sobre sustitución de empleos hacia una conversación sobre reconfiguración de funciones, lo que es una perspectiva bien diferente y mucho más productiva.
Para líderes de negocio, esto transforma la adopción de IA de una decisión puramente tecnológica en un desafío más amplio de diseño organizacional. Y ese desafío exige paciencia. Muchas empresas esperan retornos rápidos de la inversión en IA, pero los investigadores señalan que las ganancias significativas suelen aparecer solo después de que las organizaciones adaptaron sus flujos de trabajo y construyeron capacidad suficiente para operar de forma diferente.
Herramientas que usamos a diario
Shahidi fue directo al afirmar que, hasta alcanzar ese punto de inflexión, los costos de adopción de la IA dominan las ganancias. Solo después de que la organización supera ese umbral es que la reestructuración del trabajo en torno a la IA comienza a entregar beneficios medibles. Ignorar esa curva de maduración es uno de los errores más comunes que las organizaciones cometen al invertir en Inteligencia Artificial.
Eficiencia Organizacional Como Resultado, No Como Meta Aislada
Un punto que los investigadores del MIT refuerzan a lo largo del estudio es que la eficiencia organizacional no es un número que se persigue directamente. Es un resultado que emerge cuando los procesos están bien estructurados, las herramientas correctas están en los lugares correctos y las personas están enfocadas en las actividades donde realmente hacen la diferencia. La Inteligencia Artificial aplicada en cadenas de tareas crea las condiciones para que esa eficiencia aparezca de forma natural, en vez de ser forzada por metas de recorte de costos o reducción de equipo.
Otro aspecto interesante que el estudio plantea es la cuestión de la medición. Cuando la IA está aplicada en tareas aisladas, medir el impacto es relativamente simple: el tiempo para redactar un correo bajó de 10 minutos a 3. Pero cuando la automatización actúa sobre un flujo entero, las métricas relevantes cambian. Lo que importa ya no es el tiempo en cada etapa, sino:
- El tiempo total del proceso de punta a punta
- La tasa de retrabajo y errores que llegan al cliente final
- La capacidad de escalar operaciones sin aumentar el equipo en la misma proporción
- La reducción de handoffs entre humanos y máquinas a lo largo del flujo
Estas son métricas de negocio, no de herramienta, y exigen una conversación diferente entre los líderes de tecnología y de operaciones.
Rediseñar el Flujo, No Solo Conectar la Herramienta
Shahidi resumió el mensaje principal del estudio de forma muy clara: no se trata de cómo introducir IA en el flujo de trabajo existente, sino de cómo rediseñar el flujo de trabajo de una manera que sea más compatible con la IA.
Las organizaciones que tratan la Inteligencia Artificial como un plug-in, algo que se encaja por encima de los procesos actuales, tienden a ver mejoras incrementales. Son ganancias válidas, pero que rara vez cambian el juego. En cambio, aquellas que replantean cómo está estructurado el trabajo, agrupando tareas compatibles con IA, reduciendo handoffs innecesarios y rediseñando flujos de trabajo completos, están más preparadas para capturar el potencial transformador de la tecnología.
Al final del día, lo que la investigación del MIT entrega es un framework conceptual sólido para las organizaciones que quieren dejar de usar Inteligencia Artificial como un conjunto de atajos y empezar a usarla como una palanca real de transformación. La diferencia entre los dos enfoques no está en la tecnología en sí, que en muchos casos es la misma. Está en la forma en que las empresas miran sus propios procesos, identifican las conexiones entre las etapas y deciden dónde y cómo la automatización puede hacer que el trabajo fluya mejor de punta a punta. Ese cambio de perspectiva, aparentemente simple, es lo que separa los casos de uso que impresionan en las presentaciones de aquellos que realmente cambian los resultados del negocio. 🎯
