Cómo la IA está transformando flujos de trabajo y redefiniendo funciones en las empresas
La inteligencia artificial ya forma parte del día a día de muchas empresas, pero la mayoría todavía usa esta tecnología de una manera bastante limitada: una tarea por aquí, otra por allá, como si fuera un asistente al que solo se llama cuando se necesita.
Redactar un correo electrónico, resumir un documento, generar un fragmento de código… estas aplicaciones ayudan, claro, pero están lejos de mostrar lo que la IA realmente puede hacer cuando se usa de forma más inteligente.
El problema es que esta visión fragmentada deja un potencial enorme sobre la mesa.
Es exactamente ese punto el que una nueva investigación del MIT Sloan, en colaboración con la Universidad de Yale y Microsoft, pone en discusión. El estudio Chaining Tasks, Redefining Work: A Theory of AI Automation, de autoría de Peyman Shahidi, doctorando en el MIT Sloan, junto con los investigadores Mert Demirer y John Horton, también del MIT Sloan, Nicole Immorlica, de la Universidad de Yale y Microsoft, y Brendan Lucier, de Microsoft Research, propone un cambio de perspectiva bastante relevante: en lugar de mirar tareas aisladas, es necesario ver cómo la IA puede transformar flujos de trabajo completos dentro de las organizaciones. 🔍
Y esa diferencia de enfoque lo cambia todo.
En palabras del propio Shahidi, la cuestión central ya no es simplemente cómo la IA mejora una única tarea. El objetivo ahora es entender el efecto de la inteligencia artificial a un nivel sistémico más amplio, y no solo como herramientas de productividad puntuales aplicadas tarea por tarea.
Qué cambia cuando la IA entra en los flujos de trabajo
Cuando hablamos de automatización con inteligencia artificial, el instinto natural es pensar en sustitución de tareas puntuales. Un robot que rellena hojas de cálculo, un algoritmo que clasifica correos electrónicos, una herramienta que genera informes automáticamente. Todo eso tiene valor, claro, pero representa solo la capa más superficial de lo que la tecnología puede ofrecer.
El estudio del MIT Sloan va mucho más allá al introducir el concepto de encadenamiento de tareas — o task chaining —, que es la capacidad de la IA de conectar etapas secuenciales de un proceso de principio a fin, sin depender de intervención humana en cada nuevo paso. Esto transforma la lógica de cómo el trabajo se estructura dentro de una organización, y no solo cómo se ejecuta.
Los enfoques tradicionales de automatización siempre se centraron en las ganancias a nivel de tarea: ¿la IA puede ejecutar determinada actividad más rápido o mejor que un humano? El nuevo estudio creó modelos de cómo las tareas se secuencian y conectan en flujos de trabajo reales, estableciendo un nuevo framework para entender cómo el trabajo realmente ocurre — como secuencias de tareas interdependientes.
Piensa así: un flujo de trabajo típico en una empresa involucra recopilación de datos, análisis, toma de decisiones, comunicación de resultados y ejecución de acciones basadas en esas decisiones. Hoy, un sistema de IA puede ser llamado solo para la etapa de análisis, mientras un humano se encarga del resto. Pero cuando la IA consigue encadenar todas esas etapas de forma autónoma y coherente, la ganancia en eficiencia organizacional es exponencial.
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.
El tiempo que antes se consumía en transiciones entre etapas, revisiones manuales y aprobaciones secuenciales simplemente desaparece o se reduce drásticamente. Y esto tiene un impacto directo en la velocidad de entrega, en la calidad de los resultados y en la capacidad de la empresa de escalar operaciones sin necesariamente aumentar el equipo.
El ejemplo de la educación: mismas tareas, flujos diferentes
Los investigadores usan un ejemplo bastante ilustrativo para mostrar por qué la estructura del flujo importa tanto. Comparan la enseñanza basada en clases con la tutoría individualizada. Ambas involucran tareas similares — preparar contenido, explicar conceptos, evaluar comprensión —, pero sus flujos de trabajo son radicalmente diferentes.
Los profesores que dan clases preparan contenido con antelación, lo que facilita la automatización de partes del proceso. Los tutores, por otro lado, operan en un intercambio continuo con los alumnos, limitando las oportunidades de automatización. Como Shahidi explicó, la medida en que es posible automatizar flujos de trabajo usando IA es muy limitada en esta segunda ocupación. La forma en que las tareas aparecen en el flujo de trabajo de una función se vuelve determinante.
Este ejemplo deja claro que incluso cuando dos funciones comparten actividades parecidas, la manera en que esas actividades están organizadas puede afectar dramáticamente el valor que la IA consigue entregar.
No todo encadenamiento funciona
Otro punto importante que trae la investigación es que el encadenamiento de tareas no ocurre de forma aleatoria ni funciona igual en todos los casos. Cuando tareas adyacentes son adecuadas para la IA, pueden agruparse de forma eficiente. Pero cuando incluso una sola etapa es difícil para la IA, puede romper la cadena entera.
Shahidi fue directo al respecto: si una de las tareas de la secuencia es extremadamente difícil para la IA, esa única tarea va a comprometer toda la operación.
Esto lleva a un nuevo principio de diseño del trabajo que la investigación establece: cómo se agrupan las tareas importa tanto como cuáles tareas se automatizan. Las organizaciones necesitan mapear dependencias, identificar cuellos de botella y entender qué partes de un flujo son más susceptibles a la automatización inteligente. No es una tarea sencilla, pero es justamente aquí donde está la gran oportunidad. Las empresas que consigan hacer este rediseño de procesos con inteligencia tendrán una ventaja competitiva real y duradera frente a las que sigan usando la IA de forma fragmentada. 🚀
Por qué la eficiencia sistémica supera a la perfección en tareas individuales
Uno de los hallazgos más contraintuitivos de la investigación es que la IA no necesita superar a los humanos en cada tarea individual para generar valor. De hecho, las organizaciones pueden beneficiarse al asignar cadenas enteras de tareas a la IA incluso cuando los humanos podrían ejecutar algunas etapas de mejor manera.
La razón está en el costo de coordinación. Cada vez que el trabajo pasa de la IA a un humano, requiere revisión, validación y ajustes. Estos puntos de verificación desaceleran el sistema en su conjunto. En cambio, permitir que la IA se encargue de una secuencia de principio a fin puede eliminar fricciones, reducir transferencias de responsabilidad y acelerar la entrega — aunque la calidad de etapas individuales sea ligeramente inferior.
Como Shahidi señaló, lo que se ahorra en tiempo humano es significativo. Eliminar supervisión repetida puede compensar diferencias marginales de rendimiento en tareas específicas.
Esta perspectiva cambia completamente la forma en que los líderes deberían evaluar la inteligencia artificial: el foco debería estar menos en saber si la IA destaca en cada etapa individual y más en entender si mejora la eficiencia del flujo de trabajo en su conjunto. También refuerza la importancia de la adyacencia de tareas. Cuando tareas compatibles con IA se agrupan, pueden ejecutarse en un flujo único. Cuando están dispersas o interrumpidas por tareas que la IA no puede realizar bien, los beneficios disminuyen considerablemente.
La redefinición de funciones que nadie está viendo llegar
Uno de los aspectos más relevantes del estudio es la forma en que aborda la redefinición de funciones dentro de las organizaciones. La narrativa común sobre IA en el mercado laboral todavía gira mucho en torno a la sustitución de empleos, pero la investigación presenta una visión más matizada y, en la práctica, mucho más útil para quien necesita tomar decisiones sobre cómo implementar esta tecnología.
Históricamente, las funciones profesionales se definieron como conjuntos de tareas que son más eficientes para un humano ejecutar. La IA cambia esa ecuación al reducir el costo de ciertas actividades y posibilitar nuevas combinaciones de trabajo, según Shahidi.
Cuando la IA asume flujos completos, los roles humanos no desaparecen — migran. Por ejemplo, si la IA consigue automatizar varias tareas rutinarias dentro de una función, los colaboradores pueden asumir responsabilidades adicionales, frecuentemente trabajo de mayor valor o que requiere más criterio. Las personas dejan de ejecutar etapas operativas y pasan a actuar en funciones de supervisión, estrategia, creatividad y resolución de excepciones, que son exactamente los puntos donde la inteligencia humana todavía tiene una ventaja clara sobre cualquier modelo de lenguaje o sistema automatizado.
Con el tiempo, esto puede rediseñar la forma en que el trabajo se distribuye entre equipos y departamentos enteros.
Esta migración de funciones, sin embargo, no ocurre de forma automática ni indolora. Requiere capacitación, adaptación cultural y, principalmente, un liderazgo que entienda lo que está cambiando y sepa comunicarlo de forma clara a los equipos. El riesgo real no es que la IA quite empleos, sino que las organizaciones no consigan preparar a sus equipos para trabajar en conjunto con ella de forma productiva.
Las empresas que ignoran este proceso de transición tienden a acumular resistencia interna, subutilizar las herramientas que implementaron y perder las ganancias de eficiencia que esperaban obtener. La investigación del MIT Sloan refuerza que la transformación tecnológica necesita venir acompañada de una transformación organizacional igualmente profunda.
Vale destacar también que la redefinición de funciones abre espacio para perfiles profesionales que aún no existen de forma consolidada en el mercado. Especialistas en orquestación de IA, diseñadores de flujos automatizados, analistas de calidad de outputs generados por modelos de lenguaje y profesionales enfocados en ética y gobernanza de sistemas autónomos son ejemplos de funciones que tienden a crecer en los próximos años. Mirar este escenario con anticipación es un diferencial enorme, tanto para las empresas que quieren posicionarse bien como para los profesionales que quieren seguir siendo relevantes en un mercado cada vez más orientado por la tecnología. 💡
Eficiencia organizacional como resultado, no como punto de partida
Un error bastante común en la adopción de inteligencia artificial en las empresas es tratar la eficiencia organizacional como el objetivo inicial de la implementación, cuando en realidad debería ser el resultado de un proceso bien pensado.
Comprar una herramienta de IA esperando que automáticamente haga los procesos más eficientes es como contratar a un profesional altamente cualificado y ponerlo a trabajar sin ningún contexto ni dirección. El potencial está ahí, pero el entorno necesita estar preparado para aprovecharlo.
Para los líderes de negocio, esto transforma la adopción de IA de una pura decisión tecnológica en un desafío más amplio de diseño organizacional. El estudio deja claro que las mayores ganancias de eficiencia aparecen cuando las organizaciones rediseñan sus flujos de trabajo con la IA en mente desde el inicio, y no cuando intentan encajar la tecnología en procesos que fueron creados para ser ejecutados por humanos.
Herramientas que usamos a diario
La importancia de tener paciencia con los resultados
El estudio también exige una dosis de realismo. Muchas empresas esperan retornos rápidos de las inversiones en IA, pero la investigación sugiere que las ganancias realmente significativas surgen solo después de que las organizaciones adaptaron sus flujos de trabajo y construyeron capacidad suficiente para operar de forma diferente.
Como Shahidi explicó, hasta alcanzar ese umbral, los costos de adoptar la IA dominan las ganancias. Solo después de ese punto es que reestructurar el trabajo en torno a la inteligencia artificial comienza a entregar beneficios medibles.
Esto tiene implicaciones prácticas bastante concretas. Una empresa que decide implementar automatización basada en IA en sus procesos de atención al cliente, por ejemplo, obtendrá resultados muy diferentes dependiendo de cómo estructura esa implementación. Si el camino elegido es simplemente añadir un chatbot encima de un flujo ya existente, la ganancia será marginal y la experiencia del usuario probablemente se verá afectada. Pero si la empresa rediseña el flujo completo de atención, identificando qué etapas la IA puede encadenar de forma autónoma y cuáles necesitan supervisión humana, el resultado es una operación más ágil, más consistente y mucho menos dependiente del volumen de equipo para escalar.
La diferencia entre estos dos caminos es justamente lo que el estudio llama visión sistémica de los flujos de trabajo.
Rediseñar el flujo, no solo agregar IA a él
Las organizaciones que tratan la IA como una herramienta plug-and-play pueden ver mejoras incrementales. En cambio, aquellas que replantean cómo está estructurado el trabajo — agrupando tareas compatibles con IA, reduciendo transferencias innecesarias y rediseñando flujos de trabajo — tienen muchas más posibilidades de desbloquear el potencial completo de la tecnología.
La frase de Shahidi que quizás mejor resume toda la investigación es directa: no se trata de cómo voy a introducir IA en mi flujo de trabajo existente, sino de cómo puedo rediseñar mi flujo de trabajo de una forma que sea más compatible con la IA.
En el fondo, lo que la investigación está diciendo es que la inteligencia artificial es una tecnología de rediseño organizacional, no solo de productividad individual. Las empresas que entiendan esto primero van a llevar ventaja. Y las que sigan usando la IA como un asistente puntual van a notar, tarde o temprano, que están compitiendo con organizaciones que ya operan con una lógica completamente diferente.
La brecha entre estos dos grupos tiende a crecer rápidamente, y el momento de repensar la forma en que la IA se integra a los procesos es ahora. ⚡
El estudio Chaining Tasks, Redefining Work: A Theory of AI Automation, desarrollado por investigadores del MIT Sloan en colaboración con la Universidad de Yale y Microsoft, está disponible para acceso público y ofrece una base teórica sólida para cualquier organización que quiera entender cómo estructurar su camino de automatización de forma más estratégica y orientada a resultados reales.
