Cómo la IA está transformando flujos de trabajo y redefiniendo funciones en las empresas
Inteligencia artificial para responder correos electrónicos, resumir documentos o generar código ya se convirtió en rutina en muchas empresas. La mayoría de las organizaciones ve la IA como una herramienta de productividad puntual, algo que conectas a una tarea específica y esperas que se haga más rápido. Pero ¿y si ese uso puntual estuviera dejando completamente de lado el mayor potencial de la tecnología?
Es exactamente eso lo que una nueva investigación del MIT Sloan School of Management está poniendo sobre la mesa. El estudio, titulado Chaining Tasks, Redefining Work: A Theory of AI Automation, sostiene que el verdadero impacto de la IA no está en optimizar tareas aisladas, sino en cómo puede reorganizar flujos de trabajo enteros, cambiando la forma en que las actividades se secuencian, agrupan y distribuyen entre humanos y máquinas.
La investigación fue conducida por Peyman Shahidi, doctorando en el MIT Sloan, en coautoría con Mert Demirer y John Horton, ambos también del MIT Sloan, además de Nicole Immorlica, de la Universidad de Yale y Microsoft, y Brendan Lucier, de Microsoft Research.
En otras palabras, la pregunta que las empresas deberían estar haciéndose no es cómo la IA puede ayudarme en esta tarea específica, sino cómo puedo rediseñar mi flujo de trabajo para aprovechar mejor lo que la IA tiene para ofrecer.
Parece un cambio sutil, pero marca toda la diferencia en los resultados. 🚀
Lo que la investigación del MIT realmente descubrió
El estudio conducido por el MIT Sloan no es un análisis superficial más sobre tendencias de mercado. Los investigadores profundizaron en la teoría y crearon modelos que representan cómo las tareas se secuencian y conectan en flujos de trabajo reales. A partir de eso, llegaron a una conclusión que va en contra de lo que la mayoría de las empresas practica hoy.
La lógica dominante sigue siendo simple: tomas una tarea que consume tiempo, conectas una herramienta de inteligencia artificial a ella y listo, el problema está resuelto. Pero los datos muestran que ese enfoque, aunque genera alguna ganancia, está muy lejos de capturar lo que la tecnología realmente puede entregar. El verdadero salto de productividad ocurre cuando la IA no solo se encaja en un proceso existente, sino cuando ese proceso se replantea desde cero teniendo en cuenta lo que la IA hace bien y lo que todavía depende del juicio humano.
Como Shahidi resumió de forma bastante directa: la cuestión central ya no es solo cómo la IA mejora una única tarea, sino entender el efecto de ella a un nivel más amplio de sistema, y no solo como herramientas puntuales de productividad a nivel de cada tarea individual.
La investigación introduce el concepto de encadenamiento de tareas (task chaining), que es básicamente la idea de que las actividades dentro de un flujo de trabajo no existen de forma independiente. Se conectan, dependen unas de otras y forman una cadena. Cuando automatizas solo un eslabón de esa cadena sin considerar los demás, el impacto es limitado. Pero cuando rediseñas la cadena entera pensando en dónde la IA puede asumir, dónde puede apoyar y dónde el humano necesita tener el control, el resultado es una transformación real en los flujos de trabajo.
Y aquí entra un detalle crucial: no todas las cadenas son iguales. Cuando tareas adyacentes son adecuadas para la IA, pueden agruparse de forma eficiente. Sin embargo, cuando incluso una sola etapa es difícil para la IA, puede romper toda la cadena. Shahidi fue directo en este punto al explicar que si una de las tareas es extremadamente difícil para la IA, esa única tarea va a comprometer toda la operación.
Otro punto importante planteado por el estudio es que esta reorganización no es neutra en términos de impacto en las personas. Cuando los flujos cambian, las funciones cambian con ellos. Algunas tareas que antes requerían horas de trabajo humano pasan a ejecutarse en segundos por la IA, mientras surgen nuevas responsabilidades que exigen capacidades más analíticas, creativas y relacionales. Esto no es necesariamente malo, pero requiere que las empresas estén preparadas para gestionar esa transición con atención e inteligencia, tanto desde el punto de vista tecnológico como humano.
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 ejemplo que lo aclara todo: profesores y tutores
Para ilustrar cómo el mismo conjunto de habilidades puede generar oportunidades de automatización completamente diferentes dependiendo del flujo de trabajo, los investigadores usaron un ejemplo bastante intuitivo: la diferencia entre enseñanza en el aula y tutoría individual.
Ambas actividades involucran tareas similares, como explicar conceptos, crear materiales didácticos y evaluar la comprensión de los alumnos. Pero los flujos de trabajo son bastante diferentes. Un profesor que da clases tradicionales prepara el contenido con anticipación, lo que permite que partes significativas de ese proceso sean automatizadas por la IA, como la creación de diapositivas, la estructuración de planes de clase e hasta la generación de ejercicios.
En cambio, un tutor opera en un flujo continuo de ida y vuelta con el alumno. Cada respuesta depende de la anterior, cada explicación necesita adaptarse en tiempo real al nivel de comprensión de quien está aprendiendo. Ese tipo de interacción dinámica e impredecible limita mucho las oportunidades de automatización.
Como Shahidi explicó, la capacidad de automatizar flujos de trabajo usando IA es muy limitada en esa segunda ocupación. La forma en que esas tareas aparecen en el flujo de trabajo de una profesión se convierte en un factor determinante.
Este ejemplo es poderoso porque muestra que el análisis no puede hacerse solo mirando las tareas de forma aislada. Dos funciones con actividades casi idénticas pueden tener potenciales de automatización radicalmente diferentes, simplemente por la forma en que esas actividades están organizadas en el día a día.
Por qué la eficiencia del sistema importa más que la perfección de cada etapa
Uno de los hallazgos más contraintuitivos de la investigación es que la IA no necesita superar a los humanos en todas las tareas individuales para generar valor real. En la práctica, las organizaciones pueden beneficiarse al asignar cadenas enteras de tareas a la IA, incluso cuando los humanos podrían ejecutar algunas de esas etapas con calidad superior.
La razón detrás de esto son los costos de coordinación. Cada vez que el trabajo pasa de la IA a un humano y viceversa, requiere revisión, validación y ajuste. Esos puntos de verificación desaceleran el sistema en su conjunto. En cambio, permitir que la IA se encargue de una secuencia completa de punta a punta puede eliminar fricciones, reducir transferencias innecesarias y acelerar la entrega final, incluso si la calidad de algunas etapas individuales es ligeramente inferior.
Shahidi explicó que esa ganancia proviene del ahorro de tiempo humano, destacando que eliminar supervisión repetida puede compensar diferencias marginales de rendimiento en etapas aisladas.
Esto cambia completamente la forma en que los líderes deberían evaluar la IA dentro de sus organizaciones. En lugar de preguntar si la IA es mejor que un humano en cada paso del proceso, la pregunta debería ser: ¿la IA mejora la eficiencia del flujo de trabajo en su conjunto? Ese cambio de perspectiva es lo que separa una adopción superficial de una transformación real.
Este principio también refuerza la importancia de la adyacencia de tareas. Cuando tareas compatibles con la IA están agrupadas, pueden ejecutarse en un flujo único y continuo. Cuando están dispersas o interrumpidas por etapas que la IA no logra resolver bien, los beneficios disminuyen considerablemente.
La diferencia entre automatizar tareas y rediseñar procesos
Existe una distinción fundamental que el estudio del MIT deja muy clara, y es más importante de lo que parece a primera vista. Automatizar una tarea significa usar la IA para hacer más rápido algo que un humano ya hacía. Rediseñar un proceso significa cuestionar si esa tarea necesita existir de la forma en que existe, si puede hacerse en un orden diferente, si puede combinarse con otra, o si puede eliminarse completamente porque la IA resuelve el problema de una forma totalmente nueva.
Son dos niveles completamente diferentes de automatización, y las ganancias de productividad entre ellos son igualmente diferentes. Empresas que se quedan en el primer nivel consiguen algo de eficiencia, pero las que llegan al segundo nivel cambian las reglas del juego.
Un ejemplo práctico ayuda a entenderlo mejor. Imagina un equipo de marketing que necesita crear informes de rendimiento de campañas cada semana. El enfoque más común hoy sería usar la IA para redactar el texto del informe con base en los datos proporcionados, lo que ya ahorra tiempo. Pero el enfoque de rediseño de proceso sería diferente. Cuestionaría por qué el informe necesita crearse manualmente en primer lugar, conectaría las fuentes de datos directamente a un sistema con IA, generaría análisis automáticos con los principales insights y entregaría un documento personalizado para cada stakeholder con el nivel de detalle que cada uno necesita. El resultado final no solo es más rápido, es cualitativamente superior, porque la inteligencia artificial no solo sustituyó una etapa, transformó el proceso entero.
Esta diferencia de mentalidad también tiene un impacto directo en la forma en que los equipos interactúan con la tecnología. Cuando el foco está en automatizar tareas puntuales, las personas tienden a ver la IA como una herramienta de soporte, algo que ayuda, pero no cambia la esencia del trabajo. Cuando el foco está en rediseñar procesos, la IA pasa a ser una parte estructural de la forma en que el trabajo se organiza y ejecuta. Esto exige un cambio cultural que va más allá de capacitaciones sobre cómo usar una herramienta nueva, pasa por una revisión de cómo la empresa piensa sobre productividad, colaboración y creación de valor.
Cómo la IA está redefiniendo funciones y responsabilidades
Históricamente, las funciones profesionales se definieron como paquetes de tareas que tienen más sentido cuando las ejecuta una misma persona. La IA cambia esa ecuación al reducir el costo de ciertas actividades y posibilitar nuevas combinaciones de trabajo que antes no eran viables.
Por ejemplo, si la IA logra automatizar varias tareas rutinarias dentro de una función, los profesionales pueden asumir responsabilidades adicionales, frecuentemente trabajos que exigen más juicio, análisis crítico y toma de decisiones. Con el tiempo, esto rediseña la forma en que el trabajo se distribuye entre equipos y departamentos enteros.
Esta dinámica transforma la adopción de IA de una decisión puramente tecnológica en un desafío de diseño organizacional. No basta con elegir la herramienta correcta. Es necesario repensar cómo están estructurados los equipos, qué competencias son prioritarias y cómo los flujos de información circulan dentro de la organización.
Y este proceso exige paciencia. Muchas empresas esperan retornos rápidos de las inversiones en IA, pero la investigación del MIT indica que las ganancias realmente significativas solo aparecen después de que las organizaciones adaptan sus flujos de trabajo y construyen capacidad suficiente para operar de una nueva forma.
Como Shahidi señaló, hasta alcanzar ese umbral, los costos de adopción de la IA dominan las ganancias. Solo después de ese punto es que la reestructuración del trabajo en torno a la IA comienza a entregar beneficios medibles.
Por qué la mayoría de las empresas todavía está en la etapa básica
Si el potencial del rediseño de procesos es tan claro, ¿por qué la mayoría de las empresas todavía usa la IA de forma tan superficial? La respuesta involucra una combinación de factores que van desde la presión por resultados rápidos hasta la dificultad real de mapear y cuestionar procesos que existen desde hace años.
Muchas organizaciones adoptan herramientas de IA con el objetivo de demostrar que están actualizadas, pero sin un plan claro de cómo integrar esa tecnología de forma estratégica. El resultado es un conjunto de soluciones puntuales que generan algo de eficiencia, pero no se acercan ni de lejos a lo que sería posible con un enfoque más estructurado de redefinición de trabajo.
Además, rediseñar flujos de trabajo exige un nivel de análisis y cuestionamiento que va en contra de la lógica operacional de muchas empresas. Los procesos establecidos tienen inercia. Las personas están acostumbradas a ellos, fueron capacitadas para ejecutarlos de una forma específica y muchas veces se resisten a cambios que perciben como amenazas a sus funciones. El estudio del MIT señala que superar esa resistencia es uno de los mayores desafíos en la implementación de automatización de alto impacto, y que las empresas que logran hacerlo de forma bien comunicada y planificada sacan una ventaja significativa.
Herramientas que usamos a diario
También hay un componente técnico relevante. Para rediseñar procesos con IA, es necesario tener una comprensión razonablemente profunda de lo que los sistemas de inteligencia artificial disponibles hoy logran hacer, dónde son confiables, dónde cometen errores y cómo pueden combinarse en secuencias más complejas. Ese conocimiento todavía no es común en los liderazgos de muchas empresas, lo que crea una brecha entre el potencial de la tecnología y la capacidad real de aprovecharla. Cerrar esa brecha es una de las inversiones más estratégicas que una organización puede hacer en este momento.
Qué cambia en la práctica cuando los flujos se rediseñan
Cuando una empresa realmente adopta la lógica de rediseño de flujos de trabajo con IA, los resultados aparecen en varias dimensiones al mismo tiempo. La velocidad de ejecución aumenta, pero no es solo eso. La calidad de las entregas mejora porque la IA logra procesar volúmenes de información que serían inviables para un humano en tiempo hábil. La consistencia también aumenta, ya que procesos automatizados no tienen días malos, no se distraen y no cometen los mismos tipos de errores humanos.
Todo esto junto crea un ambiente donde las personas pueden enfocarse en lo que realmente exige su juicio, creatividad y capacidad de relacionarse, mientras la IA se encarga de las capas más operativas y repetitivas del trabajo.
Desde el punto de vista de la productividad, los números pueden ser expresivos. El estudio del MIT y otras investigaciones recientes en el área indican que empresas que adoptan un enfoque de rediseño de procesos consiguen ganancias de eficiencia significativamente mayores que aquellas que solo agregan herramientas de IA a flujos existentes. En algunas áreas, como atención al cliente, análisis de datos y desarrollo de contenido, la diferencia puede ser de varias veces en términos de volumen de trabajo producido con el mismo equipo. Esto tiene implicaciones directas en la competitividad de las empresas, especialmente en mercados donde la velocidad de ejecución es un diferencial importante.
Un nuevo principio de diseño de trabajo
La investigación del MIT nos lleva a un principio que parece simple cuando lo lees, pero que tiene implicaciones profundas: la forma en que las tareas se agrupan importa tanto como cuáles tareas se automatizan.
Esto significa que dos empresas usando exactamente la misma tecnología de IA pueden obtener resultados radicalmente diferentes, simplemente por cómo organizaron sus procesos alrededor de esa tecnología. Una puede tener ganancias marginales, mientras la otra puede transformar completamente su operación.
La redefinición de trabajo también crea oportunidades para que los equipos desarrollen nuevas competencias. Con menos tiempo dedicado a tareas repetitivas y más espacio para actuar en decisiones estratégicas, las personas tienden a desarrollar un entendimiento más profundo del negocio, una visión más sistémica de los procesos y una capacidad mayor de identificar oportunidades de mejora.
Organizaciones que tratan la IA como una herramienta plug-and-play pueden ver mejoras incrementales. En cambio, aquellas que replantean cómo el trabajo está estructurado, agrupando tareas compatibles con la IA, reduciendo transferencias innecesarias y rediseñando flujos, tienen muchas más chances de desbloquear el potencial real de la tecnología.
Como Shahidi lo planteó de forma bastante directa: no se trata de cómo introducir la IA en mi flujo de trabajo existente, sino de cómo rediseñar mi flujo de trabajo de una forma que sea más amigable para la IA.
Ese es un ciclo virtuoso que comienza con la automatización inteligente y termina con equipos más capacitados, más comprometidos y más preparados para lo que viene en el universo de la inteligencia artificial. 💡
