Cómo la IA Está Transformando Flujos de Trabajo y Redefiniendo Profesiones
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. Redactar correos electrónicos, resumir documentos, generar fragmentos de código… son tareas puntuales, aisladas, y por más que ayuden, están lejos de mostrar lo que la IA realmente puede hacer.
¿Y si el problema no fuera la herramienta en sí, sino la forma en que las empresas están entendiendo su uso?
Es exactamente lo que una nueva investigación del MIT Sloan School of Management pone en discusión. El estudio, titulado Chaining Tasks, Redefining Work: A Theory of AI Automation, plantea una perspectiva diferente sobre cómo la IA genera valor, y la respuesta no está en las tareas individuales. Está en los flujos de trabajo como un todo.
El paper fue escrito por Peyman Shahidi, doctorando en el MIT Sloan, en colaboración 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, investigador sénior de Microsoft Research. El equipo reúne especialistas en economía del trabajo, ciencias de la computación teórica y diseño de mercados, lo que ayuda a explicar por qué la investigación va mucho más allá de lo obvio sobre automatización.
Los investigadores argumentan que el impacto real de la Inteligencia Artificial ocurre cuando se observa la secuencia completa de tareas dentro de una función, y no cada etapa por separado. Esto cambia bastante la conversación sobre automatización, eficiencia y hasta sobre el futuro de las profesiones. Vamos a entender cómo esta investigación puede transformar la forma en que las empresas piensan sobre la IA 👇
La Forma Equivocada de Usar IA en las Empresas
La mayoría de las organizaciones todavía trata a la Inteligencia Artificial como una colección de herramientas separadas, cada una resolviendo un problema específico aquí y allá. Un asistente para responder correos, otro para generar informes, otro para sugerir fragmentos de código. En la práctica, esto crea una experiencia fragmentada, donde la IA entra en escena por un momento y después se retira mientras el trabajo humano retoma el control de la situación.
Ese modelo funciona, pero funciona mal. Cuando introduces IA en puntos aislados de un proceso, la ganancia de eficiencia es real, pero limitada. Es como cambiar una única pieza de un motor sin mirar el sistema entero. El coche anda un poquito mejor, pero el potencial total del motor nunca se aprovecha de verdad.
Y es exactamente ese el punto central que el estudio del MIT Sloan plantea: la unidad de análisis equivocada está distorsionando la forma en que las empresas miden y aplican el valor de la IA. Como Peyman Shahidi lo expresó de forma muy directa, la cuestión central ya no es simplemente cómo la IA mejora una tarea individual. El objetivo ahora es entender el efecto de la IA en un nivel más amplio, a nivel de sistema, y no como herramientas puntuales de productividad aplicadas tarea por tarea.
Cuando el foco está en la tarea individual, las decisiones sobre dónde aplicar automatización también quedan distorsionadas. Las empresas terminan priorizando lo que es más fácil de automatizar en lugar de lo que generaría más impacto si se automatizara dentro de un contexto mayor. El resultado es un uso de la tecnología que impresiona en las presentaciones, pero que cambia poco la realidad operativa del negocio en el día a día.
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 Flujos de Trabajo Son la Clave, No las Tareas
El gran giro que el estudio propone es simple de entender, pero profundo en sus implicaciones: en vez de preguntar qué tareas puede hacer la IA, las empresas deberían preguntar qué flujos de trabajo completos puede transformar la IA.
Este cambio de perspectiva parece pequeño, pero lo cambia todo. Un flujo de trabajo es una secuencia de tareas conectadas e interdependientes que, juntas, producen un resultado. La investigación creó modelos de cómo estas tareas se secuencian y conectan en flujos del mundo real, estableciendo un nuevo framework para entender cómo el trabajo realmente sucede. Cuando automatizas solo una de esas tareas, el flujo sigue necesitando intervención humana en las demás etapas, y ahí la ganancia real disminuye bastante.
Los investigadores argumentan que es en la conexión entre las tareas, en lo que ellos llaman task chaining o encadenamiento de tareas, donde la IA muestra su valor máximo. Imagina un proceso de análisis de datos que involucra recolección, limpieza, interpretación y generación de informe. Si la IA solo se encarga de la recolección, alguien todavía necesita limpiar los datos, interpretar los resultados y armar el informe. Pero si ella se encarga de toda la cadena, la ganancia de eficiencia es exponencial, no lineal. Esto transforma a la IA de una herramienta de apoyo a un agente central dentro de los procesos organizacionales.
No todo encadenamiento funciona de la misma manera
Un detalle importante de la investigación es que no todas las cadenas de tareas son iguales. Cuando tareas adyacentes son adecuadas para la IA, pueden agruparse de forma eficaz en un flujo continuo. Sin embargo, cuando una sola etapa de la secuencia es demasiado difícil para la IA, esto puede romper toda la cadena.
Shahidi fue muy directo en este punto: si una de las tareas es extremadamente difícil para la IA, esa única tarea va a comprometer toda la operación. Esto significa que, a la hora de planificar la automatización, no basta con mirar las tareas fáciles. Es necesario identificar los cuellos de botella que pueden interrumpir el flujo automatizado y decidir cómo manejarlos.
Este descubrimiento lleva a un nuevo principio de diseño de trabajo que la investigación destaca con bastante énfasis: la forma en que las tareas se agrupan importa tanto como cuáles tareas se automatizan. Es un cambio de paradigma que exige repensar la estructura de los procesos antes de salir implementando cualquier herramienta de IA.
El ejemplo que lo deja todo más claro
Los investigadores usan un ejemplo muy didáctico para ilustrar esta idea: la diferencia entre un profesor que da clases expositivas y un tutor que trabaja individualmente con alumnos. Ambas funciones involucran tareas similares, como explicar conceptos, crear ejercicios y evaluar comprensión. Pero los flujos de trabajo son completamente diferentes.
El profesor prepara contenido con anticipación, sigue una estructura más predecible y consigue separar etapas de forma clara. Esto facilita la automatización de partes del proceso. En cambio, el tutor trabaja en una dinámica continua de ida y vuelta con el alumno, reaccionando en tiempo real y adaptando la enseñanza a cada respuesta. Ese flujo es mucho más difícil de encadenar para la IA.
Como Shahidi explicó, la capacidad de automatizar flujos de trabajo usando IA es muy limitada en esta segunda ocupación. Es justamente la forma en que las tareas aparecen dentro del flujo de trabajo de cada profesión lo que determina el potencial de automatización, no las tareas en sí.
Este concepto también redefine cómo debemos pensar sobre cuáles funciones son más impactadas por la Inteligencia Artificial. No son necesariamente las funciones con las tareas más fáciles de automatizar. Son las funciones cuyos flujos de trabajo tienen mayor potencial de encadenamiento, es decir, donde las tareas se conectan de forma lógica y secuencial lo suficiente como para que la IA pueda operar de punta a punta con poca o ninguna interrupción humana.
Por Qué la Eficiencia de Sistema Supera la Perfección en Cada Tarea
Uno de los descubrimientos más contraintuitivos de la investigación es este: la IA no necesita superar a los humanos en todas las tareas individuales para generar valor significativo. De hecho, las organizaciones pueden beneficiarse al asignar cadenas enteras de tareas a la IA, incluso cuando los humanos harían algunas de esas etapas mejor de forma aislada.
El motivo es el costo de coordinación. Cada vez que el trabajo pasa de la IA a un humano, es necesario revisar, validar y ajustar lo que se hizo. Esos puntos de verificación desaceleran el sistema como un todo. Por otro lado, permitir que la IA se encargue de una secuencia de principio a fin elimina fricciones, reduce transferencias entre personas y máquinas y acelera la entrega, incluso si la calidad de cada etapa individual es ligeramente inferior a lo que un humano haría.
Shahidi destacó que en este modelo se ahorra tiempo humano, y que eliminar supervisiones repetidas puede compensar diferencias marginales de rendimiento entre humano y máquina en cada tarea específica.
Esto cambia completamente la forma en que los líderes deberían evaluar la IA. En lugar de medir si es excelente en cada etapa individual, el foco debería estar en saber si mejora la eficiencia del flujo de trabajo completo. Esta perspectiva también refuerza la importancia de la adyacencia de tareas. Cuando tareas adecuadas para la IA están agrupadas, pueden ejecutarse en un único flujo continuo. Cuando están dispersas o interrumpidas por tareas que la IA no domina, los beneficios disminuyen considerablemente.
El Impacto Real en el Diseño Organizacional
Cuando empiezas a ver la IA desde el ángulo de los flujos de trabajo completos, las consecuencias para el diseño organizacional son enormes. Las empresas necesitan repensar no solo dónde entra la tecnología, sino cómo están estructurados los equipos, qué roles tienen sentido y cómo se distribuye el trabajo entre humanos y sistemas automatizados. Esto no es una discusión futurista. Es una necesidad presente para cualquier empresa que quiera competir en serio en los próximos años.
Históricamente, las funciones profesionales se definieron como paquetes de tareas que son más eficientes cuando las realiza un humano. La IA cambia esa ecuación al reducir el costo de ciertas actividades y permitir nuevas combinaciones de trabajo. Si la IA consigue automatizar varias tareas rutinarias dentro de un rol, los empleados pueden asumir responsabilidades adicionales, muchas veces trabajo de mayor valor que requiere juicio humano y análisis crítico.
El estudio sugiere que las organizaciones que van adelante no son las que tienen acceso a las herramientas de IA más sofisticadas, sino las que rediseñan sus procesos internos para aprovechar el encadenamiento de tareas. Esto exige una lectura honesta de cómo el trabajo realmente ocurre dentro de la empresa, mapeando cada etapa, cada dependencia, cada punto de decisión. Es un ejercicio de diseño organizacional antes de ser un ejercicio tecnológico, y muchas empresas todavía no se han dado cuenta de eso.
También hay una consecuencia directa para las personas dentro de estas organizaciones. A medida que los flujos de trabajo se automatizan de forma más amplia, los roles humanos se desplazan. En lugar de ejecutar tareas, las personas pasan a supervisar sistemas, tomar decisiones en puntos críticos y lidiar con excepciones que la IA todavía no sabe resolver. Esto no significa necesariamente menos empleos, pero sí significa empleos diferentes, con habilidades diferentes y con una relación completamente nueva con la tecnología en el entorno laboral. Con el tiempo, esto puede rediseñar la distribución del trabajo entre equipos y funciones enteras dentro de las empresas.
Herramientas que usamos a diario
La Paciencia Es Parte del Proceso
Un punto que la investigación destaca y que muchas empresas ignoran es la cuestión del tiempo. Para los líderes de negocio, la adopción de IA deja de ser una decisión puramente tecnológica y se convierte en un desafío más amplio de diseño organizacional. Y ese tipo de cambio no ocurre de la noche a la mañana.
Muchas empresas esperan retornos rápidos de sus inversiones en IA, pero la investigación indica que las ganancias reales frecuentemente solo aparecen después de que las organizaciones adaptan sus flujos de trabajo y construyen capacidad suficiente para operar en este nuevo modelo.
Shahidi fue muy claro al respecto: hasta alcanzar ese punto de madurez, los costos de adoptar la IA dominan las ganancias. Solo después de superar ese umbral es que la reestructuración del trabajo en torno a la IA comienza a entregar beneficios medibles. Es decir, existe un periodo de inversión y adaptación por el que las empresas necesitan pasar antes de cosechar los frutos reales.
Qué Cambia en la Práctica con Esta Visión
Adoptar esta perspectiva orientada a flujos tiene implicaciones prácticas muy concretas. El primer paso es mapear los procesos de la empresa con una mirada nueva, identificando no dónde la IA puede ayudar en una tarea específica, sino dónde puede asumir una secuencia entera de actividades con coherencia y consistencia. Este mapeo suele revelar oportunidades que pasan desapercibidas cuando el foco está en las tareas aisladas, y muchas veces esas oportunidades están justamente en los procesos más repetitivos y estructurados del negocio.
El segundo paso es entender que la automatización orientada a flujos exige integración entre sistemas. No sirve de nada tener una IA excelente en generación de texto si no consigue conectarse con el sistema de CRM, el historial del cliente y las reglas de negocio de la empresa dentro de un mismo proceso. La infraestructura tecnológica necesita estar preparada para soportar ese encadenamiento, y esto muchas veces requiere inversiones en integración de datos y arquitectura de sistemas que van más allá de la simple adopción de una herramienta nueva.
El tercer paso es repensar la mentalidad sobre lo que significa adoptar IA. La frase que quizás mejor resume el espíritu de la investigación vino del propio Shahidi: 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 amigable para la IA. Esa inversión de lógica es lo que separa a las empresas que usan IA de forma superficial de aquellas que realmente transforman sus operaciones.
Por último, hay un cambio cultural necesario. Los equipos necesitan entender que el papel de la IA no es reemplazar lo que ellos hacen, sino asumir las partes del trabajo que pueden ser estructuradas y automatizadas para que las personas se concentren en lo que realmente requiere juicio humano. Las organizaciones que tratan a la IA como una herramienta que se encaja en los procesos existentes pueden ver mejoras incrementales. En cambio, aquellas que repiensan la estructura del trabajo, agrupando tareas compatibles con la IA, reduciendo transferencias innecesarias y rediseñando flujos, tienen muchas más posibilidades de desbloquear el potencial completo de esta tecnología.
Cuando esa mentalidad está bien establecida, la adopción de la tecnología ocurre con mucha menos resistencia y mucho más resultado. Y ahí, sí, el potencial real de la Inteligencia Artificial empieza a aparecer de verdad en los números del negocio. 🚀
