Una empresa puede producir el doble de informes y seguir entendiendo lo mismo. Puede responder más correos sin resolver mejor los problemas de sus clientes. Puede llenar su calendario de publicaciones y continuar sin una razón convincente para que alguien la elija. Acelerar es tentador porque se nota. Mejorar obliga a pensar un poco más.
Por eso, una estrategia empresarial con inteligencia artificial empieza con una pregunta incómoda: si ahora podemos hacer mucho más, ¿qué merece realmente que lo hagamos? La respuesta define qué procesos cambian, qué decisiones conservan las personas y qué posibilidades nuevas puede explorar el negocio. Sin esa conversación, la tecnología corre el riesgo de convertirse en una máquina muy eficiente para amplificar nuestras costumbres.
En su conversación con HBR sobre cómo la IA está cambiando la estrategia, Ethan Mollick plantea que las organizaciones necesitan revisar sus objetivos, su estructura y la combinación de capacidades humanas y artificiales. Su argumento va bastante más allá de ahorrar minutos: cuando cambian las capacidades disponibles, también cambia el tipo de empresa que podemos construir. 
Me interesa llevar esa idea a una pregunta práctica para quienes dirigen equipos, trabajan por cuenta propia o tienen una pyme: ¿cómo usamos esta nueva capacidad para entregar algo mejor, sin terminar administrando una montaña de trabajo que nadie necesitaba? Porque un cerro de documentos sigue siendo un cerro de documentos, aunque ahora venga con subtítulos y un resumen ejecutivo impecable.
La estrategia empresarial con inteligencia artificial comienza por el resultado
El primer cambio consiste en distinguir el resultado que buscamos de los objetos que producimos para alcanzarlo. Un informe, una presentación, una propuesta o una pieza de código pueden ser útiles. Pero su utilidad depende de lo que permiten hacer después: decidir, vender, resolver, aprender o entregar un servicio que funciona.
Cuando olvidamos esa diferencia, terminamos defendiendo procedimientos como si fueran el propósito del negocio. La reunión existe porque siempre hubo reunión. El documento tiene veinte páginas porque el anterior tenía veinte páginas. Nadie pregunta si la decisión podría tomarse con una comparación breve y una conversación bien preparada.
La IA vuelve más visible esa confusión porque facilita producir muchos de esos objetos intermedios. Si conseguir un borrador deja de ser el principal esfuerzo, necesitamos revisar qué parte del trabajo merece atención. Quizás el valor estaba en entrevistar a un cliente, interpretar una contradicción o decidir entre dos caminos, y nosotros lo habíamos escondido bajo la elaboración del documento.
Pensemos en un ejemplo hipotético: una consultora pequeña entrega diagnósticos a negocios familiares. Antes, su equipo dedicaba buena parte de la semana a ordenar información y escribir el informe. Con IA, puede acelerar ese trabajo. La pregunta estratégica es qué cambia para el cliente. ¿Recibe un documento antes? ¿Comprende mejor su problema? ¿Puede poner en práctica una recomendación que antes quedaba abandonada?
Las tres posibilidades representan negocios distintos. La primera compite por rapidez. La segunda pone el foco en claridad. La tercera convierte el diagnóstico en acompañamiento. La tecnología puede contribuir a todas, pero la empresa necesita elegir cuál corresponde a su promesa y a sus capacidades.
Una manera útil de empezar es completar esta frase: «Nuestro cliente nos paga para que pueda…». Conviene terminarla con una consecuencia concreta. Recuperar tiempo, reducir errores, decidir una compra, aprender una habilidad, mantener funcionando una operación. Si la respuesta termina en «recibir un informe», todavía podemos preguntar para qué quiere ese informe.
Ese ejercicio también sirve hacia adentro. ¿Para qué existe la revisión semanal? ¿Qué decisión habilita el reporte comercial? ¿Quién usa la información y cómo? Una estrategia comienza a tomar forma cuando esas preguntas tienen respuestas compartidas. Después podemos conversar sobre herramientas. Antes necesitamos saber qué queremos conseguir con ellas.
Por qué la productividad individual puede perderse dentro de la empresa
Mollick insiste en una distinción decisiva: una mejora en el rendimiento de una persona no se convierte automáticamente en una mejora de la organización. Entre ambas existe un proceso completo, con dependencias, aprobaciones, incentivos y criterios de calidad. Si ese proceso sigue igual, puede absorber buena parte del beneficio.
Imaginemos otra situación hipotética. Una persona prepara propuestas comerciales más rápido gracias a la IA. Su jefatura continúa revisándolas solo los viernes. Operaciones necesita confirmar disponibilidad antes de cada envío y esa confirmación sigue llegando por mensajes dispersos. La redacción mejoró, pero el cliente sigue esperando. El obstáculo se movió de lugar; el resultado final apenas cambió.
También puede ocurrir algo menos visible: producir se vuelve más fácil, entonces se produce más. Aparecen versiones adicionales, informes complementarios y nuevas reuniones para revisar lo que antes no existía. El tiempo que una persona ahorró se transforma en trabajo de lectura para otras tres. Hemos automatizado la escritura y socializado la pega de entenderla.
Por eso conviene mirar el recorrido completo. Desde que aparece una necesidad hasta que alguien la resuelve, ¿cuáles son los pasos? ¿Dónde se espera? ¿Qué información se pide dos veces? ¿Quién recibe un documento que nunca utiliza? El análisis debe seguir al problema del cliente, aunque para hacerlo tengamos que atravesar varias áreas.
El segundo elemento son los incentivos. Si evaluamos a un equipo por cantidad de piezas publicadas, la IA puede ayudarlo a publicar muchas más. Si lo evaluamos por propuestas enviadas, habrá más propuestas. Pero ninguna de esas cifras explica por sí sola si mejoró la experiencia del cliente o si estamos tomando mejores decisiones.
Una aplicación del argumento de Mollick consiste en revisar cada indicador y preguntar qué conducta estimula. Luego necesitamos añadir una medida del resultado que nos importa. Una propuesta debería evaluarse también por su pertinencia y por lo que permite avanzar. Una respuesta de atención debería considerarse junto con la resolución del problema. El volumen puede informar; necesita compañía.
Esto exige decidir qué haremos con el tiempo liberado. Podemos dedicarlo a conversar con clientes, explorar una oferta, mejorar la calidad o reducir una espera. Pero esa decisión debe aparecer en la planificación. Si solo anunciamos que ahora todos pueden hacer más, lo más probable es que cada persona haga más de aquello por lo que ya era premiada.
La pregunta útil deja de ser «¿cuánto tardaste en redactar?». Pasa a ser «¿qué resultado mejoró y qué cambió en el proceso para que esa mejora llegara al cliente?». Ahí la productividad individual comienza a transformarse en capacidad empresarial.
Repensar el negocio también significa revisar sus fronteras
En la conversación, Mollick describe cómo la IA vuelve más permeables los límites entre funciones. Personas dedicadas al diseño pueden acercarse al desarrollo; quienes trabajan con información comercial pueden construir prototipos; distintos perfiles pueden explorar tareas que antes requerían coordinar varias especialidades desde el primer minuto.
La consecuencia estratégica es que algunas divisiones del trabajo dejan de ser tan evidentes. Una frontera que parecía natural quizás existía porque producir cierto resultado era difícil o costoso. Si esa dificultad cambia, también podemos revisar quién participa, cuándo participa y qué necesita entregar para que otro continúe.
Eso no elimina el conocimiento especializado. Lo hace entrar en momentos distintos. En un ejemplo hipotético, una persona de ventas podría elaborar una primera propuesta de servicio con ayuda de IA. El equipo técnico tendría entonces algo concreto que revisar: supuestos, límites, tiempos y necesidades. Su experiencia se usaría para mejorar y validar una propuesta, en vez de empezar siempre desde una solicitud vaga.
Para una pyme, este cambio permite imaginar servicios que antes quedaban fuera de alcance. Una empresa que vende equipamiento podría explorar una orientación inicial para sus clientes. Una agencia podría construir una demostración antes de ofrecer un proyecto. Un negocio de capacitación podría preparar recorridos distintos según la dificultad que presenta cada participante.
Son posibilidades ilustrativas, no resultados garantizados. Para decidir si tienen sentido, necesitamos volver a tres preguntas: ¿el cliente necesita esto?, ¿tenemos criterio para evaluar su calidad?, ¿podemos integrarlo a una operación que responda por lo que entrega? La capacidad de generar algo no sustituye esas decisiones.
También aparece una pregunta sobre qué mantener dentro de la empresa. Si el equipo puede explorar un problema por sí mismo, quizás llegue mejor preparado a trabajar con un proveedor. Si una tarea se vuelve más accesible, quizás podamos acercarla al área que conoce al cliente. La discusión sobre comprar, contratar o desarrollar se vuelve más rica cuando comprendemos nuestras nuevas opciones.
Conviene dibujar el servicio completo y marcar dónde existe una frontera heredada: entre áreas, entre proveedores o entre etapas. Después podemos probar si esa separación sigue ayudando. Así revisamos la estructura desde el trabajo que necesita ocurrir, en vez de pedirle a la tecnología que respete para siempre el organigrama que encontró.
Liderazgo, laboratorio y comunidad: tres funciones que deben conversar
Para organizar esta transformación, Mollick propone combinar liderazgo, laboratorio y comunidad. El liderazgo define dirección y decisiones. El laboratorio prueba capacidades y construye maneras de trabajar. La comunidad aporta los descubrimientos de quienes conocen la operación cotidiana. Cada parte resuelve un problema distinto; el valor aparece cuando comparten lo que aprenden.
El autor desarrolla este esquema en su texto sobre liderazgo, laboratorio y comunidad. Allí vincula los beneficios organizacionales con cambios en procesos e incentivos y con la participación de quienes entienden el trabajo. La adopción requiere una respuesta de la empresa completa, no solo acceso individual a una herramienta.
El liderazgo decide qué futuro quiere construir
Dirigir empieza por tomar decisiones que un sistema no puede deducir de una instrucción genérica. ¿Queremos responder antes? ¿Queremos ofrecer un servicio más profundo? ¿Qué uso tendrá la capacidad liberada? ¿Cómo reconoceremos a quienes descubran mejores formas de trabajar? «Usen IA» deja todas esas preguntas abiertas.
También importa que las personas que dirigen experimenten por sí mismas. Mollick destaca la diferencia entre conocer estos sistemas mediante reportes y trabajar directamente con ellos. Una prueba sobre una tarea real permite entender qué instrucciones ayudan, dónde aparece un error y qué posibilidades está pasando por alto la organización.
El liderazgo no necesita hacer todo. Necesita involucrarse lo suficiente para poder elegir y asumir la incertidumbre de explorar. De lo contrario, cada área puede terminar esperando que otra autorice el siguiente paso, mientras nadie se hace responsable de aprender.
El laboratorio convierte posibilidades en procesos que pueden evaluarse
El laboratorio reúne a quienes pueden probar una capacidad y relacionarla con una necesidad de la empresa. Incluye conocimiento técnico cuando corresponde, pero también experiencia en clientes, operaciones, comunicación y organización. Su pregunta es qué combinación permite resolver mejor el trabajo, con evidencia suficiente para decidir.
En una empresa pequeña, podemos traducir esta función a un espacio protegido de experimentación. Por ejemplo, dos personas podrían reservar un bloque semanal para probar un proceso, comparar resultados y dejar instrucciones que otros puedan usar. Esta es una adaptación práctica del modelo, no una fórmula de dotación propuesta en la entrevista.
Lo importante es que exista continuidad. Una demostración aislada entusiasma. Un laboratorio aprende de los intentos, identifica condiciones de uso y ayuda a convertir una buena idea en una práctica repetible. También mantiene preguntas abiertas cuando las capacidades disponibles todavía no alcanzan.
La comunidad descubre lo que el organigrama no ve
Quienes atienden, venden, coordinan o ejecutan conocen fricciones que pueden pasar inadvertidas desde la dirección. Saben qué consulta se repite, qué solicitud llega incompleta y qué dato hay que perseguir antes de poder actuar. Darles acceso y espacio para experimentar amplía la cantidad de problemas que la empresa puede observar.
Para aprovechar esos descubrimientos necesitamos una forma sencilla de compartirlos: tarea, método, resultado, errores y condiciones. Una buena práctica tiene que poder explicarse. Si solo una persona sabe reproducirla, todavía es un hallazgo individual; el laboratorio puede ayudar a convertirla en aprendizaje compartido.
Las tres funciones se refuerzan. La comunidad detecta, el laboratorio prueba y el liderazgo decide cómo incorporar lo aprendido. Cuando falta una, el circuito se debilita: hay dirección sin experiencia, pruebas sin destino o descubrimientos que permanecen escondidos en los computadores de cada persona.
Trabajar con agentes exige aprender a encargar trabajo
Uno de los cambios que destaca Mollick es el paso desde una conversación constante con la IA hacia la asignación de tareas que el sistema puede desarrollar con mayor autonomía. En esa lógica, la habilidad de encargar trabajo se vuelve central: describir el objetivo, proporcionar contexto y establecer qué significa terminar bien.
La guía de Anthropic sobre agentes eficaces distingue entre recorridos predefinidos y sistemas que dirigen dinámicamente sus procesos y el uso de herramientas. También describe puntos de revisión y condiciones de detención. Esa distinción ayuda a entender por qué una delegación necesita algo más que una solicitud breve.
Pedir «mejora nuestras ventas» deja demasiadas decisiones implícitas. ¿En qué producto? ¿Para qué cliente? ¿Con qué información? ¿Puede cambiar una oferta o solamente proponer alternativas? La amplitud de la instrucción aumenta el espacio que el sistema debe completar con sus propios supuestos.
Un encargo útil podría definir que buscamos comparar tres alternativas para recuperar clientes inactivos, utilizando información previamente autorizada y una descripción de la oferta. El resultado esperado sería una comparación con supuestos, ventajas, dificultades y datos faltantes. La ejecución comercial quedaría para una decisión posterior.
En ese ejemplo hipotético, el objetivo permite trabajar. El contexto permite orientar. Los límites aclaran el alcance. El formato hace revisable la entrega. Ningún elemento es especialmente misterioso: se parece bastante a delegar bien en un equipo humano, aunque ahora también debamos comprender las capacidades del sistema utilizado.
Una pauta sencilla para preparar encargos incluye estos elementos:
- Resultado: qué necesitamos conseguir y para quién.
- Contexto: información, restricciones y antecedentes pertinentes.
- Criterios: cómo evaluaremos si el trabajo sirve.
- Autonomía: qué puede decidir y qué debe consultar.
- Entrega: formato, evidencias y preguntas pendientes.
La revisión también puede diseñarse antes de empezar. En algunos casos necesitaremos revisar un plan; en otros, elegir entre alternativas o examinar una demostración. El punto es ubicar nuestra atención donde cambia el resultado, sin exigir una intervención humana en cada movimiento por simple costumbre.
Aprender a especificar y evaluar se convierte así en una capacidad de trabajo distribuida. Una persona sin cargo de jefatura puede tener que coordinar tareas realizadas por IA. Eso amplía su alcance y vuelve más valiosas habilidades que solemos asociar a la gestión: priorizar, dar contexto, detectar desvíos y decidir cuándo corresponde intervenir.
Diseñar los momentos en que debe entrar una persona
Mollick propone una imagen útil para pensar la organización: una fábrica con distintos grados de presencia humana. Su interés está en crear procesos donde la IA pueda avanzar y convocar a personas cuando su experiencia, su criterio, su aprobación o su perspectiva aportan algo importante.
La imagen permite salir de una pregunta demasiado gruesa: «¿esto lo hace una persona o lo hace la IA?». Un mismo proceso contiene decisiones distintas. Recopilar antecedentes, comparar opciones, interpretar un caso excepcional y comprometer a la empresa frente a un cliente pueden requerir combinaciones diferentes.
Tomemos un ejemplo hipotético de atención. Una consulta rutinaria sobre disponibilidad puede seguir un recorrido bastante definido. Una queja que revela que el producto no cumple lo prometido necesita otra conversación. Si tratamos ambos casos como equivalentes, perdemos la oportunidad de diseñar la participación humana según el problema que realmente apareció.
El diseño debería indicar qué señales provocan una intervención. Puede tratarse de información contradictoria, una solicitud fuera de la oferta, una decisión que afecta la relación comercial o una situación que exige criterio propio de la empresa. Esas señales ayudan a que el sistema sepa cuándo detenerse o presentar alternativas.
La persona que entra también necesita contexto. Si recibe una alerta sin antecedentes, tendrá que reconstruir el caso. Una buena entrega explica qué ocurrió, qué se hizo, qué falta y por qué se solicita una decisión. La coordinación importa tanto como la capacidad de ejecutar una tarea por separado.
Además, conviene revisar qué parte interesante del trabajo conserva el equipo. Mollick expresa preocupación por un escenario en que las personas solo verifican resultados y cargan con los errores. Su propuesta de combinar capacidades abre una alternativa: usar la nueva capacidad para ampliar la contribución humana y mantener espacios de creación, interpretación y aprendizaje.
Una empresa puede preguntarse, por ejemplo, si el tiempo liberado permite conocer mejor al cliente o diseñar una solución más pertinente. Esa elección debe reflejarse en el proceso y en las responsabilidades. De lo contrario, el discurso sobre colaboración queda bonito en la presentación, mientras el trabajo real consiste en revisar una fila interminable de borradores.
La ventaja competitiva está en cómo combinas las capacidades
Si distintas empresas pueden acceder a modelos semejantes, la diferencia necesita construirse también en otras partes. Mollick la sitúa en la integración entre IA, personas, procesos y cultura. Esa combinación determina qué hace la organización con la capacidad que compra y qué experiencia logra entregar.
Podemos imaginar dos negocios que utilizan el mismo sistema para responder consultas. Uno lo conecta a información desordenada y evalúa al equipo por velocidad. El otro prepara información pertinente, identifica excepciones y da a las personas espacio para resolver situaciones complejas. La tecnología de base puede ser parecida; el diseño del servicio es distinto.
La diferencia comienza en lo que la empresa sabe. Las preguntas de sus clientes, los errores que ha observado, las restricciones de su operación y la forma de evaluar una buena entrega constituyen contexto. Ese conocimiento puede orientar un sistema, pero primero necesitamos identificarlo y hacerlo disponible de una manera utilizable.
También incluye decisiones que parecen pequeñas. ¿Cuándo pedimos más información? ¿Qué promesa evitamos hacer? ¿Qué alternativa proponemos cuando la primera no sirve? ¿Qué entendemos por una respuesta clara? Una empresa expresa su criterio en esas decisiones. Si las deja implícitas, el resultado dependerá mucho más de lo que el sistema suponga.
La investigación sobre colaboración ofrece un antecedente pertinente. El Instituto de IA de Harvard describe un experimento sobre trabajo en equipo y conocimiento realizado con profesionales de Procter & Gamble, en desafíos de innovación de productos. Su foco incluye cómo la IA cambia la colaboración y la integración de especialidades dentro del trabajo.
Llevado a una decisión empresarial, esto invita a probar combinaciones: personas de distintas áreas, un objetivo concreto y asistencia de IA. El interés está en observar qué cambia en la solución y en la coordinación. Quizás una especialidad puede contribuir antes, una conversación mejora o un supuesto se vuelve visible a tiempo.
La ventaja, entonces, se construye mediante elecciones acumuladas. Una herramienta puede ampliar la capacidad disponible. La empresa decide cómo convertirla en una oferta coherente, con una forma reconocible de trabajar y una razón concreta para que el cliente vuelva.
Cuatro capacidades humanas que vale la pena desarrollar
Mollick identifica cuatro capacidades especialmente útiles: conocimiento profundo, conocimiento amplio, criterio para elegir y disposición a actuar bajo incertidumbre. No las presenta como una lista exhaustiva ni como facultades mágicamente inmunes al cambio. Las propone como recursos para trabajar mejor en un entorno donde las capacidades tecnológicas siguen evolucionando.
El conjunto resulta interesante porque conecta experiencia con aprendizaje y acción. Saber mucho de un área ayuda a reconocer calidad. Entender algo de otras permite formular mejores preguntas. El criterio permite elegir entre posibilidades. La disposición a actuar transforma esas elecciones en intentos de los que se puede aprender.
Conocimiento profundo: reconocer lo que importa en tu campo
La experiencia permite detectar una propuesta que parece razonable, pero ignora una condición decisiva. Alguien que conoce su operación puede notar una incompatibilidad sin revisar cada página del documento. Esa capacidad de reconocer patrones ayuda a evaluar lo que produce un sistema y a pedir una corrección pertinente.
Para desarrollarla, conviene conservar contacto con casos reales. Revisar reclamos, observar resultados y entender por qué una decisión funcionó puede enseñar más que acumular resúmenes. La IA puede apoyar ese análisis, pero necesitamos seguir formando el conocimiento que permite interpretar lo que tenemos enfrente.
Conocimiento amplio: conectar áreas que antes conversaban poco
Cuando las fronteras entre tareas se vuelven más permeables, comprender algo de otras especialidades ayuda a encargar y revisar trabajo. Una persona de comunicación que entiende la lógica comercial puede formular mejores preguntas. Alguien de operaciones que conoce la experiencia del cliente puede priorizar problemas con mayor claridad.
Ampliar conocimiento no exige convertirse en experto en todo. Podemos empezar por conocer las decisiones de las áreas con las que trabajamos: qué necesitan, qué restricciones enfrentan y qué consideran un buen resultado. Esa comprensión reduce solicitudes vagas y permite usar la IA para explorar conexiones relevantes.
Criterio: elegir entre opciones que parecen buenas
La abundancia de alternativas vuelve importante la selección. Podemos recibir varios diseños, propuestas o caminos estratégicos y aun así necesitar decidir cuál corresponde a nuestra empresa. Mollick habla de gusto, incluyendo un gusto organizacional: reconocer qué opción expresa la identidad y la forma de actuar que queremos sostener.
Ese criterio puede desarrollarse mediante comparaciones explícitas. En vez de decir solamente «esta me gusta más», podemos explicar qué resuelve, qué sacrifica y por qué encaja. Al compartir esas razones, ayudamos al equipo a reconocer calidad y damos mejores orientaciones a los sistemas que participan en el trabajo.
Disposición a actuar: aprender antes de tener todas las respuestas
La cuarta capacidad consiste en actuar bajo incertidumbre. En este contexto, eso puede significar proponer una prueba, asumir que habrá errores y revisar lo que ocurre. Esperar una explicación definitiva sobre todos los usos posibles deja a la empresa sin experiencia propia para decidir.
La disposición a actuar necesita espacio organizacional. Si cada ensayo requiere una cadena de autorizaciones indefinida, el equipo aprende a quedarse quieto. Si existen objetivos, límites y tiempo para probar, puede moverse con responsabilidad. La iniciativa se vuelve más útil cuando tiene un lugar concreto donde ocurrir.
La cultura decide si los descubrimientos se comparten o se esconden
Uno de los argumentos más prácticos de la entrevista es que las personas pueden descubrir usos valiosos y no contarlos. Mollick relaciona ese silencio con miedo a perder el trabajo, a ser mal evaluadas o a no recibir reconocimiento. La adopción tiene una dimensión cultural que una licencia no resuelve.
Podemos comprender esa conducta sin convertirla en un misterio. Si alguien mejora un proceso y su recompensa es recibir más tareas, compartir la mejora se vuelve poco atractivo. Si la respuesta es tratar su trabajo anterior como innecesario, aparece otra razón para callar. La empresa obtiene la conducta que sus reacciones vuelven razonable.
Por eso, pedir transparencia necesita ir acompañado de decisiones sobre el uso de los hallazgos. ¿Qué sucede cuando una persona ahorra tiempo? ¿Quién reconoce el descubrimiento? ¿Cómo participa en el rediseño de su trabajo? El equipo necesita entender qué significa para él contribuir a esta transformación.
Una aplicación práctica sería abrir una revisión periódica de experiencias sin exigir relatos de éxito. Cada participante podría mostrar una tarea, explicar qué intentó y señalar qué salió mal. Ese formato ayuda a aprender tanto de un avance como de un límite, y reduce la tentación de presentar demostraciones cuidadosamente peinadas para impresionar a la jefatura.
La conversación debe centrarse en el trabajo. ¿Qué información ayudó? ¿Qué parte se tuvo que rehacer? ¿Cuándo fue necesaria la experiencia de una persona? ¿Qué podría aprovechar otro integrante del equipo? Esas preguntas producen conocimiento más útil que una competencia por descubrir quién escribió la instrucción más espectacular.
También necesitamos distinguir iniciativa de obligación adicional. Si experimentar siempre ocurre después de la jornada y compartir requiere preparar otra presentación, habrá menos aprendizaje disponible. Podemos asignar tiempo dentro del trabajo y una forma breve de documentar. La sencillez del mecanismo influye en quién puede participar.
La cultura se expresa finalmente en las decisiones repetidas. Escuchar un hallazgo, reconocer a quien lo produjo e incorporarlo con criterio envía una señal. Descartarlo por no venir del área esperada envía otra. El liderazgo construye confianza cada vez que responde a lo que su propia comunidad descubre.
Experimentar permite decidir con evidencia propia
Mollick advierte contra la expectativa de que un proveedor o un consultor ya tenga resuelto cómo usar la IA en cada organización. La empresa necesita desarrollar capacidad interna para aprender. Eso puede incluir ayuda externa, pero exige conservar comprensión sobre el problema, los criterios de calidad y los resultados de las pruebas.
La experimentación comienza con una pregunta específica. «Probemos IA» es demasiado abierto. «Veamos si podemos preparar una primera propuesta pertinente con menos trabajo de reescritura» permite comparar. El objetivo debe describir una mejora que tenga sentido para el proceso, no solamente una actividad que el sistema puede realizar.
Después necesitamos una referencia. ¿Cómo se hace hoy? ¿Cuánto trabajo completo requiere? ¿Qué errores aparecen? ¿Qué considera aceptable quien recibe la entrega? Una referencia razonable ayuda a interpretar el resultado del ensayo y a evitar que una demostración llamativa se confunda con una mejora útil.
En un ejemplo hipotético de propuestas comerciales, podríamos observar tiempo de preparación, información faltante, correcciones y claridad para el cliente. Si el borrador aparece antes, pero la revisión exige rehacerlo, el laboratorio tiene una pregunta nueva: qué contexto o qué parte del proceso necesita cambiar para que el ahorro llegue al final.
Una prueba también debe dejar registro de sus condiciones. La información disponible, las instrucciones, la tarea y el sistema utilizado influyen en el resultado. Sin ese registro, cuesta repetir una mejora o comprender por qué un segundo intento funcionó de otra manera.
Conviene terminar cada experimento con una decisión: incorporar, ajustar, seguir probando o dejarlo por ahora. Esa decisión puede ser provisional y revisarse cuando cambien las condiciones. La capacidad interna consiste justamente en saber evaluar de nuevo, sin empezar siempre desde cero ni convertir una prueba antigua en una regla eterna.
Aprender así exige tolerar intentos que no resuelven el problema. Su utilidad está en hacer visible una limitación concreta o una necesidad que no habíamos entendido. El fracaso se vuelve costoso cuando nadie puede explicar qué se buscaba, qué pasó y qué decisión cambia a partir de eso.
Mejorar lo que existe y construir algo que todavía parece imposible
La entrevista introduce la ambidestreza organizacional: aprovechar las capacidades actuales y, al mismo tiempo, explorar posibilidades futuras. Mollick plantea que las empresas necesitan ambas cosas. Una operación debe entregar hoy; un equipo de exploración necesita imaginar qué podría cambiar si las capacidades disponibles siguen creciendo.
Para el trabajo actual, la pregunta puede ser qué actividad dejó de requerir tanto esfuerzo y cómo rediseñamos el proceso alrededor de esa nueva condición. Para la exploración, podemos preguntar qué servicio sería valioso si pudiéramos resolver una dificultad que todavía nos frena.
Esas preguntas conducen a ritmos distintos. Un proceso operativo necesita criterios de calidad y continuidad. Una exploración necesita margen para intentar algo que aún no funciona. Si mezclamos ambos criterios, podemos exigir resultados inmediatos a una idea nueva o justificar una operación deficiente con promesas sobre el futuro.
Tomemos un ejemplo hipotético de capacitación. La mejora actual podría consistir en preparar materiales pertinentes con menos trabajo manual. La exploración podría buscar un acompañamiento que identifique dificultades y proponga ejercicios distintos durante el aprendizaje. El segundo proyecto plantea una transformación mayor y puede requerir varios ensayos antes de resultar utilizable.
La ambición debe formularse desde la necesidad del usuario. «Queremos muchos agentes» describe una solución técnica. «Queremos que una persona reciba ayuda pertinente justo donde se está atascando» describe un resultado. La segunda formulación permite revisar distintas maneras de alcanzarlo y entender qué falta.
Mollick también invita a preguntar qué hemos dejado de hacer. Esa decisión es necesaria para que la capacidad nueva no se acumule encima del trabajo antiguo. Cuando una actividad se vuelve trivial, podemos revisar su lugar, automatizarla dentro de un proceso o eliminar pasos que ya no aportan.
Una organización que solo agrega termina más cargada. Una que aprende a retirar puede liberar atención para explorar. La ambidestreza necesita ese espacio: mantener lo que funciona, transformar lo que cambió y reservar capacidad para una posibilidad que todavía no tiene una respuesta completa.
Las empresas pequeñas y grandes tienen ventajas que pueden activar
Mollick plantea que la IA puede ampliar capacidades tanto de empresas nuevas como de organizaciones establecidas. Las primeras pueden cubrir algunas dificultades que antes consumían recursos escasos. Las segundas cuentan con experiencia, clientes, personas y conocimiento de su operación. Cada una necesita convertir esos recursos en acción.
Una empresa pequeña suele necesitar hacer muchas cosas con pocas personas. En un ejemplo hipotético, quienes dominan un oficio pueden recibir apoyo para preparar información, explorar una oferta o estructurar una propuesta. La oportunidad está en que esa asistencia permita concentrarse mejor en la contribución que hace valioso el negocio.
La cercanía también puede favorecer las pruebas. Si quienes venden, entregan y atienden conversan directamente, es posible observar un cambio a lo largo del servicio completo. Esa ventaja requiere intención: un equipo pequeño también puede quedar atrapado en urgencias y usar toda capacidad nueva para absorber más trabajo sin revisar su propósito.
En una organización grande, el conocimiento acumulado ofrece muchas oportunidades para orientar y evaluar. Personas con experiencia pueden reconocer problemas y aportar contexto que un proveedor externo no conoce. La tarea del liderazgo consiste en conectar ese conocimiento con espacios de experimentación y decisiones sobre procesos.
La dificultad aparece cuando la empresa trata su estructura actual como algo inamovible. Mollick cuestiona la resignación de organizaciones que cuentan con recursos, pero asumen que no pueden cambiar. Su argumento invita a aprovechar lo que ya existe, haciendo que quienes conocen el negocio participen en su transformación.
El tamaño, por sí solo, no entrega una estrategia. Para una pyme, mi recomendación es comenzar con un problema cercano al cliente y un equipo que pueda seguirlo completo. Para una organización mayor, partir con un recorrido entre áreas permite observar qué coordinación necesita cambiar. En ambos casos, el aprendizaje debe tener un responsable y un lugar donde convertirse en decisión.
Los riesgos y el trabajo humano también son decisiones estratégicas
La conversación aborda incertidumbre laboral, calidad del trabajo y seguridad. Mollick evita entregar una respuesta definitiva sobre el efecto total en el empleo y distingue entre escenarios tecnológicos. Esa incertidumbre forma parte de su argumento: los líderes necesitan decidir cómo usar las capacidades disponibles y qué tipo de organización quieren construir.
A nivel empresarial, la calidad del trabajo merece una pregunta concreta. Si una persona deja de crear, aprender o relacionarse con clientes y pasa el día verificando resultados, ¿qué estamos haciendo con su experiencia? Un diseño de procesos puede ampliar su aporte o reducirlo a una función cada vez más estrecha.
Podemos observar esa diferencia durante una prueba. ¿La persona entiende mejor el problema? ¿Tiene más espacio para proponer? ¿Puede aprender de lo que revisa? ¿Cuenta con autoridad para detener una entrega que no sirve? Las respuestas ayudan a decidir cómo distribuir responsabilidades, además de medir cuánto se produjo.
La gestión del riesgo también puede incorporarse al diseño. El marco del NIST para riesgos de IA ofrece una referencia voluntaria para integrar consideraciones de confiabilidad en el diseño, desarrollo, uso y evaluación de sistemas. Puede orientar una conversación sobre condiciones de uso y responsabilidades sin sustituir las decisiones de cada empresa.
Una aplicación práctica es separar explorar una opción de comprometer a la organización. Un sistema puede preparar alternativas mientras una persona conserva la decisión sobre una promesa comercial. El alcance puede cambiar según la tarea y la evidencia que reúna el laboratorio. Lo importante es que esa distribución sea explícita.
La entrevista también invita a considerar la seguridad como parte del entorno en que operará la empresa. Traducido al trabajo cotidiano, corresponde que quienes conocen los sistemas participen cuando una prueba necesite acceder a información o ejecutar acciones. Así, la discusión sobre capacidades incluye desde el inicio las condiciones para utilizarlas.
Estas decisiones pueden revisarse con la experiencia. La empresa aprende dónde una intervención humana agrega valor, qué límites necesita un proceso y qué usos amplían el trabajo del equipo. La responsabilidad del liderazgo está en conducir ese aprendizaje, con una dirección que las personas puedan comprender.
Un plan de treinta días para convertir la idea en trabajo concreto
Una transformación amplia puede empezar con un recorrido acotado. Propongo este plan de treinta días como aplicación práctica de las ideas de la entrevista. Su objetivo es obtener una mejora revisable, aprender sobre el proceso y establecer las tres funciones de liderazgo, laboratorio y comunidad a una escala manejable.
Elegiremos un solo problema que afecte a un cliente o usuario. Por ejemplo, preparar una propuesta, responder una solicitud o convertir información en una decisión. El problema debe repetirse lo suficiente para poder observarlo y contar con alguien que conozca qué significa resolverlo bien.
Primera semana: definir el resultado y entender el proceso
Escribamos una descripción breve del resultado esperado. Después sigamos un caso desde el inicio hasta el final, anotando pasos, esperas, correcciones y participantes. La persona que hace el trabajo debería explicar dónde necesita experiencia y dónde se concentra el esfuerzo repetitivo.
La entrega de esta semana es una página que contenga el problema, el recorrido actual, los criterios de calidad y una hipótesis de mejora. También debe identificar quién toma decisiones, quién probará el cambio y quién aportará experiencia de la operación. Así quedan establecidas las funciones sin necesidad de inventar un departamento.
Segunda semana: preparar y realizar una prueba
Diseñemos un encargo claro para la tarea elegida. Proporcionemos contexto pertinente, definamos la entrega y aclaremos qué decisiones quedan fuera del ensayo. Probemos con casos apropiados para aprender, con una persona que pueda evaluar el resultado y registrar qué necesitó corregir.
La revisión debe considerar el proceso completo. Si el borrador llega antes, observemos qué ocurre después. Si aparecen más opciones, veamos si ayudan a decidir. Si un paso deja de ser necesario, anotemos qué condición permite retirarlo. La entrega es una comparación comprensible y una lista breve de aprendizajes.
Tercera semana: ajustar el proceso y los incentivos
Con lo aprendido, revisemos la distribución del trabajo. Quizás necesitamos cambiar una aprobación, preparar mejor la información o establecer una señal para convocar a una persona. En esta semana buscamos que la mejora deje de depender de un truco individual y pueda integrarse a la operación.
También decidamos para qué se utilizará la capacidad liberada. Ese destino debe ser visible para el equipo. Podemos dedicarla a mejorar una entrega o explorar otra necesidad del cliente. Reconocer a quienes aportaron al ensayo ayuda a mostrar que compartir conocimiento tiene un lugar dentro del trabajo.
Cuarta semana: decidir qué continúa y qué se explora
Revisemos el resultado frente a la hipótesis inicial. ¿Se resolvió mejor el problema? ¿Qué costo de revisión apareció? ¿Qué aprendimos sobre nuestras capacidades? La decisión puede ser incorporar el cambio, modificarlo o seguir probando. Conviene dejar por escrito las condiciones bajo las cuales tuvo sentido.
Finalmente, reservemos una pregunta de exploración: ¿qué podríamos ofrecer si esta capacidad llegara más lejos? Esa pregunta mantiene abierto el futuro sin distraernos de la evaluación presente. El mes termina con una decisión operativa y una dirección para aprender, ambas vinculadas al propósito del negocio.
Preguntas frecuentes para empezar con claridad
¿Necesito una empresa grande para aplicar este enfoque?
Puedes organizar las funciones con un equipo pequeño. Necesitas alguien que defina dirección, un espacio para probar y participación de quienes conocen el trabajo. La escala puede variar; la conexión entre esas funciones sigue siendo importante.
¿Por dónde conviene comenzar en una pyme?
Por un problema frecuente, cercano al cliente y con un resultado que puedas evaluar. Preparar una propuesta o resolver una solicitud permite observar un recorrido completo. Elegir algo manejable ayuda a aprender sin abrir demasiados frentes.
¿Cómo distingo una mejora real de una demostración impresionante?
Sigue el trabajo hasta su resultado. Incluye revisión, correcciones, coordinación y uso de la entrega. Si una tarea inicial se acelera, pero el resto del proceso absorbe el beneficio, todavía necesitas rediseñar cómo funciona.
¿Hay que desarrollar toda la tecnología internamente?
La entrevista propone construir capacidad interna para comprender, probar y decidir. Eso permite trabajar con herramientas y proveedores manteniendo criterio propio. La empresa necesita conocer su problema y poder evaluar las soluciones que incorpora.
¿Qué hago si una primera prueba no funciona?
Registra qué falló y bajo qué condiciones. Revisa si faltó contexto, si la tarea necesitaba otro diseño o si corresponde dejarla pendiente. El aprendizaje útil termina en una decisión, aunque esa decisión sea no incorporar el uso todavía.
La próxima decisión empieza por lo que vale la pena hacer
La IA amplía posibilidades y obliga a elegir. Podemos usarla para acelerar procedimientos, revisar la distribución del trabajo o construir una oferta que antes parecía demasiado difícil. La estrategia consiste en conectar esas posibilidades con un resultado que tenga valor para alguien.
El argumento de Mollick pone esa responsabilidad en la organización: liderazgo que decide, un laboratorio que aprende y una comunidad que comparte conocimiento. También exige mirar incentivos, preservar una contribución humana significativa y desarrollar criterio para evaluar lo que estamos haciendo.
Para empezar hoy, elige una entrega recurrente y escribe para qué existe. Luego identifica quién la utiliza, qué decisión permite y qué parte del proceso podría cambiar. Esa conversación puede mostrar una oportunidad mucho más interesante que producir otra versión de lo mismo.
Una empresa que puede hacer más necesita aprender a escoger mejor. Ahí comienza el trabajo estratégico: decidir qué resultado queremos mejorar y darle a nuestra nueva capacidad una tarea que realmente valga la pena.
Cinco enlaces externos:
- Conversación de HBR con Ethan Mollick sobre IA y estrategia empresarial
- El modelo de liderazgo, laboratorio y comunidad de Ethan Mollick
- Investigación de Harvard sobre colaboración y conocimiento con IA
- Guía de Anthropic para construir agentes eficaces
- Marco del NIST para gestionar riesgos de inteligencia artificial
