La paradoja de la IA: por qué la fluidez con la tecnología no sustituye al criterio humano en las empresas

Un artículo de opinión publicado en Fortune, firmado por Julie Teigland, Vicepresidenta Global de Alianzas y Ecosistemas de EY, plantea una tesis que rompe con el discurso habitual sobre la adopción de inteligencia artificial en las empresas: cuanto más capaz se vuelve la tecnología, más premia el mercado justamente aquello que la IA no puede hacer. Según la autora, tras dos décadas en una firma de servicios profesionales donde el juicio humano es la base del negocio, esa misma competencia —saber decidir, priorizar y dar sentido al contexto— es la que ahora se está imponiendo en todo tipo de puestos, ya sea de analista, técnico u operador de maquinaria.

El punto de partida es una cifra que la autora señala como síntoma del problema: pese al aumento de la inversión en IA, las empresas están dejando de capturar hasta un 40% de las ganancias de productividad que la tecnología podría ofrecer, debido a carencias en la inversión en talento. La explicación que ofrece es que muchos programas de formación se centran en la destreza técnica con herramientas de IA y dejan de lado las habilidades críticas —de juicio, evaluación y supervisión— que en realidad determinan si una estrategia de IA termina siendo rentable o no.

Sobre qué es lo que la IA todavía no puede hacer, el artículo argumenta que la tecnología sobresale en tareas repetitivas y en sacar a la luz datos, pero que corresponde a las personas definir el objetivo, fijar el propósito y aportar el contexto que da sentido a esa información. Son las personas quienes deciden qué objetivos merece la pena perseguir, quienes detectan cuándo cambia el contexto y quienes siguen siendo responsables de los resultados. Sin esa dirección humana, sostiene la autora, los datos y los insights pueden no aplicarse de forma efectiva ni generar todo su valor potencial. Desde esta perspectiva, un lugar de trabajo orquestado por IA no elimina a la persona, sino las partes del puesto que nunca requirieron juicio humano en primer lugar; lo que queda es precisamente la parte que solo un humano puede realizar.

El artículo defiende que la "fluidez con la IA" debe entenderse como una habilidad de liderazgo y no como una especialidad técnica aislada: combina saber operar las herramientas con evaluar la relevancia de sus resultados y saber cómo y cuándo intervenir si algo falla. Para ilustrar la escala del reto, la autora cita un dato llamativo: dentro de la organización promedio, las identidades de máquina superan a los empleados humanos en una proporción de 82 a 1. Lejos de diluir la responsabilidad humana, argumenta, esa escala la concentra: cuanto más autónomos se vuelven los sistemas de IA, más importante se vuelve el criterio humano. En este sentido, menciona una encuesta del Foro Económico Mundial según la cual el pensamiento analítico es la competencia más buscada por los empleadores a la hora de contratar, con aproximadamente siete de cada diez empresas calificándola como esencial. La conclusión que extrae la autora es clara: hay que usar la IA para hacer el trabajo más eficiente, no para que tome las decisiones de criterio que siguen siendo la parte más importante del puesto.

Otro de los ejes del artículo es que ninguna organización resuelve en solitario la integración de la IA en su plantilla; los enfoques aislados consumen tiempo y recursos porque las empresas terminan reconstruyendo procesos que otros ya han resuelto antes. Como ejemplo de colaboración con socios de ecosistema, la autora cita el trabajo de EY con la fabricante de bebidas Lion, que logró una respuesta al cliente un 75% más rápida y una mejora de aproximadamente el 30% en los costes operativos de su función de personas, al apoyarse en socios que ya habían resuelto partes de ese problema en otros contextos, en lugar de construir cada capa de una función de personas habilitada por IA desde cero.

El texto también aboga por rediseñar los flujos de trabajo para que las personas permanezcan en el centro de la toma de decisiones. Critica los modelos basados en traspasos rígidos —en los que la IA completa una tarea antes de pasar el resultado a una persona—, porque parten de la idea de que las tareas pueden dividirse de forma limpia, algo que en la práctica reduce las oportunidades de un juicio significativo y puede generar más trabajo iterativo. Frente a eso, propone un modelo más duradero organizado en torno a tareas compartidas, con un proceso verdaderamente integrado en el que humanos e IA contribuyen en cada etapa y no de forma secuencial. Como ilustración, el artículo menciona el caso de Daikin, multinacional especializada en climatización, que combinó equipos humanos y de IA trabajando en tándem para desplegar un nuevo sistema ERP: la IA asistió en la generación de código y las pruebas automatizadas, mientras los empleados mantenían la supervisión de excepciones y escenarios de alto riesgo. Según se indica, este enfoque aceleró la entrega en aproximadamente un 30%, y el proyecto piloto produjo una mejora del 10% en eficiencia de mostrador y un cierre financiero un 20% más rápido.

El artículo cierra con la idea de que, ante la constante evolución de los modelos de IA, las competencias técnicas ligadas a una versión concreta de un modelo tienen una vida útil corta, mientras que el criterio para saber cuándo y cómo intervenir no caduca. Ese juicio, subraya la autora, es esencial para construir una IA segura y confiable, y no ocurre por accidente: requiere fluidez en todos los niveles de la organización, socios que compartan la carga de construir esas capacidades y flujos de trabajo diseñados para mantener a las personas involucradas en cada etapa con la supervisión adecuada. Su conclusión es que las organizaciones que están acertando con la escala de la IA son las que toman decisiones deliberadas sobre qué partes del trabajo deben seguir siendo humanas, y que una adopción de IA bien hecha aclara ese papel humano en lugar de reducirlo.