El futuro de la empresa: cómo puede entrar la IA en el organigrama (por debajo, al lado y en medio)

Este ensayo, publicado por OpenAI, es el segundo de una serie sobre la «próxima economía». Lo firman Hemanth Asirvatham y Elliott Mokski. Aclaran que expresan sus opiniones y no las de OpenAI ni las de sus compañeros. El texto descargado está cortado: termina a mitad de la tercera sección. Por eso no he podido leer el análisis de las «cuatro grandes preguntas» que los autores anuncian al principio. Son estas: si las empresas tendrán más o menos burocracia, si los trabajadores tendrán más o menos autonomía, si las empresas se encogerán o se ensancharán, y si la desigualdad salarial subirá o bajará. Este resumen cubre solo lo que aparece en el texto recibido.

Los autores parten de su experiencia personal. Empezaron a dirigir equipos en OpenAI con 24 años, una edad en la que normalmente se está en el peldaño más bajo, tomando notas y escribiendo memorandos. Su caso, dicen, es distinto porque entran en el mercado laboral con «empleados» de IA a su disposición. Esos ayudantes trabajan de día, de noche y en festivos, y se les dan bien las tareas rutinarias. También cometen errores, pero mejoran y aprenden las necesidades de quien los usa. Resumen su idea así: no han subido por la escalera corporativa, sino que la gestión ha bajado hasta su peldaño.

El ensayo se pregunta dónde se coloca la IA cuando entra en la empresa y propone tres escenarios ilustrativos. Ninguno se cumplirá tal cual, pero creen que habrá rasgos de los tres, y que los tres ya ocurren de forma sutil. Su foco no es la automatización total, sino una economía en transición con empresas «quiméricas» o híbridas. Sostienen que la adopción productiva de la IA no es instantánea. Mientras los modelos solo hagan un subconjunto de tareas, la adopción será más fácil para los empleados de base que conocen el trabajo. Cuando los modelos hagan funciones completas de principio a fin, los directivos podrán usarlos directamente. De ahí sale su tesis central: cuanto más capaz es la IA, más fácil es adoptarla. Las empresas tienen que aprender la tecnología, mientras que el trabajo humano aprende la empresa y se incorpora solo.

El primer escenario es «Promoting» (promover), o «por debajo de nosotros». Todos conservan su puesto y sus líneas de reporte, pero bajo cada trabajador aparece un «sótano» de mano de obra de IA. Todos pasamos a ser gestores. Al principio habría uno o dos agentes por persona, como becarios entusiastas a los que hay que supervisar y perdonar. Se encargarían de enviar correos, redactar memorandos o responder mensajes de Slack. Con el tiempo, los modelos mejorarían, ganarían autonomía y se coordinarían entre sí. Podría haber IA gestoras e IA de base, contables y abogados, hasta formar una pequeña empresa propia con el trabajador como su consejo de administración. El ejemplo es Jace, un contable. Ya no maneja las hojas de cálculo, porque lo hacen sus agentes. Su trabajo se centra en la comunicación, la coordinación y la creatividad. Trabaja menos y se siente más exigido. Su equipo no se ha reducido, porque el resto de la empresa también es más productivo y demanda más contabilidad que antes. Los directivos, además, no sabrían ensamblar datos financieros y necesitan su experiencia para usar bien a los agentes.

Los autores subrayan que este escenario no implica despidos. Describen la situación como automatizar nuestro yo anterior y subir en la jerarquía. Argumentan que los empleos no son estáticos. Si la IA hace el 90 % de lo que hacías, no te queda necesariamente un 10 % del trabajo. Puedes tener un empleo completo y distinto, orientado a un objetivo diez veces mayor. Es, dicen, el regalo clásico de la tecnología: sube la productividad, la ambición sube con ella y los salarios pueden subir con la ambición. Lo condicionan a dos cosas. La primera es que los humanos sigamos aportando valor a la producción, por ejemplo porque valoremos que algo lo haya hecho una persona o porque exijamos que una persona tenga la última palabra. La segunda es nuestro apetito de consumo. Si dejamos de querer diez veces más producción, el equilibrio se desplazaría hacia menos trabajadores o menos horas. Históricamente, señalan, el aumento de la producción no nos ha saciado: tenemos mucho más, pero trabajamos solo un poco menos.

Este primer escenario supone que la adopción empieza por la primera línea. Mientras la IA no sea lo bastante proactiva como para decirte lo que no sabes, funcionará mejor en manos de quienes ya conocen el trabajo. Un jefe de departamento sin conocimiento de los métodos tendrá dificultades para aprovechar las herramientas de ciencia de datos, por ejemplo. El mayor cambio afecta al nivel de entrada, que dejaría de ser el escalón más bajo, al menos para los humanos. Esos puestos los ocuparía algo a lo que no le molesta el trabajo pesado. Los autores reconocen que se pierden vías tradicionales de formación, como el aprendizaje de oficio y el «ganarse los galones» con tareas rutinarias. Aun así, lo ven sobre todo como un privilegio. Un empleado junior con una gran idea para un videojuego podría construirlo sin esperar a que le asignen personal, y la excusa de «no tenemos recursos humanos» se estaría acabando. Creen que los jóvenes seguirán aprendiendo criterio, gusto y las habilidades de gestión y visión creativa, y que los veteranos tendrán incentivos para ayudarles. Su conclusión es que el papel de todos los peldaños puede volverse más estimulante.

El segundo escenario es «Interleaving» (intercalar), o «al lado de nosotros». Aquí la IA se integra en el organigrama como colega y no solo como subordinada. Un directivo humano delega parte del trabajo del equipo en un modelo, igual que lo haría con cualquier empleado. La diferencia clave con el primer escenario es que la adoptan los directivos existentes, no solo los trabajadores de base. Para eso la IA debe ser lo bastante competente como para actuar como miembro pleno del equipo. El ejemplo es Sheila, vicepresidenta de una empresa de muebles que nunca ha dirigido una campaña publicitaria. Da a un equipo de marketing de IA un presupuesto y un sofá nuevo que vender. Los agentes se reparten las tareas. Unos entrevistan a los vendedores, otros se coordinan con la fábrica sobre lo que se puede entregar, uno lanza una encuesta y otros prototipan estilos visuales. Los borradores circulan entre ellos sin pasar por su mesa. El lunes recibe una campaña para aprobar y una pregunta: si en las fotos el sofá se ve demasiado azul. Un experto en publicidad que avisa por iniciativa propia detecta lo que ella nunca habría notado.

Para explicar este escenario, los autores usan la idea de una «escalera de alcance». La IA pasaría de herramienta a mano de obra ampliando su ámbito: primero automatiza la tarea, luego el puesto, después un equipo y finalmente una empresa. Cada paso exige más competencia, porque un puesto es una maleta llena de tareas y un equipo la tiene aún más llena. Si una sola tarea esencial del equipo es física, hacen falta periféricos nuevos. Pero identifican lo que llaman la asimetría central de la transición: una IA de mayor alcance es más difícil de construir, pero más fácil de adoptar. Un equipo o una función automatizados de extremo a extremo puede adoptarlos directamente un directivo. Una herramienta de alcance estrecho, en cambio, requiere la aceptación y el reciclaje de toda la plantilla.

De ahí su contraste entre tecnología y trabajo. Con las tecnologías tradicionales la carga recae en el comprador, que debe reorganizar sus procesos en torno a la herramienta. El ejemplo que dan es que el departamento de contabilidad se rehízo alrededor de las hojas de cálculo, y no al revés. El trabajo humano funciona al revés: un buen empleado o equipo averigua cómo serte útil, te interroga, absorbe tu contexto y te dice lo que ni sabías que ignorabas. Cuanto más se parezca la IA a esa mano de obra, con iniciativa y adaptabilidad, menos tendrá que aprender la empresa para aprovecharla. Un ejecutivo no asistirá a un curso introductorio de software de diseño, pero sí escuchará una oferta del tipo «dime y te monto toda tu función de marketing».

El ensayo añade que la economía no es de «lobos solitarios». Muy poca producción viene de trabajadores aislados, porque los puestos contribuyen a equipos, los equipos a empresas y las empresas producen casi todo lo que consumimos. Por eso consideran que el listón de «automatizar un puesto» como meta de la IA general no da suficiente crédito a los humanos. Nuestro trabajo incluye una coordinación prodigiosa y la plasticidad para hacer pequeñas partes de resultados mayores. Una IA económicamente general debería alcanzar el nivel de las personas en plural, no el de una persona. En consecuencia, el escenario intercalado puede ser ineficiente mientras la IA sea parecida a una herramienta o a un trabajador individual, porque un modelo junto a cada empleado genera mil costuras y traspasos. Los autores ven una carrera entre implementaciones tempranas y poco capaces, y modelos posteriores más capaces. Quién gane dependerá de si la adopción de los futuros modelos es tan rápida que compense el tiempo extra necesario para alcanzar esas competencias. Este escenario puede coexistir con el primero. Podríamos ver empresas con menos humanos y con los restantes en mandatos más amplios, y por sí solo no implica menos empleo total, sino quizá más empresas con menos plantilla cada una.

El tercer escenario es «Layering» (estratificar), o «entre nosotros». Es el más desconcertante, porque la IA entra por encima de las personas y el esquema pasa a ser humano, IA, humano: un «sándwich de automatización». Algunas personas «reportarían» a una IA. Los autores admiten que suena inverosímil como punto de partida, pero creen que, de formas menos radicales, ya ha empezado. El ejemplo es Asha, una consejera delegada a la que su consultora de IA avisa de un problema en un lanzamiento. Ventas prometió una funcionalidad que ingeniería no está construyendo. La IA lo detectó en hilos de trabajo ordinarios de Slack, sin que nadie escribiera un informe ni notara el malentendido. Propone retrasar el lanzamiento y reasignar a tres ingenieros. También detecta que Sarah, una ingeniera que trabaja en remoto, ya construyó infraestructura útil sin que nadie se lo pidiera, y se asegura de que Asha lo sepa. Asha la llama, le da las gracias y la nombra responsable de ingeniería del nuevo esfuerzo.

Los autores plantean que la escalera podría arder desde arriba. Solemos pensar que la automatización sube por la jerarquía, con el trabajo cognitivo rutinario primero y el juicio al final, con los directivos como último reducto. Pero el trabajo de un directivo vive en gran parte en un ordenador y en la cabeza: leer, reunirse, sopesar, mantener contexto y decidir. Es el trabajo de base, incluso el cognitivo, el que más se enreda con átomos y herramientas. A un becario se le manda a la fotocopiadora, no a su jefe. Reconocen que la toma de decisiones directivas es difícil de enseñar a un modelo, porque el éxito es ambiguo y se mide en horizontes largos. También admiten que aún no sabemos lo buenos que son los modelos gestionando. Abundan las evaluaciones del trabajo cognitivo de ejecución, pero pocas miden la orquestación a gran escala. Aun así, sostienen que los modelos actuales podrían estar más cerca de la capacidad de los directivos humanos que de la de los trabajadores de base, y que algunas funciones directivas podrían automatizarse antes que el trabajo que supervisan.

La versión completa de este escenario sería una IA que piensa y completa sus carencias con contratistas humanos que le reportan. Los autores dicen que eso les resulta muy ajeno. Ven una encarnación más orgánica, cuyo primer acto ya está en escena: el asesoramiento. Hoy una ejecutiva puede pedir a ChatGPT que lea cientos de canales de Slack, documentos y archivos de código de toda su empresa y responda preguntas, como qué hace realmente un equipo o dónde aparece una vulnerabilidad. Los directivos siempre han llenado el organigrama de intermediarios mercenarios, que se llamaban consultoría. Una consultora te estratifica de forma breve y cara. Las consultoras de IA podrían ser casi gratuitas y estar siempre presentes. Los modelos apenas empiezan a analizar de forma fiable los documentos y las comunicaciones de una empresa, y su criterio y su proactividad deben madurar. Los autores prevén que acabe siendo una consultora de servicio completo, que no gestiona directamente a los empleados, sino que actúa como corresponsal y asesor interno de los ejecutivos, con una consecuencia estructural: la centralización. Acortaría la distancia entre la alta dirección y el resto de la empresa y daría más poder a la cúspide, donde antes las fricciones de información favorecían decisiones más descentralizadas. También destacan que este modelo es muy fácil de adoptar, porque no exige conocimientos técnicos al directivo: basta con hablar con el consultor. El texto se interrumpe en este punto.

En conjunto, la lectura es una apuesta especulativa y explícitamente personal. Los autores trabajan en OpenAI y razonan con ejemplos hipotéticos (Jace, Sheila, Asha), no con datos empíricos. Su aportación más interesante es la idea de que la adopción de la IA depende menos de lo que la tecnología pueda hacer que de quién puede incorporarla sin reorganizar a toda la empresa.