La inteligencia artificial (IA) está redefiniendo los paradigmas empresariales a una velocidad sin precedentes. No se trata de una transformación marginal, sino de una reinvención fundamental de cómo las organizaciones operan y crean valor. En el corazón de esta metamorfosis se encuentran los agentes de IA, sistemas de software que trascienden los chatbots básicos para convertirse en verdaderos "agentes cognitivos" capaces de pensar estratégicamente, planificar, aprender y ejecutar acciones complejas. Estos agentes, que se superponen a los Modelos de Lenguaje Grandes (LLM), pueden recopilar datos, tomar decisiones, emprender acciones y adaptar su comportamiento basándose en los resultados, interactuando con otros sistemas y operando según prioridades y reglas. Su propósito es lograr objetivos específicos. Miles de estos agentes están listos para integrarse en la fuerza laboral, lo que representa una "mano de obra digital" con un potencial inmenso para transformar la producción empresarial.
Sin embargo,
el impacto más significativo de la IA no reside en el reemplazo de la mano de
obra humana, sino en su capacidad para aumentar y complementar las capacidades
humanas. Las organizaciones que están logrando las mayores mejoras de
rendimiento son aquellas donde humanos y máquinas inteligentes colaboran
activamente, forjando una "inteligencia colaborativa". Esta sinergia
permite que cada parte fortalezca las habilidades complementarias de la otra:
la creatividad, el liderazgo, el trabajo en equipo y las habilidades sociales
de los humanos; y la velocidad, la escalabilidad y las capacidades
cuantitativas de la IA. Lo que es natural para una persona (como una broma) es
difícil para una máquina, y lo que es sencillo para una máquina (analizar
vastos volúmenes de datos) es prácticamente imposible para un humano, y el
entorno empresarial demanda ambas capacidades.
Para materializar plenamente esta colaboración, las empresas deben comprender cómo los humanos pueden potenciar eficazmente a las máquinas y viceversa, y cómo rediseñar los procesos de negocio para sostener esta asociación estratégica.
Los roles
en la sinergia máquina-humano
La colaboración efectiva se manifiesta en una doble dirección. Por un lado en cómo los humanos asisten a las máquinas, los humanos desempeñan roles cruciales para el desarrollo y funcionamiento óptimo de los sistemas de IA:
- Entrenamiento: Los algoritmos de aprendizaje automático requieren ser enseñados mediante la creación de grandes conjuntos de datos. Esto incluye la enseñanza de expresiones idiomáticas a aplicaciones de traducción o la detección de enfermedades a sistemas médicos. Incluso se entrena a asistentes de IA como Cortana, Siri y Alexa para desarrollar la personalidad y los rasgos sutiles adecuados.
- Explicación: Dado que las IA a menudo llegan a conclusiones a través de procesos opacos (el "problema de la caja negra"), se necesitan expertos humanos para interpretar y justificar su comportamiento a usuarios no expertos. Este rol es vital en campos regulados como la medicina, el derecho y las finanzas, o para comprender decisiones algorítmicas bajo normativas como el GDPR.
- Sostenimiento: Se requieren "sostenedores" que aseguren el funcionamiento adecuado, seguro y responsable de los sistemas de IA. Esto abarca desde ingenieros de seguridad que previenen daños causados por robots industriales, hasta equipos que investigan y abordan sesgos éticos o garantizan la privacidad de los datos.
Y por otro lado, en cómo las máquinas asisten a los humanos, y, en este sentido saber que la IA amplifica las capacidades humanas de maneras fundamentales:
- Amplificación: La IA puede potenciar las capacidades analíticas y de toma de decisiones, proporcionando información precisa en el momento justo, e incluso impulsando la creatividad, como en el caso de Autodesk Dreamcatcher, que genera miles de diseños para que los diseñadores se centren en el juicio estético.
- Interacción: La IA facilita nuevas y más efectivas formas de interacción con empleados y clientes. Agentes como Cortana o chatbots avanzados (como Aida de SEB) pueden manejar millones de interacciones rutinarias, liberando a los humanos para tareas más complejas y personalizadas.
- Encarnación: La inteligencia de la IA se encarna en robots que complementan a los trabajadores humanos, como los "cobots" en la fabricación, que realizan tareas repetitivas o de fuerza junto a los humanos, o exoesqueletos que otorgan "fuerza sobrehumana".
¿Cómo se
redefinen los procesos de negocio y la agilidad organizacional?
La integración efectiva de la IA exige un rediseño fundamental de los procesos de negocio. Esto implica descubrir áreas de mejora, desarrollar soluciones a través de la cocreación entre humanos e IA, y escalar y sostener las propuestas. Las empresas buscan mejorar cinco características clave con la IA:
- Flexibilidad: Como Mercedes-Benz, que usa cobots para la personalización en tiempo real de vehículos.
- Velocidad: Bancos como HSBC usan IA para la detección de fraude en segundos, analizando millones de transacciones diarias.
- Escala: Unilever emplea IA en el reclutamiento para aumentar la diversidad y eficiencia del proceso.
- Toma de Decisiones: General Electric utiliza "gemelos digitales" e IA para predecir fallos de equipos y ofrecer recomendaciones de mantenimiento, ahorrando millones.
- Personalización: Carnival Corporation emplea dispositivos vestibles y redes inteligentes para personalizar la experiencia de los huéspedes en cruceros.
En este contexto de transformación, es crucial adoptar un enfoque que promueva el cambio desde la base, capitalizando las soluciones que ya existen dentro de la organización. El modelo de la "desviación positiva" emerge como un catalizador potente para este rediseño. En lugar de imponer tácticas de arriba hacia abajo o importar "mejores prácticas" externas, este método identifica a individuos o grupos que ya están superando los desafíos con los mismos recursos y limitaciones que los demás. Al amplificar estas "excepciones exitosas", la propia comunidad se convierte en el agente de cambio, reduciendo la resistencia al trasplante de ideas y fomentando una apropiación genuina. Este enfoque de "abajo hacia arriba" y "de adentro hacia afuera" es ideal cuando se requieren cambios de comportamiento y actitud, y cuando las soluciones exitosas ya existen pero están aisladas.
La triada
en equilibrio: Confianza, autonomía y gobernanza
A medida que
los agentes de IA se vuelven más sofisticados, la cuestión de cuánta autonomía
deben poseer se convierte en un desafío central. Demasiada libertad puede poner
en riesgo la reputación, las relaciones con los clientes e incluso la
estabilidad financiera de una empresa. Sin embargo, una supervisión excesiva
anula las ganancias de productividad que los agentes de IA pueden ofrecer. La
clave no reside en la magnitud de los riesgos, sino en cuán bien se comprenden
estos riesgos.
Se proponen tres categorías de problemas para guiar la autonomía de la IA:
- Problemas complicados: Detallados y definidos, aptos para alta autonomía y supervisión mínima (ej. ajustes bancarios automáticos de tasas de interés).
- Problemas ambiguos: Con muchas variables indeterminadas, pero mejoran con más datos (ej. coches autónomos navegando obstáculos, detección de fraude). Los agentes de IA aprenden rápidamente con retroalimentación humana.
- Problemas inciertos: Los más desafiantes, "incógnitas desconocidas" donde más datos no ayudan por la falta de conocimiento del dominio (ej. pandemias, fragilidad de cadenas de suministro). Aquí, los humanos, con su adaptabilidad y originalidad, son esenciales.
La confianza es la moneda de cambio en la era de los agentes de IA. Existen riesgos latentes, como la vulnerabilidad a criminales (reprogramación por hackers), la manipulación por parte de comerciantes o anunciantes con preferencias sesgadas, o la susceptibilidad a la desinformación. Para mitigar estos riesgos, se proponen pasos clave en la gobernanza de los agentes de IA:
- Tratar a los agentes de IA como fiduciarios: Asegurar que los sistemas legales les otorguen un deber de cuidado mejorado, con responsabilidades de obediencia, lealtad, divulgación y diligencia.
- Fomentar la aplicación del mercado de la independencia de los agentes de IA: Promover seguros contra usos no autorizados de la información digital y herramientas que permitan a los usuarios monitorear, controlar y auditar el comportamiento de sus agentes.
- Mantener las decisiones localizadas: Restringir la capacidad de los agentes para divulgar datos personales y mantener los datos sensibles y la toma de decisiones localizada en los dispositivos personales del usuario para reducir la interferencia externa.
Además, se necesitan marcos éticos que converjan en principios básicos como la equidad, responsabilidad, sostenibilidad y transparencia. La gobernanza de datos es crucial para asegurar la calidad y el cumplimiento de requisitos legales y éticos, evitando la discriminación y garantizando la privacidad.
El nuevo rol
del liderazgo y las habilidades del futuro
La transformación impulsada por la IA no solo exige un cambio tecnológico, sino también un cambio cultural y organizacional profundo. Esto requiere el desarrollo de empleados con "habilidades de fusión", capaces de delegar tareas a la IA, combinar sus habilidades humanas distintivas con las de las máquinas, enseñar nuevas habilidades a los agentes inteligentes y asegurar su uso responsable y ético.
El liderazgo debe adaptarse drásticamente. En el modelo de desviación positiva, el líder tradicional deja de ser el "Director Experto Principal" (CEO) para convertirse en el "Director de Facilitación" (CFO). Su rol es ceder a la comunidad el papel de "descubridor principal", gestionando la atención, asignando recursos y asegurando el progreso, sin imponer desde arriba. Como señala Jensen Huang, CEO de Nvidia, "El departamento de TI de cada empresa será el departamento de RRHH de los agentes de IA en el futuro". Este enfoque de "Práctica, Actitud, Conocimiento" (PAK), donde la acción precede al pensamiento, es fundamental para que las organizaciones asimilen nuevas formas de trabajo con la IA.
La tecnología para construir agentes inteligentes es cada vez más accesible, lo que democratiza su desarrollo más allá de las grandes corporaciones. Sin embargo, la clave reside en definir claramente qué se necesita resolver y qué grado de autonomía se espera.
En conclusión, la era de los agentes de IA no es una mera evolución tecnológica, sino el inicio de una nueva forma de diseñar, delegar y ejecutar tareas complejas. Las organizaciones que se limiten a utilizar la IA para desplazar trabajadores a través de la automatización se perderán su potencial transformador completo. Los líderes del futuro serán aquellos que abracen la inteligencia colaborativa, rediseñen sus operaciones y, crucialmente, inviertan en su fuerza laboral, garantizando que la autonomía de la IA esté intrínsecamente ligada a la confianza y una gobernanza sólida. Al hacer esto, no solo optimizarán el rendimiento, sino que también construirán una base sólida para un futuro donde humanos y máquinas no compiten, sino que coexisten y co-crean valor.
Referencias:
- Agile Scrum Chile. (2023, agosto 9). Scrum y la I.A. https://www.agilescrum.cl/post/scrum-y-la-i-a
- ADEN. (n.d.). Inteligencia Artificial: Casos de Éxito Empresarial.
- ADEN. (n.d.). Metodologías ágiles: Qué son y cuáles son las más utilizadas.
- Botpress. (n.d.). Los 7 mejores marcos gratuitos para agentes de IA. Botpress.
- Buchanan, I. (2025). ¿Cómo se interrelacionan la metodología ágil y DevOps? Atlassian.
- Casarini, G. (2024, 11 de diciembre). Kanban con un toque de IA: Superpoderes para organizar y priorizar mejor. Netmind.
- CEUPE. (n.d.). ¿Qué es un Agente Inteligente? Características, tipos y cómo funciona. CEUPE.
- COSMO CONSULT. (2025, 3 de abril). Cómo implementar soluciones de Inteligencia Artificial en tu empresa: Guía en 6 Pasos. COSMO CONSULT.
- Corvalán, J. G., & Sánchez Caparrós, M. (2025). Agentes de inteligencia artificial y workflows agénticos: la nueva frontera de la automatización: guía práctica para comprender qué son, cómo funcionan y cuándo utilizarlos. La Ley. https://ialab.com.ar/
- Gómez Sanz, J. J. (2003). Metodologías para el desarrollo de sistemas multi-agente. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, 7(18), 51–63. http://www.redalyc.org/articulo.oa?id=92501805
- IBM. (n.d.). Gestión de riesgos en IA. IBM.
- Komorebi AI. (2024). ¿Cómo gestionar un proyecto de inteligencia artificial? Komorebi AI.
- Maldonado, T. (2025, 18 de abril). Agentes inteligentes: qué son, cómo usarlos y por dónde empezar hoy.
- Oracle. (2025). Pon a trabajar los agentes de IA en toda la empresa. Oracle.
- OpenWebinars. (n.d.). Uso de la IA para optimizar la aplicación de Scrum.
- Paz Uribe, A., & Márquez, J. (n.d.). Mejores prácticas en inteligencia artificial para empresas. PwC.
- Prosci. (n.d.). Gestión del Cambio en IA. Prosci.
- Reddit. (n.d.). ¿Cuál es el mejor framework para agentes de IA de producción en este momento? [Online forum post]. r/AI_Agents. Recuperado de los materiales de origen.
- Chudleigh, S. (2024, 11 de julio). 36 ejemplos reales de agentes de IA. Botpress.
- Vélez, M. I., Gómez Santamaría, C., & Osorio Sanabria, M. A. (2022). Conceptos fundamentales y uso responsable de la Inteligencia Artificial en el sector público. Informe 2. CAF. scioteca.caf.com
- Levin, B., & Downes, L. (2025, May 26). Can AI agents be trusted? Harvard Business Review. https://hbr.org/2025/05/can-ai-agents-be-trusted
- Pascale, R. T., & Sternin, J. (s.f.). Your company’s secret change agents. Harvard Business Review. https://hbr.org/reprint
- Walsh, M. (2025, January 15). How much supervision should companies give AI agents? Harvard Business Review. https://hbr.org/2025/01/how-much-supervision-should-companies-give-ai-agents
- Wilson, H. J., & Daugherty, P. R. (2018, July–August). Collaborative intelligence: Humans and AI are joining forces. Harvard Business Review. https://hbr.org/2018/07/collaborative-intelligence-humans-and-ai-are-joining-forces
Por Carlos Campa Arvizu.
Comentarios
Publicar un comentario