01/12/2025
¡Bienvenidos de nuevo! En esta serie sobre las cinco verdades reales acerca de la IA en el lugar de trabajo, ya hemos abordado temas como la confianza yla personalización. A medida que las organizaciones entran en el último trimestre del año, la presión por el rendimiento se intensifica. Hay que cumplir los objetivos de ingresos, las ineficiencias operativas se hacen más visibles y los equipos directivos buscan resultados inmediatos. Según el estudio State of AI de McKinsey, las organizaciones que vinculan las iniciativas de IA directamente a resultados empresariales definidos tienen muchas más probabilidades de lograr mejoras cuantificables en el rendimiento que aquellas que persiguen la automatización sin una alineación estratégica.
La brecha de eficiencia al final del año rara vez se debe a una falta de esfuerzo. Por lo general, es el resultado de cuellos de botella estructurales, flujos de trabajo fragmentados y ciclos de decisión retrasados, áreas en las que la IA puede aportar valor, pero solo en las condiciones adecuadas.
Este año, más organizaciones están recurriendo a la IA para aliviar la presión de fin de año, pero el verdadero factor diferenciador no es la herramienta, sino la disciplina que hay detrás de ella. Gartner prevé que al menos el 30 % de los proyectos de IA generativa se abandonarán tras la prueba de concepto a finales de 2025, a menudo debido a la mala calidad de los datos, los controles de riesgo inadecuados, el aumento de los costes o el valor empresarial poco claro.
Por eso, la «eficiencia con IA» no debe comenzar con la automatización. Debe comenzar con claridad: qué flujos de trabajo están realmente preparados, qué datos reflejan la realidad y dónde debe seguir interviniendo el juicio humano. De lo contrario, las implementaciones apresuradas y la automatización excesiva no eliminan el trabajo, sino que lo amplifican.
Entonces, ¿cómo pueden las organizaciones lograr el equilibrio adecuado? La respuesta comienza con el enfoque. No todos los procesos se benefician por igual de la IA, y no todas las brechas de eficiencia son de naturaleza tecnológica. Según la investigación State of AI de McKinsey, las organizaciones que dan prioridad a un pequeño número de casos de uso de alto impacto, en lugar de distribuir las inversiones en IA de forma dispersa entre los departamentos, son significativamente más propensas a reportar mejoras medibles en el rendimiento.
Por lo tanto, la IA debe tratarse como una capacidad que mejora los flujos de trabajo bien definidos, y no como una capa de optimización general. Las ganancias en eficiencia surgen cuando las organizaciones identifican los cuellos de botella en la toma de decisiones, los grupos de cargas de trabajo repetitivas y las tareas que requieren un uso intensivo de datos, en los que la automatización y la ampliación pueden aportar valor de forma realista.
La interminable búsqueda de la eficiencia
Desde el comienzo de la Era Industrial, la eficiencia se ha convertido en el santo grial del mundo empresarial. A medida que crecía la escala de la producción en masa a principios del siglo XX, famosos industriales como Henry Ford se obsesionaron con encontrar una forma única y óptima de hacer las cosas. Ford inventó la cadena de montaje móvil, que redujo el tiempo de producción del Modelo T de 12 horas a sólo 90 minutos.
La mentalidad de la eficiencia nos proporcionó grandes avances en productividad, como flujos de trabajo estandarizados y, con el tiempo, procesos automatizados impulsados por la tecnología. Sin embargo, por muy "óptimo" que sea un proceso hoy, es inevitable que más adelante pueda ser aún más eficiente. Especialmente a medida que nuevas tecnologías como la IA alcanzan su madurez.
Las presiones por la eficiencia se manifiestan de manera diferente en cada sector, pero el patrón estructural es el mismo. Las instituciones financieras se enfrentan a sistemas obsoletos que ralentizan los ciclos de decisión y aumentan los gastos generales de cumplimiento normativo. Las aseguradoras se enfrentan a un aumento del volumen de reclamaciones, combinado con un control regulatorio más estricto. Los minoristas operan con márgenes cada vez más reducidos y previsiones de demanda volátiles. Los fabricantes gestionan la fragilidad de la cadena de suministro y los costes energéticos fluctuantes.
Lo que distingue a las organizaciones que mejoran la eficiencia de las que simplemente automatizan no es el sector, sino la madurez de la ejecución. Una investigación de IBM destaca que la mala calidad de los datos por sí sola cuesta a las organizaciones millones cada año en pérdida de productividad y decisiones mal informadas. Cuando los sistemas de IA se superponen a datos inconsistentes o flujos de trabajo fragmentados, amplifican las ineficiencias en lugar de resolverlas.
La eficiencia sostenible surge cuando se dan tres condiciones básicas: datos fiables que reflejen la realidad operativa, flujos de trabajo diseñados para ser adaptables en lugar de rígidos, y equipos que comprendan cómo se generan los resultados de la IA y en qué casos debe intervenir el criterio humano.
¿Son las victorias rápidas demasiado buenas para ser verdad?
Los casos de éxito de la IA son cada vez más visibles, desde la agilización de la tramitación de hipotecas en NatWest hasta la aceleración de la gestión de reclamaciones en Aviva. Estos ejemplos demuestran lo que se puede conseguir cuando se aplica la IA con disciplina. Sin embargo, para ampliar esos resultados se necesita algo más que replicar las herramientas. Se necesita replicar la gobernanza.
Una investigación de McKinsey muestra que las organizaciones que obtienen los mayores beneficios de la IA son aquellas que combinan el despliegue tecnológico con la gestión de riesgos, la explicabilidad y los marcos de supervisión humana. Los resultados rápidos rara vez son fruto de la automatización por sí sola, sino del resultado de una implementación estructurada.
En sectores altamente regulados, como la banca y los seguros, el aumento de la eficiencia debe ir acompañado de la rendición de cuentas. Los reguladores exigen cada vez más una lógica de decisión transparente y un comportamiento modelo documentado. La Ley de IA de la UE, por ejemplo, introduce requisitos explícitos para los sistemas de IA de alto riesgo, lo que refuerza la necesidad de explicabilidad y trazabilidad.
La calidad de los datos sigue siendo el multiplicador silencioso. Según IBM, la mala calidad de los datos cuesta a las organizaciones millones cada año en pérdidas operativas y errores de decisión. Los sistemas de IA entrenados con datos incompletos o sesgados pueden funcionar bien en condiciones estables, pero pueden deteriorarse rápidamente cuando cambia la dinámica del mercado.
En todos los sectores, el patrón es el mismo: la eficiencia sostenible no se consigue eliminando a los seres humanos del ciclo, sino redefiniendo su papel. Las organizaciones deben preguntarse continuamente: ¿Qué utiliza el modelo? ¿Qué supuestos plantea? ¿En qué aspectos sigue siendo humana la responsabilidad? ¿Y qué salvaguardias existen si las predicciones fallan?
Hacer sostenible la eficiencia
La eficiencia siempre será dinámica. A medida que las organizaciones optimizan un proceso, inevitablemente surgen nuevos cuellos de botella en otros ámbitos. La IA puede aliviar la presión operativa, pero solo cuando se implementa dentro de un marco estructurado de gobernanza y capacidad.
La eficiencia sostenible depende de tres principios duraderos: gestión disciplinada de los datos, casos de uso claramente priorizados y responsabilidad humana definida. Las organizaciones que formalizan la supervisión —aclarando quién es responsable del rendimiento del modelo, cómo se supervisan los resultados y cuándo se requieren intervenciones— reducen el riesgo de consecuencias no deseadas al tiempo que refuerzan la creación de valor a largo plazo.
La gobernanza no es una carga administrativa. Es una garantía de rendimiento. La Ley de IA de la UE refuerza esta orientación al introducir mayores expectativas en materia de transparencia, trazabilidad y gestión de riesgos para los sistemas de IA de alto impacto. Las empresas que incorporen estos principios desde el principio no solo seguirán cumpliendo con la normativa, sino que crecerán con mayor confianza.
A medida que aumenta la presión de fin de año, las organizaciones más resilientes resistirán la tentación de la optimización a corto plazo a expensas de la claridad estructural. La IA no sustituye al criterio. Lo potencia. Y cuando se basa en la responsabilidad, la adaptabilidad y el aprendizaje continuo, se convierte en una ventaja de eficiencia duradera en lugar de una ganancia rápida estacional.
Si está evaluando cómo la IA puede fortalecer la resiliencia operativa y el rendimiento de su organización, nuestro equipo puede ayudarle a evaluar su preparación, la madurez de la gobernanza y los próximos pasos prácticos.
