En un mundo laboral donde la inteligencia artificial avanza a pasos agigantados, los empleados de nivel inicial están en la primera línea de esta transformación. Tradicionalmente, los puestos junior incluían tareas que servían como puerta de entrada a una industria y permitían desarrollar experiencia. Sin embargo, hoy muchas de esas actividades corren el riesgo de ser absorbidas por flujos de trabajo impulsados por IA, que ya pueden manejar tareas analíticas complejas. La investigación muestra que la IA está modificando rápidamente los estándares de lo que se considera un resultado aceptable, elevando la vara a medida que los modelos mejoran.
En este contexto, las organizaciones necesitan entender cómo las personas generan valor más allá de lo que la IA puede ofrecer, especialmente en puestos profesionales que requieren criterio, conocimiento del sector y resultados listos para la toma de decisiones. Esto plantea dos preguntas clave: ¿Qué permite a los empleados junior agregar valor en flujos de trabajo asistidos por IA? ¿Cómo se pueden desarrollar esas capacidades intencionadamente para que sigan mejorando conforme la IA avanza? Los líderes requieren respuestas claras a estas interrogantes; de lo contrario, podrían perjudicar el retorno de sus inversiones en IA y su propio talento humano.
La investigación de campo
Para responder a estas preguntas, KPMG y la Universidad de Texas en Austin realizaron un estudio de campo a gran escala con 523 profesionales radicados en Estados Unidos, todos en las primeras etapas de su carrera en KPMG y con 18 meses o menos de antigüedad. El objetivo era comprender cómo generar valor en este nuevo escenario. La investigación consistió en que los participantes completaran tareas específicas del negocio utilizando un agente de IA diseñado para ese ámbito.
Para establecer un punto de referencia, primero se permitió que los agentes de IA realizaran el trabajo por sí solos. Luego, se pidió a los participantes que hicieran la misma labor empleando la IA. La meta era identificar quién aportaba valor más allá de la máquina, quién solo replicaba el resultado y quién incluso disminuía el rendimiento. Los hallazgos revelaron tres perfiles de desempeño claramente diferenciados:
- Aprendices de IA (24,1 %): Obtuvieron un desempeño inferior al punto de referencia establecido por la IA.
- Delegados de IA (25,8 %): Lograron resultados comparables a los de la IA, sin ir más allá.
- Potenciadores de IA (50,1 %): Superaron el rendimiento de la IA, añadiendo valor real.
Una de las sorpresas del estudio fue que las habilidades tradicionales —como el pensamiento crítico, la educación en IA y el conocimiento del ámbito laboral— no fueron indicadores fiables para predecir a qué grupo pertenecía cada persona. En cambio, la forma en que los empleados trabajaban marcaba la diferencia. Esto revela algo importante: la IA no estandariza el trabajo; más bien amplifica las diferencias en cómo las personas aplican sus destrezas. Las empresas deben replantearse cómo diseñan los puestos de nivel inicial y cómo miden el desempeño de sus empleados.
Los tres perfiles en acción
Aprendices de IA: A pesar de obtener puntuaciones más altas en pensamiento crítico, conocimiento especializado y educación en IA que los delegados, y ser casi indistinguibles de los potenciadores, estos trabajadores no lograban traducir sus capacidades en mejoras. Aunque criticaban las respuestas de la IA, esa crítica rara vez se traducía en un producto mejorado. Les faltaba aplicar sus habilidades dentro del flujo de trabajo para guiar, evaluar y refinar los resultados de la IA.
Delegados de IA: Obtuvieron las calificaciones más bajas en habilidades fundamentales, pero no fueron los de peor desempeño. Como los sistemas de IA ya generan resultados competentes, los delegados mostraron una productividad aceptable si se evaluaba únicamente el producto final. Sin embargo, solían aceptar los resultados de la IA con poco cuestionamiento, agregaban razonamiento limitado y no aportaban valor adicional significativo.
Potenciadores de IA: Se distinguieron no por tener habilidades base más fuertes, sino por la manera en que combinaban y aplicaban esas habilidades al trabajar con IA. Coordinaban activamente el flujo de trabajo, planteaban problemas que guiaban a la IA hacia análisis relevantes, anclaban el trabajo en marcos adecuados y definían criterios de evaluación claros.
Replanteando el talento junior
Los resultados sugieren que las organizaciones tienen una oportunidad importante para rediseñar el desarrollo de los empleados en sus niveles iniciales. Personas con niveles similares de conocimiento pueden producir resultados muy diferentes una vez que la IA se integra en su trabajo. Con la intervención adecuada, aquellos que hoy enfrentan dificultades pueden convertirse en colaboradores sólidos, especialmente si sus capacidades actuales se alinean mejor con la forma de trabajar junto a la IA.
A medida que la IA establece un punto de referencia de alta calidad, se espera que el rol humano pase de producir respuestas a dirigir, evaluar y ampliar el trabajo generado por la IA. Los sistemas de capacitación y evaluación que enfaticen cómo los empleados plantean problemas, cuestionan resultados, refinan productos e integran conocimientos ayudarán a que más personas traduzcan consistentemente sus capacidades en impacto real.
Reconsiderando la experiencia en el nivel inicial
Potenciar a los profesionales junior no solo implica aumentar sus conocimientos, sino también enseñarles a convertir ese saber en acciones efectivas dentro de flujos de trabajo con IA. Con base en el estudio, las organizaciones deben priorizar una capacitación contextual y basada en tareas que se centre en cómo se trabaja realmente con agentes de IA: cómo estructurar problemas, guiar iterativamente a los sistemas, evaluar críticamente resultados e integrarlos en la toma de decisiones. Esto significa diseñar el aprendizaje en IA como un proceso continuo, no como una capacitación puntual.
En términos generales, las conclusiones se resumen en tres lecciones para las empresas que buscan maximizar la colaboración entre humanos e IA:
- Reconsiderar la generación de valor humano: A medida que la IA genera resultados de alta calidad, la contribución de los empleados pasará de producir respuestas a dirigir, evaluar y ampliar esos resultados. Poseer capacidades fundamentales es necesario pero no suficiente; la capacitación debe involucrar a los empleados en flujos de trabajo reales con IA.
- Hacer visible el criterio desde el principio: Las empresas deben poner más énfasis en sacar a la luz el criterio de los empleados junior, permitiendo que su juicio se manifieste en la interacción con la IA.
- Trasladar la evaluación de las respuestas al proceso: Evaluar solo los resultados finales ya no es suficiente cuando la IA puede generar resultados de calidad. Se debe evaluar cómo los empleados interactúan con la IA a lo largo de todo el flujo de trabajo.
A medida que los agentes de IA asumen el trabajo de conocimiento inicial, las diferencias en la generación de valor dependerán cada vez más de qué tan bien los empleados aplican sus habilidades fundamentales dentro de flujos de trabajo mediados por IA bien diseñados. El futuro del trabajo junior no está en competir con la máquina, sino en aprender a potenciarla.
Fuente: Infobae