El costo de la inteligencia artificial no se limita a los recursos informáticos. El verdadero desgaste es humano: revisar, corregir y estabilizar constantemente un sistema antes de que su trabajo pueda utilizarse genera una carga mental que muchas organizaciones pasan por alto.
La supervisión de los bots es, en cierta medida, inevitable e incluso beneficiosa. Sin embargo, la mayoría de las tareas que reportan los trabajadores son tediosas y rutinarias. Cada vez que un empleado sobrecarga un modelo con contexto, vuelve a ejecutar una tarea o transfiere el trabajo a un modelo más costoso solo para obtener algo útil, la organización termina pagando dos veces: una por la potencia de procesamiento adicional y otra por el trabajo manual necesario para guiar la herramienta hacia un resultado aceptable.
Los tres errores de cálculo de los líderes
Lo que parece un problema de productividad individual es, en realidad, un problema de diseño organizacional que se origina en tres fallos comunes entre los directivos.
Subestimar la gestión que requiere la IA
Los líderes suelen ignorar el trabajo humano necesario para que la IA sea útil: aportar el contexto que falta, verificar la precisión, corregir respuestas a medias y suavizar los errores cuando la herramienta malinterpreta la relación, lo que está en juego o el tono. Para solucionarlo, evalúe cuánto tiempo dedican los empleados a supervisar a los bots. Pregúntese: ¿esta supervisión genera valor o solo demuestra que la herramienta no está lista? Reduzca la supervisión innecesaria integrando la IA directamente en el flujo de trabajo, evitando interfaces independientes que multipliquen las tareas de inicio de sesión y cambio de contexto.
Confundir acceso a datos con contexto útil
Las organizaciones deben tratar el contexto como infraestructura, no como algo que los empleados introducen manualmente. Es clave que los desarrolladores de IA trabajen junto a expertos en el tema que conozcan dónde falla el proceso oficial y cómo se ve lo “correcto” en la práctica. Además, se necesita invertir en una capa de contexto que capture cómo se realiza realmente el trabajo: qué versión de un documento es confiable, qué gerente da el visto bueno, quién es la autoridad tras la salida del responsable original, y quién conoce la diferencia entre las pautas escritas y lo que aprueba el departamento de cumplimiento. Nuestra investigación muestra que este metaconocimiento es crucial para el funcionamiento de las organizaciones, pero suele estar ausente porque reside en las personas y las relaciones, no en documentos oficiales.
Medir lo incorrecto
Muchas organizaciones se aferran a lo que un ejecutivo de una empresa Fortune 100 denominó “métricas de vanidad”: cifras fáciles de contar como clics, tokens consumidos o licencias implementadas. La Ley de Goodhart (cuando una medida se convierte en un objetivo, deja de ser buena) sigue vigente en la adopción de la IA. Para contrarrestarla, mida en múltiples dimensiones, incluida la calidad. En una encuesta, el 83% de los trabajadores afirmó que la IA mejoraba su trabajo cuando su organización monitoreaba la calidad junto con la productividad, frente al 68% cuando solo se monitoreaba la productividad. Una organización estudiada evalúa la IA en tres ejes: eficiencia, calidad y experiencia de los empleados, para evitar aprobar ganancias de eficiencia que agoten al personal o degraden la experiencia del cliente.
También es necesario desarrollar métricas sobre los costos de supervisión: frecuencia con la que los resultados necesitan revisión humana, cuántos intentos de instrucciones o “prompts” se requieren para obtener algo útil, y cuánto tiempo dedican los empleados a verificar respuestas o ajustar el contexto entre herramientas. Los empleados necesitan seguridad psicológica para reportar fallas de la IA. Si los líderes dan demasiada importancia al recuento de tokens o a las rachas de inicio de sesión, no deberían sorprenderse cuando los trabajadores dejen de señalar los resultados erróneos.
Fuente: Infobae