La unidad de adopción no debería ser “la IA”
Decir “vamos a utilizar IA en compras”, “en calidad” o “en ingeniería” es demasiado amplio para diseñar una implementación responsable.
Cada función contiene tareas con datos, consecuencias y niveles de riesgo diferentes.
Una herramienta puede ayudar a resumir documentación, clasificar información o preparar un primer análisis y, dentro del mismo departamento, ser inadecuada para una decisión que exige interpretación física, criterio técnico o responsabilidad regulatoria.
Por eso la unidad útil de diseño es el workflow concreto.
OpenAI Academy propone evaluar oportunidades de IA comenzando por un problema observable del proceso: frecuencia, retrasos, retrabajo, dependencias, sistemas involucrados, responsables y estabilidad de la operación. La recomendación puede ser probar, validar más, posponer o evitar la automatización cuando el proceso todavía no está suficientemente definido.
La capacidad de la IA no es uniforme
La investigación de Harvard Business School y Boston Consulting Group sobre la llamada jagged technological frontier documentó un comportamiento importante: la IA puede mejorar considerablemente el desempeño en determinadas tareas y empeorarlo en otras que parecen cercanas en dificultad.
En el experimento con 758 consultores, los participantes que utilizaron GPT-4 obtuvieron mejoras relevantes en tareas situadas dentro de la frontera de capacidad del modelo. Sin embargo, en una tarea compleja situada fuera de esa frontera, los participantes con IA fueron menos propensos a producir la respuesta correcta.
El hallazgo no debe extrapolarse directamente a una planta industrial. Las tareas estudiadas fueron de consultoría y trabajo de conocimiento.
La implicación sí es transferible: una organización no debería asumir que el desempeño observado en una tarea demuestra confiabilidad en todas las tareas cercanas.
Un workflow confiable necesita límites visibles
Antes de introducir IA, el proceso debería poder responder al menos cinco preguntas.
1. ¿Cuál es el resultado esperado?
“Ahorrar tiempo” es demasiado impreciso. El workflow debe definir qué salida produce y qué condición permite considerarla correcta.
2. ¿Qué información puede utilizar?
Los datos de entrada deben estar identificados. Versiones antiguas, documentos contradictorios o información sin propietario convierten un problema de información en un problema de automatización.
3. ¿Dónde puede equivocarse?
No todas las fallas tienen el mismo impacto. Un error en un borrador interno y un error en una especificación enviada a producción requieren controles diferentes.
4. ¿Quién valida el resultado?
La revisión humana debe tener un responsable real. “Alguien lo revisará” no es gobernanza.
5. ¿Qué evidencia determinará si debe escalar?
La adopción no debería medirse solo por número de usuarios o velocidad. También puede requerir precisión, reducción de retrabajo, calidad, errores, overrides, escalaciones y satisfacción de quienes utilizan el proceso.
La productividad aparente también necesita validación
El Anthropic Economic Index ha mostrado que los modelos pueden producir ahorros importantes de tiempo, especialmente en tareas complejas, pero sus propios análisis ajustan las estimaciones de productividad cuando incorporan la probabilidad de éxito de la tarea.
Esa distinción es importante.
Una tarea puede ejecutarse mucho más rápido y requerir después más corrección. También puede generar una respuesta fluida cuya calidad aparente supere su confiabilidad real.
Por ello, medir solo minutos ahorrados puede sobreestimar el valor.
OpenAI Academy propone capturar evidencia del workflow en uso: datos de ejecución, revisiones de calidad, feedback estructurado, registros, observación y métricas relacionadas con el problema original.
Un workflow no demuestra valor porque funciona una vez. Lo demuestra cuando la evidencia permite explicar qué hace bien, dónde falla y bajo qué condiciones debe utilizarse.
La gobernanza empieza antes del despliegue
Gobernar IA no es únicamente redactar una política general sobre herramientas permitidas.
También significa diseñar cada implementación con:
- un propietario del workflow;
- una finalidad definida;
- datos e inputs identificados;
- límites conocidos;
- revisión proporcional al riesgo;
- registro de evidencia;
- criterios para continuar, corregir o detener.
En industria, este enfoque permite distinguir automatización útil de automatización prematura.
La pregunta madura deja de ser “¿qué puede hacer la IA?” y se convierte en “¿qué parte de este proceso podemos delegar, bajo qué condiciones y con qué evidencia?”.
Preguntas frecuentes
¿Qué workflow debería automatizar primero una empresa?
Uno con un problema observable, suficiente estabilidad, entradas identificables, responsables claros y una forma realista de medir si la intervención mejora el trabajo.
¿Toda salida de IA necesita aprobación humana?
No necesariamente. El nivel de revisión debe ser proporcional al impacto de un error, al grado de autonomía del sistema y a la evidencia disponible sobre su desempeño.
¿Cómo se mide el valor de un workflow con IA?
Con métricas vinculadas al problema original: tiempo total, calidad, precisión, errores, retrabajo, escalaciones, uso y evidencia cualitativa. La velocidad por sí sola no demuestra valor.
¿La “frontera tecnológica dentada” fue estudiada en manufactura?
No. El estudio original utilizó tareas de consultoría. Se cita para demostrar que el desempeño de la IA puede ser desigual entre tareas, no para atribuir cifras de productividad específicas a una planta industrial.
Fuentes
- Harvard Business School AI Institute. “Back to the Beginnings of AI at Work.” 9 de abril de 2026. Revisión del estudio sobre la jagged technological frontier. https://aiinstitute.hbs.edu/back-to-the-beginnings-of-ai-at-work/
- Dell’Acqua, Fabrizio et al. “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality.” Revisión del paper: 17 de marzo de 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321
- OpenAI Academy. “Evaluate AI workflow readiness.” 7 de mayo de 2026; actualizado 12 de junio de 2026. https://academy.openai.com/public/clubs/champions-ecqup/resources/ai-use-case-discovery-and-prioritizer-2026-05-07
- OpenAI Academy. “Gather appropriate evidence of value.” 17 de julio de 2026. https://academy.openai.com/public/clubs/champions-ecqup/resources/gather-appropriate-evidence-of-value-2026-07-17
- Anthropic. “Anthropic Economic Index report: Cadences.” 26 de junio de 2026. https://www.anthropic.com/research/economic-index-june-2026-report