Liderando en la era de la IA

Todos los días nos encontramos con previsiones radicalmente opuestas sobre el impacto de la inteligencia artificial. Algunos creen que eliminará un gran volumen de empleos y transformará profundamente la sociedad. Otros advierten que la tecnología está sobrestimada, es propensa a alucinaciones y es mucho menos capaz de lo que sugieren los titulares. Entre estos dos extremos existe un escenario confuso para los líderes que intentan entender lo que la IA realmente representa para sus organizaciones.

Para navegar por este debate, vale la pena dar un paso atrás y separar el hype de la realidad. La inteligencia artificial no es exactamente una novedad. De hecho, muchas formas de lo que podríamos llamar “IA a gran escala” existen desde hace décadas. La robótica, la visión computacional, la automatización y los sistemas expertos se utilizan en la manufactura y la ingeniería desde hace más de 40 años. Estas tecnologías operan en el mundo físico (máquinas que se mueven, agarran, inspeccionan y procesan materiales reales). Podemos pensar en esto como el “lado del torque” de la IA, como suelo llamarlo: el dominio en el que las máquinas interactúan directamente con el entorno físico.

Lo que tomó al mundo por sorpresa en los últimos años fue algo diferente: el rápido surgimiento de los grandes modelos de lenguaje, o LLM. Cuando herramientas como ChatGPT se volvieron ampliamente accesibles, millones de personas tuvieron contacto repentino con un nuevo tipo de inteligencia artificial. En lugar de controlar robots o equipos industriales, estos sistemas pasaron a interactuar por medio del lenguaje, produciendo textos, explicaciones, resúmenes y código de programación.

Esta distinción es importante. La IA tradicional se ocupaba de acciones físicas y sistemas mecánicos. La IA generativa actúa en un mundo completamente diferente: el mundo de las palabras y de los patrones de lenguaje. Comprender esta diferencia ayuda a explicar tanto el entusiasmo como la confusión en torno a la IA moderna.

El problema del hype frente a la realidad

Parte del desafío es que la mayoría de las personas interactúa con la IA solo en su nivel más básico. Muchos usuarios, por ejemplo, tienen contacto con los grandes modelos de lenguaje únicamente a través de interfaces simples de chat. En ese nivel, los resultados pueden parecer imprevisibles. Algunas veces las respuestas son impresionantes; otras, son incorrectas, incompletas o extrañamente fuera de contexto.

Esta inconsistencia ocurre porque los modelos de lenguaje no "piensan" de hecho. Generan respuestas prediciendo la siguiente palabra más probable, con base en patrones presentes en los datos usados en su entrenamiento — principalmente grandes volúmenes de contenido disponible en internet. Algunos investigadores los describen como “loros estocásticos”: sistemas que simulan razonamiento, pero que no tienen una comprensión real del mundo.

A pesar de esta limitación, los modelos de lenguaje son sorprendentemente capaces. Cuando se utilizan adecuadamente, pueden ejecutar muchas tareas que antes exigían un esfuerzo humano considerable. El punto central es aprender a ir más allá de las interacciones más básicas.

En la práctica, existen varios niveles de utilización de la IA. En el nivel más elemental (la interfaz de chatbot), casi cualquier persona puede participar. Sin embargo, a medida que avanzamos en la escala de madurez y capacidad, el número de personas capaces de utilizar estas herramientas de manera efectiva disminuye drásticamente.

El nivel siguiente implica la ingeniería de prompts, en la que los usuarios elaboran cuidadosamente las instrucciones para orientar las respuestas del modelo. Por encima de eso está la interacción por medio de API, en la que los desarrolladores se conectan directamente a los modelos de IA utilizando herramientas de programación, como Python. Esto permite integrar la IA en aplicaciones y automatizar flujos de trabajo más complejos. Más allá de este nivel, existen técnicas avanzadas, como la generación aumentada por recuperación, conocida por la sigla RAG, que conecta los modelos a fuentes externas de datos, y los sistemas ajustados para la ejecución de tareas específicas.

Aunque estos enfoques avanzados pueden producir resultados impresionantes, solo una parte muy pequeña de los usuarios opera en estos niveles actualmente. La mayoría permanece en la etapa básica de interacción. Como consecuencia, las capacidades reales de la IA muchas veces parecen exageradas o se comprenden mal.

Dónde se destaca la IA... y dónde encuentra dificultades

Para entender cómo deben abordar los líderes la IA, ayuda considerar las diferencias entre la forma en que los seres humanos y las máquinas conducen sus procesos de pensamiento. Como señaló Balaji Srinivasan, investigador de Stanford, los humanos piensan de punta a punta por naturaleza: ante un problema, somos capaces de definir la situación, desarrollar hipótesis, ejecutar soluciones y reflexionar sobre los resultados. En el pensamiento lean, este ciclo se representa frecuentemente mediante el PDCA (planificar, hacer, verificar y actuar). Los modelos de lenguaje funcionan de manera diferente: su mejor desempeño se da en las etapas intermedias del proceso de pensamiento. En palabras de Srinivasan, son “pensadores del medio al medio”.

Al inicio del ciclo de resolución de problemas, la etapa de Planificar, los seres humanos se destacan. Enmarcamos el problema, reunimos el contexto y decidimos qué dirección seguir. La IA enfrenta dificultades en esta etapa porque no posee una comprensión concreta del mundo real. Sin una orientación clara, puede generar fácilmente sugerencias irrelevantes o engañosas.

Al final del ciclo, la etapa de Actuar, los humanos también predominan. Esta fase implica juicio, reflexión y capacidad de adaptar estrategias con base en la experiencia. Una vez más, son áreas en las que la IA presenta limitaciones claras.

Sin embargo, en las etapas intermedias (análisis, síntesis y razonamiento estructurado), la IA puede ser extremadamente poderosa. Una vez que la tarea está claramente definida, los modelos de lenguaje logran procesar grandes volúmenes de información, producir resúmenes y sugerir posibles soluciones.

Este patrón queda aún más claro cuando analizamos diferentes tipos de resolución de problemas, tema que abordé en mi libro Four Types of Problems. La IA presenta su mejor desempeño en tareas procedimentales, en las que tanto el problema como la solución ya se comprenden bien. En términos lean, esto se asemeja a la resolución de problemas de Tipo 1, que implica acción y respuesta rápidas ante condiciones anormales. Son tareas como escribir código de rutina, resumir documentos o solucionar problemas conocidos.

Para los problemas de diagnóstico (Tipo 2), en los que es necesario investigar la situación, la IA puede ayudar a organizar la información y proponer hipótesis. No obstante, los seres humanos todavía necesitan verificar los hechos y determinar la causa raíz.

En el diseño de un estado futuro (Tipo 3), la IA se vuelve menos confiable. Definir un estado objetivo movilizador exige observación, imaginación y comprensión del contexto. Estas capacidades siguen siendo esencialmente humanas.

Por último, en el campo de la verdadera innovación (Tipo 4), la IA enfrenta dificultades aún mayores. Aunque logra recombinar ideas existentes de maneras interesantes, rara vez produce avances genuinamente originales sin una fuerte orientación humana.

La tecnología, por sí sola, no es suficiente

Para los líderes que consideran la adopción de la IA (y, seamos honestos, ¿quién no lo está haciendo?), la lección más importante puede venir del propio pensamiento lean:

La tecnología, por sí sola, no genera transformación.

Un marco simple puede sintetizar esta idea: Impacto = Tecnología × Comportamiento × Gestión.

Si cualquiera de estos elementos está ausente, el impacto total se reducirá a cero.

Las organizaciones ya aprendieron esta lección muchas veces. Los sistemas corporativos, como las plataformas ERP, prometieron mejoras significativas, pero frecuentemente fracasaron porque las empresas descuidaron los cambios de comportamiento y de gestión necesarios para que pudieran funcionar.

La IA corre el mismo riesgo. Ni siquiera los algoritmos más avanzados logran generar valor si los profesionales no saben cómo utilizarlos o si la organización no posee un sistema de gestión que oriente su aplicación. Considere un ejemplo conocido de la manufactura lean: el sistema andon. Los sensores y las herramientas de monitoreo recopilan datos de las máquinas y de las líneas de producción, pero la tecnología, aisladamente, no produce ningún resultado si las personas no responden con agilidad cuando ocurre un problema. Los operadores necesitan activar el andon, los supervisores necesitan investigar el problema y los líderes deben garantizar que se solucione y evitar ocurrencias futuras. Sin estas respuestas de comportamiento y estas rutinas de gestión, la tecnología pierde su sentido.

Cuatro prioridades de liderazgo para la era de la IA

Entonces, ¿cómo podemos garantizar que la adopción de la inteligencia artificial genere valor real? Para mí, existen cuatro puntos fundamentales a considerar.

Rediseñe los flujos de trabajo, y no solo tareas aisladas. Las organizaciones que obtienen los mayores beneficios con la IA son aquellas que repiensan sus flujos de trabajo por completo. Automatizar tareas aisladas rara vez trae ganancias significativas. En lugar de eso, los líderes deben analizar cómo fluye el trabajo de principio a fin y rediseñar el proceso con base en las nuevas capacidades disponibles.

No trate la IA como un proyecto de TI. La adopción de la IA no puede delegarse enteramente a los equipos técnicos. Exige pensamiento estratégico sobre dónde la tecnología agrega más valor y cómo su aplicación se conecta con los objetivos de la organización. Esta es una responsabilidad del liderazgo.

Concéntrese en ampliar la capacidad, y no en sustituir. Aunque algunas personas temen que la IA sustituya a grandes partes de la fuerza laboral, el enfoque más prometedor es utilizarla para potenciar la capacidad humana. Cuando los profesionales tienen acceso a herramientas que los ayudan a trabajar con más rapidez, analizar mejor la información y solucionar problemas con más eficacia, las organizaciones pueden crecer, en lugar de simplemente reducir sus estructuras.

Construya confianza por medio de la transparencia y la experimentación. Las determinaciones impuestas de arriba hacia abajo rara vez tienen éxito. Los colaboradores necesitan entender cómo la IA puede beneficiar tanto su trabajo como a los clientes. Comenzar con aplicaciones prácticas, orientadas a la solución de problemas reales, ayuda a construir credibilidad y estimula una adopción más amplia.

Un futuro de optimismo cauteloso

La inteligencia artificial ciertamente transformará muchos aspectos del trabajo, pero su impacto probablemente se dará de manera más gradual y desigual de lo que sugieren los titulares.

La IA generativa es poderosa, pero sigue siendo una herramienta que exige una integración consciente y cuidadosa en los sistemas humanos. Cuando los líderes combinan la tecnología con los comportamientos y las buenas prácticas de gestión, esta tecnología puede acelerar el aprendizaje, mejorar la toma de decisiones y elevar la productividad.

Al fin y al cabo, la verdadera transformación no viene de la tecnología en sí, sino de la manera en que las organizaciones aprenden a utilizarla. En el caso de las organizaciones lean, esto significa adoptar una experimentación disciplinada, practicar la mejora continua (kaizen) y mantener el compromiso con el desarrollo de las capacidades humanas. Nuestra capacidad de unir tecnología, comportamiento y gestión determinará si la IA será solo una ola más de hype pasajero o una fuerza genuina para el progreso.

Este artículo se basa en una presentación de Art Smalley en el Lean Global Connection 2025 sobre los desafíos del liderazgo en la era de la inteligencia artificial.

Esta discusión también estará en el centro del Lean AI Summit 2026, evento que reunirá a líderes y especialistas para explorar cómo integrar la gestión lean, la agilidad y la inteligencia artificial en la generación de valor real.

El encuentro se realizará el 24 de septiembre de 2026, en el Cubo Itaú, en São Paulo, con participación presencial y transmisión online global.