Sabemos que colaborar con IA generativa (GenAI) puede aumentar desempeño de los trabajadores en tareas que ya tienen las habilidades para completar. Pero ¿qué pasaría si la GenAI también pudiera ayudar a los trabajadores a realizar tareas que no tenían posibilidades de completar por sí solos? Es decir, no sólo mejorar el rendimiento sino también expandir ¿Las capacidades de los trabajadores fuera de su área de especialización?
Nuestra investigación muestra que GenAI puede hacer precisamente eso por la fuerza laboral de una empresa, un cambio que no solo podría transformar las estrategias de talento sino también redefinir el panorama competitivo para muchas empresas con acceso limitado a la experiencia.
Esta nueva visión sobre cómo interactúan los trabajadores y la tecnología proviene del reciente estudio del BCG Henderson Institute. experimento de campo científicorealizado con académicos de la Universidad de Boston y el equipo de investigación de impactos económicos de OpenAI. Si bien existen muchas salvedades y complejidades, los resultados que muestran evidencia de una mayor capacidad de los trabajadores tienen enormes implicaciones para las empresas, en particular las pequeñas y medianas empresas (PYME), que a menudo se ven limitadas por la escasez de especialistas.
Muchos han postulado que GenAI tiene el potencial de democratizar el acceso a la experiencia tanto para individuos como para empresas. El economista del MIT, David Autor, ha ido aún más lejos: discutiendo que la IA puede “ayudar a reconstruir la clase media” al permitir que “un conjunto más grande de trabajadores equipados con la capacitación básica necesaria realicen tareas de toma de decisiones de mayor importancia actualmente reservadas para expertos de élite”. Ya sea que la teoría de Autor sobre el renacimiento de la clase media se cumpla o no, los hallazgos empíricos de nuestro reciente experimento sugieren fuertemente que tiene algo en lo que respecta a los trabajadores y la experiencia. Si bien de ninguna manera sustituyen a los verdaderos expertos, los trabajadores que utilizan GenAI pueden aproximarse lo suficiente al desempeño de los expertos para llevar a cabo tareas que antes estaban más allá de sus habilidades.
Para las empresas, esta expansión desafía suposiciones profundamente arraigadas sobre las estrategias de adquisición de talentos que se basan en la creencia de que las habilidades y el conocimiento dependen únicamente del trabajador individual, en lugar de ser una combinación del trabajador y la tecnología. En el ámbito del trabajo del conocimiento, especialmente a medida que los modelos GenAI continúan desarrollándose, sostenemos que las empresas deberían utilizar cada vez más el acoplamiento humano-GenAI (el trabajador “aumentado”) como unidad de análisis relevante. Así como un exoesqueleto mejora el movimiento humano más allá de los límites naturales, la GenAI permite a los trabajadores realizar tareas que de otro modo estarían fuera de su alcance.
Tal cambio no sólo transformaría las estrategias de talento de las empresas, particularmente para la contratación y el desarrollo, sino que también redefiniría el mercado laboral para las empresas en general. Las pymes, por ejemplo, podrían superar su peso aumentando su fuerza laboral con capacidades de inteligencia artificial, lo que les permitiría competir con empresas más grandes que han ascendido gracias a un acceso superior a capital humano especializado. Nivelar el campo de juego de la experiencia permitiría a las pymes innovar, escalar y ofrecer resultados de alta calidad que antes estaban fuera de su alcance.
Una expansión de capacidades, para todos
Nuestro experimento sobre la colaboración GenAI se centró en las capacidades de los trabajadores relacionadas con la ciencia de datos, pero podemos extrapolarlo más ampliamente a otras áreas de especialización. En marketing, desarrollo de productos, diseño gráfico o servicios legales, los trabajadores “aumentados” por GenAI probablemente sean capaces de realizar tareas cercanas al nivel de los especialistas, incluso cuando esas tareas estén fuera de su campo actual de especialización.
En el experimento, los participantes que utilizaron ChatGPT pudieron completar tareas de ciencia de datos, como codificación, análisis predictivo o comprensión estadística, con un rendimiento del 75 % al 90 % del rendimiento de los científicos de datos especializados que trabajan sin GenAI. Si bien los trabajadores aumentados pueden no igualar la precisión de los verdaderos especialistas, representan una oportunidad importante para las empresas que antes carecían de un acceso adecuado a la experiencia.
Independientemente de sus antecedentes, todos los consultores con acceso a ChatGPT superaron a sus pares al completar las tareas del experimento sin él. Incluso cuando alguien no tenía experiencia previa en codificación o estadística alguna, pero tenía acceso a ChatGPT, esa persona aún podía acercarse al desempeño de los especialistas en datos sin ayuda. Esto sugiere que las empresas pueden mejorar rápidamente su desempeño sin necesidad de reformar su fuerza laboral o su estructura organizacional.
Si bien vimos que ChatGPT ampliaba las capacidades de todos en nuestro experimento, las mejoras en el rendimiento fueron aún mayores para los trabajadores con cierta experiencia. En todas las tareas relacionadas con datos, incluso aquellas que no están relacionadas con la codificación, los participantes con experiencia en codificación se desempeñaron a la par de los científicos de datos sin ayuda. Este hallazgo sugiere la posibilidad de que ciertas habilidades afecten la capacidad de un trabajador para obtener el mayor valor al ser mejoradas por GenAI, como la capacidad de dividir un problema en subcomponentes. En otras áreas de especialización, ya sea marketing o servicios legales, otros conocimientos además de la codificación podrían resultar más útiles. Además, a medida que los modelos GenAI continúan evolucionando, las habilidades específicas asociadas con un mayor desempeño para los trabajadores aumentados pueden cambiar con el tiempo.
Cuando los trabajadores pueden realizar tareas de toma de decisiones de mayor importancia (aquellas actualmente reservadas para expertos de élite), su identidad profesional prospera. Según nuestro estudio, el 70% de los participantes dijo que el uso de GenAI les dio una mayor confianza en sus habilidades profesionales, ayudándolos a sentirse más competentes y aumentando su sentido de autonomía. Este cambio de actitud sugiere que los trabajadores aumentados, en todo tipo de organizaciones, podrían ver su identidad profesional fortalecida (en lugar de socavada) mediante el uso apropiado de GenAI.
La necesidad permanente de expertos
La expansión de las capacidades habilitadas por GenAI no está exenta de complejidades, y existen limitaciones que los líderes empresariales deben tener en cuenta y que apuntan a la necesidad continua de una experiencia profunda y alguna forma de supervisión, incluso cuando se democratiza el acceso a las capacidades de los expertos.
Para empezar, el experimento reveló que los participantes que fueron “aumentados” con éxito por GenAI para completar tareas básicas de ciencia de datos no están realmente “recapacitados”. Una prueba de conocimientos realizada a todos los participantes mostró que aquellos que habían utilizado GenAI posteriormente no obtuvieron mejores resultados que sus pares después de que la tecnología ya no estuviera disponible.. Dicho de otra manera: no habían adquirido conocimientos que les permitieran convertirse en verdaderos científicos de datos sin la ayuda de GenAI. Es por eso que nos referimos a GenAI como un exoesqueleto: una herramienta que mejoró su capacidad para realizar tareas que de otro modo habrían estado fuera de su alcance, sin enseñarles cómo realizarlas por sí mismos.
Entonces, una pregunta clave es hasta qué punto los trabajadores aumentados deberían participar en tareas complejas o de alto riesgo más allá de su experiencia. En el experimento de ciencia de datos, los participantes completaron con éxito tareas básicas, pero esto no implica que puedan manejar tareas más complejas o técnicas como los científicos de datos experimentados. Los trabajadores aumentados aún deben validar el resultado de la tecnología, lo que requiere cierta experiencia y posiblemente supervisión especializada. Si resulta difícil identificar o reclutar incluso a unos pocos especialistas, las empresas deben sopesar los beneficios y riesgos del aumento y posiblemente centrarse en tareas de menor riesgo o menos complejas dentro de la “frontera” de las capacidades de GenAI. La pregunta, entonces, es: ¿Cuándo y cómo deberían las empresas aprovechar la expansión de las capacidades de los trabajadores impulsada por GenAI?
Cómo los líderes pueden aprovechar las oportunidades sin explotar de GenAI
No existe un plan para la gestión del cambio y, en muchos casos, el rango de posibilidades depende de la configuración organizacional y los recursos de una empresa. Sin embargo, hay cinco pasos generales que los líderes empresariales pueden tomar de inmediato para aprovechar lo que GenAI tiene para ofrecer a su fuerza laboral.
Identificar: El primer paso y el más urgente es que una empresa determine qué experiencia y capacidades especializadas le faltan. Algunas preguntas que pueden ayudar a definir esos déficits: ¿Qué experiencia están aprovechando nuestros competidores de la que nosotros carecemos actualmente? ¿Existen funciones críticas en las que dependemos en gran medida de proveedores o consultores externos debido a una falta interna de experiencia?
Comenzar: El segundo paso es ejecutar proyectos piloto para ver si GenAI puede ampliar las capacidades de la fuerza laboral en áreas donde carece de experiencia. Los primeros resultados de estos pilotos deben monitorearse de cerca para garantizar que la fuerza laboral aumentada de una empresa pueda desempeñarse de manera comparable a los especialistas.
Aumentar: El tercer paso es establecer si alguna capacitación previa en particular proporciona habilidades que mejoren aún más el rendimiento, similar a los codificadores de nuestro experimento que tienen un conjunto de habilidades previas para obtener un rendimiento adicional en tareas de ciencia de datos. Los líderes empresariales deberían considerar dirigirse a trabajadores con esos antecedentes para que adopten “GenAI como un exoesqueleto” a fin de completar tareas fuera de su campo de especialización.
Reorganizar: El cuarto paso es explorar la mejor manera de involucrar especialistas para realizar revisiones del aumento de la producción de los trabajadores. Esto puede requerir redistribuir responsabilidades, rediseñar procesos y reevaluar estratégicamente la composición de la fuerza laboral. Eso podría significar crear roles nuevos y más pequeños para especialistas e incorporar puntos de control GenAI en los flujos de trabajo.
Tren: El quinto paso es aumentar la capacitación de los trabajadores sobre las capacidades y limitaciones de GenAI, incluida la educación de los trabajadores sobre cuándo es esencial la participación de especialistas.
***
Si los líderes empresariales toman estas medidas, estarán posicionando a su organización no sólo para sacar más provecho de los trabajadores en sus roles actuales, sino también para ampliar sus capacidades. La capacidad de ampliar quién puede realizar trabajos de nivel cercano al experto en tareas específicas crea oportunidades sin precedentes, particularmente para empresas con acceso limitado a talento especializado. Los recursos que actualmente son escasos y cuyo acceso es competitivo y costoso, como los especialistas en marketing digital o los científicos de datos, pronto podrían estar más disponibles para más empresas en el mercado, lo que potencialmente nivelaría el campo de juego competitivo. Los trabajadores individuales también se benefician, ya que pueden colaborar con GenAI para mejorar su identidad profesional y seguir siendo competitivos a medida que la automatización transforma las tareas.
Leer otro Fortuna columnas de François Candelon.
François Candelon es socio de la firma de capital privado Seven2 y ex director global del BCG Henderson Institute (BHI).
Lisa Krayer es directora de la oficina de BCG en Washington, DC y ex embajadora de BHI..
Daniel Sack es director general y socio de la oficina de BCG en Estocolmo.
Emma Wiles es profesora asistente de sistemas de información en la Questrom School of Business de la Universidad de Boston.
Riccarda Joas es consultora de la oficina de BCG en Munich y embajadora en BHI
