Hace un tiempo me puse a ordenar mi pieza antigua, la de cuando vivía con mis papás. Llevaba años aplazándolo. No era una limpieza simbólica ni nada por el estilo: era una pieza llena de cachureos. Papeles, cuadernos de la universidad, libros, fotocopias que ya ni recordaba, una impresora que no funcionaba, teclados, monitores, cables sueltos, y polvo… harto polvo. En algunos lugares era como excavar en capas.

Estaba buscando mi certificado de título, y entre medio vi pasar un bicho. Caminaba tranquilo sobre una pila de hojas y un teclado. No estaba escondido ni arrancando, solo iba pasando. Me llamó la atención porque esos papeles alguna vez fueron importantes. En ese momento se me vino a la cabeza una escena de la película Distrito 9. No sé bien por qué. Algo en esa mezcla de cables, polvo y bichos me hizo pensar en la película, y desde entonces la tengo asociada a ese tipo de escenas.

Eso fue en 2013. Desde entonces, cada vez que alguien dice «colaboración entre humanos y máquinas», se me aparece la imagen de la cucaracha. No sé si es una metáfora o solo un recuerdo tonto, pero se me quedó pegado.

Hace unos días terminé de leer Hombre + Máquina en Kindle. Al mismo tiempo, revisaba una libreta con notas y había una frase anotada: “¿Y si la inteligencia aumentada también refuerza nuestras propias contradicciones?”. Me quedó dando vueltas. Justo esa semana me llegaron algunos correos con invitaciones a webinars sobre “transformación digital”. Lo típico. Cambian el nombre, pero es la misma idea de siempre.

El libro es de Paul Daugherty y James Wilson, ejecutivos de Accenture. Lo presentan como una guía sobre el futuro del trabajo. Hablan de colaboración entre personas e inteligencia artificial (IA), de cómo se potencian mutuamente. Todo muy armónico en el papel. Pero mientras lo leía, pensaba en esos organismos que se adhieren a otros. Algunos ayudan, otros simplemente se alimentan y siguen ahí. Hasta que se hacen notar.

Uno de los puntos que repiten es que la IA va a encargarse de ciertas tareas y no necesariamente dejará sin empleo a la gente. Suena tranquilizador, pero cuando el sistema toma las decisiones importantes y lo que queda para la persona es ir rellenando huecos sin ningún contexto, cuesta saber si realmente está ayudando o solo desarmando el trabajo en partes cada vez más pequeñas. Y cuando algo no calza, nadie tiene muy claro cómo se armaba al principio.

Hay un ejemplo que no aparece en el libro, pero revela una tensión clave de su tesis: en JD.com, trabajadores humanos comparten espacio con brazos robóticos que mueven paquetes a ritmo de sistema.

No hay diálogo entre ambos: la IA impone el ritmo y el operador simplemente se adapta. Esta imagen contradice la idea central de Hombre + Máquina, donde se habla de colaboración sinérgica. Aquí no hay simbiosis, sino subordinación. El humano no potencia su capacidad; más bien sobrevive al diseño algorítmico. La promesa de complementariedad se vuelve difusa.

Los autores también dicen que surgirán nuevos trabajos humanos: entrenadores de algoritmos, facilitadores éticos, traductores de decisiones automáticas. Algunos parecen útiles. Otros suenan inventados para adornar una presentación. Lo que importa es lo que realmente se hace en esos cargos. Un “entrenador de empatía algorítmica”, por ejemplo, tendría que enseñarle a un sistema qué no decir. ¿Pero en base a qué? ¿A las reglas de la empresa? ¿A la sensibilidad de quien programa? ¿O a la experiencia del usuario?

Hay un caso que me acordé mientras leía. Una app llamada Koko, desarrollada en el MIT, usaba respuestas ya registradas para contestar a personas que estaban pasando por momentos difíciles. No era un sistema emocional, pero se usaba como apoyo.

Eso parece una versión inicial de la “inteligencia emocional aumentada” que el libro describe. Pero también muestra sus límites. El sistema ve patrones, no urgencias. No diferencia entre ansiedad por una presentación y miedo por una pérdida real. Las respuestas suenan empáticas, pero no entienden nada. Y algunas veces eso basta, pero no siempre.

Aun así, estas herramientas se siguen usando. No reemplazan todo. Funcionan como primer filtro. Como quien dice: si el tema no es grave, que lo vea la máquina.

Otra parte del libro habla de cómo la IA se irá ajustando a nuestras emociones, preferencias y estilos. Aunque no queda claro quiénes son ese “nosotros”. Porque entrenar un sistema con datos de ejecutivos no es lo mismo que hacerlo con información de operarios o de quienes atienden público.

Cuando se dice que la IA entiende a las personas, en realidad lo que pasa es que alguien eligió qué tipo de comportamiento era representativo. No hay una intención oculta, pero sí un recorte. Se define de antemano qué cosas valen la pena ser interpretadas.

También se menciona el impacto de la IA en la toma de decisiones. En Renault Trucks instalaron un sistema que asignaba tareas según eficiencia, carga y disponibilidad. Los supervisores siguieron en sus puestos, pero ya no decidían como antes. Las asignaciones venían dadas por el sistema. Lo aceptaron rápido. Y nadie discutió mucho.

Ahí hay algo que se siente fuera de lugar con la idea de colaboración. No solo se modifican las tareas, también se alteran las formas de confianza que sostienen un equipo. Cuando eso se pierde, aparece una incomodidad que no tiene que ver con tecnología. Tiene más que ver con perder espacio en lo que uno hacía. Esa sensación no viene de no entender la IA, sino de sentir que uno ya no tiene dónde aportar.

Los autores saben que esto pasa. Pero no se detienen mucho en ese punto. Prefieren mostrar los casos en que todo sale bien, donde se ve el beneficio. No están inventando nada, solo cuentan lo que funcionó.

Tal vez por eso, el libro a veces se siente un poco lejano. Muchas experiencias reales no entran en ese marco. Hay preguntas que no tienen espacio porque no generan indicadores. O porque no hacen brillar el proyecto.

La desconfianza en la IA no vendrá —o no solo— del desconocimiento. Vendrá de trabajar al lado de un sistema que no se cansa, no duda, no necesita preguntar. Y de empezar a pensar si eso te vuelve menos necesario. No es un temor difuso. Es una intuición concreta: algo se reconfigura en silencio.

En esos momentos, vuelvo a acordarme del bicho sobre el teclado. No había ningún mensaje oculto. Solo caminaba entre cosas que alguna vez importaron y que ahora estaban fuera de uso. Tal vez para ella, nunca importaron. Pero para mí, eran señales de que el tiempo y la tecnología no avanzan con lógica de reemplazo. A veces solo te rodean, te pasan por el lado, y uno se queda mirando, sin saber muy bien qué papel le toca ahora.

Igual hay partes del libro que resultan útiles, sobre todo para quienes no trabajan metidos en temas de automatización. Por ejemplo, explican cómo en Anthem, una aseguradora en EE.UU., usaron IA para agilizar autorizaciones médicas. Lo que antes tardaba horas, se resolvía en minutos. Los analistas seguían ahí, pero ahora corregían predicciones en lugar de revisar papeles.

También está el caso de Aetna, donde un bot responde consultas internas sobre beneficios. No tiene nada de extraordinario. Pero ahorra tiempo. Son ejemplos en que la automatización no genera alarma. Tampoco revoluciona nada. Solo redistribuye esfuerzo.

El libro funciona como un mapa general. No te responde a todo, no entra en los grises. Pero te ayuda a poner en orden las palabras con que se habla del tema. Y para quienes no están metidos en esto todos los días, eso ya puede servir bastante.

10 mejores ideas puestas a prueba

1. Redistribuir tareas no transforma el trabajo por sí sola

Los autores plantean que la IA interviene en fragmentos del trabajo diario, dejando el resto intacto pero transformado. Desde lo técnico puede tener sentido. Sin embargo, lo que queda no necesariamente conserva su propósito original. Pensar en una bodega donde el software decide las rutas óptimas y el operario solo escanea cajas puede parecer eficiente.

Pero al desaparecer las decisiones complejas, también se pierde el criterio que antes se desarrollaba con la experiencia. ¿Qué ocurre cuando el sistema falla? ¿Quién comprende el proceso completo si todo se ha repartido entre humanos y máquinas? No hay una respuesta clara.

El libro te presenta este proceso como una mejora estructurada, aunque sus efectos pueden erosionar el oficio. Asignar funciones puntuales puede alterar poco la lógica de fondo. Y eso en la práctica, se percibe más de lo que se reconoce.

2. Tener IA no significa operar mejor

El texto señala que muchas empresas no logran resultados con IA porque solo la implementan sin revisar sus rutinas. Eso ya es conocido. Lo que suele quedar fuera es que incluso con cambios visibles, los hábitos anteriores siguen vigentes.

En Chile ce continúan usando planillas compartidas porque los ERP son lentos o estaban mal configurados. Las empresas conocen opciones más modernas. La presión cotidiana y la falta de tiempo impedían probarlas. En retail, por ejemplo, existían algoritmos de stock, pero los jefes preferían llamar al proveedor más ágil. Lo que había era una forma práctica de resolver las cosas. Esa lógica no aparece reflejada en los dashboards.

3. Las nuevas tareas aparecen sin previo aviso

Cuando se incorporan sistemas inteligentes, emergen funciones fuera de cualquier descripción de cargo: revisar predicciones, ajustar parámetros, explicar decisiones, dar feedback, corregir errores. Nada de eso fue solicitado formalmente. No hubo rediseño previo del organigrama. Las fallas mismas obligaron a asumir esas funciones.

Se espera que esas tareas sean asumidas por perfiles híbridos, con formación técnica y visión de negocio. Pero ese tipo de perfil no existe en muchas organizaciones. Así que las tareas quedan sin dueño fijo: a veces las asume un analista sobrecargado, otras simplemente se postergan o terminan cayendo sobre quien esté más disponible, con o sin contexto.

Esto se vuelve más complejo cuando la estructura es inflexible. En bancos chilenos, por ejemplo, se implementaron motores automáticos para evaluar créditos. Si el sistema rechazaba una solicitud sin explicación, el ejecutivo debía justificar la decisión frente al cliente. Ese ejecutivo no había diseñado el sistema. Solo seguía un protocolo. De pronto tenía que traducir una caja negra, sin capacitación, sin respaldo, sin espacio para intervenir.

La tarea surge. El cargo, no. No hay indicadores, incentivos ni autoridad formal. El libro lo menciona y propone rediseñar los roles. Pero eso se vuelve difícil si no hay claridad sobre lo que se espera del sistema. Mientras no se resuelva, seguirán apareciendo funciones sin nombre, repartidas entre personas sin tiempo, herramientas ni apoyo suficiente.

4. Habilidades blandas sin contexto no sirven de mucho

Según los autores, quienes trabajan con IA deben tener criterio, comunicación, empatía. La idea es válida. Sin embargo, esas habilidades ya eran útiles antes. La diferencia actual es que se exigen a personas contratadas con otro perfil. Un técnico en logística, por ejemplo, no fue preparado para explicar decisiones automatizadas. Para que lo haga, necesita formación específica. También se requiere redefinir su función y eso toma tiempo.

Imaginemos que una fábrica se implementa un software para asignar turnos. El algoritmo tomaba la decisión, pero el supervisor debía justificar los cambios. Lo complejo no era la falta de empatía, el verdadero problema era que nadie entendía bien cómo operaba el sistema, y tampoco podían modificarlo.

5. El nivel intermedio queda atrapado entre lo que ya no decide y lo que no puede cambiar

En el libro se menciona que los mandos medios a veces dificultan la adopción de IA. La intuición iría hacia lo contrario, que deberían impulsar el cambio. En la realidad, los mandos medios suelen convertirse en zonas de fricción. El libro plantea que deben liderar el proceso de integración entre humanos y máquinas, pero en muchos casos eso es inviable. Su formación estuvo pensada para mantener operaciones estables, no para reinterpretar procesos definidos por algoritmos.

Imaginemos Unimarc: ayer el jefe de sección decidía qué reponer; hoy, un sistema lo instruye. Si obedece, pierde criterio. Si discrepa, es visto como una traba. Y si algo falla, no tiene herramientas ni respaldo para explicar por qué. Esta tensión debilita la tesis de liderazgo compartido: no basta con decir que los mandos medios deben adaptarse; hay que darles espacio, contexto y autoridad para hacerlo. Sin eso, la colaboración humano-máquina no es un “eslabón perdido”, sino un eslabón desconectado.

El texto propone alinear incentivos y roles. En teoría, eso funciona. Pero en empresas con procesos establecidos por décadas, intervenir funciones implica entrar en terrenos cargados de tensiones. Lo habitual es que se use el sistema a medias, se eviten sus reglas o se culpe a las personas por sus errores. Sobre el PowerPoint todo parece ordenado. En el día a día, no tanto.

6. Los algoritmos aprenden según lo que uno valora (aunque no lo diga)

Durante el entrenamiento de modelos, se suele hablar de limpieza de datos, sesgos y parámetros. Pero pocas veces se discute qué se entiende por un buen resultado. ¿Qué es un acierto?

En una cadena de supermercados chilena se intentó predecir quiebres de stock. El modelo priorizaba los productos con más rotación. Para los encargados de operaciones, lo fundamental era evitar faltas en los productos clave. Así, el sistema cumplía con los criterios de quienes lo programaron, aunque no con las necesidades de quienes estaban en terreno. Entrenar un algoritmo implica decidir cómo se interpreta el negocio. Si eso no se discute, terminan operando supuestos que nadie revisó.

7. El diseño del sistema pesa más que la tecnología que lo alimenta

Algo que aparece en la práctica es que la forma en que se presenta una herramienta cambia su recepción. Dos sistemas con funciones similares pueden generar reacciones opuestas, dependiendo de cómo se integren en el trabajo.

Si una herramienta permite comprender sus recomendaciones, recibir comentarios y ser ajustada, se adopta mejor. Cuando solo entrega instrucciones, suele provocar rechazo.

En 2018, una empresa de call center en Chile instaló un sistema de sugerencias automáticas. Los operadores que podían editar y entender de dónde salían los textos lo usaban. El resto lo evitaba. Algunos incluso lo saboteaban. No se trataba de rechazar el cambio. El error estuvo en no considerar su opinión en el diseño.

8. Si no se ajustan las métricas, todo parece funcionar mal o a medias

Una paradoja que aparece seguido es que la IA puede mostrar buenos indicadores mientras empeora la experiencia. Un sistema que reduce tiempos de atención puede generar más reclamos. Otro que baja los costos logísticos puede provocar más errores. Esto ocurre cuando se mantienen métricas antiguas como eficiencia, volumen y cumplimiento, pese a que la lógica del trabajo cambió. Tal vez habría que observar cuántos casos se escalaron de forma adecuada, más que solo medir la velocidad.

Modificar las métricas tiene impacto. Cambian los bonos, los informes y las evaluaciones. Muchas veces no se aborda ese cambio porque no hay tiempo para repensarlo. Se menciona la necesidad de nuevas formas de evaluación, pero no se entra en el conflicto que eso genera dentro del sistema de incentivos.

9. Las tecnologías mal desplegadas amplifican las brechas internas

Un sistema puede estar bien construido y aun así, generar problemas si se aplica igual a equipos que trabajan distinto. Algunas personas se adaptan rápido, otras requieren más tiempo y otras simplemente dejan de usarlo sin avisar.

En un hospital privado en Santiago se instaló un sistema de registro automatizado. Los médicos jóvenes lo manejaban bien. Algunos especialistas mayores preferían anotar en papel y luego pedían a una secretaria que digitara. Los informes no mostraban diferencias. Pero había una carga extra que no quedaba registrada. No se trataba solo de capacitar. Lo que fallaba era suponer que todos aprenden de la misma manera.

10. La confianza no se delega en el sistema

Los autores plantean que la IA puede ayudar a decidir, pero alguien debe validar las decisiones. Y ahí se produce el conflicto. Si algo sale mal, el sistema no asume responsabilidades. Entonces la decisión recae en una persona que no siempre tiene el control suficiente.

Esto es habitual en empresas financieras. El sistema sugiere rechazar una solicitud. El ejecutivo no comprende del todo cómo se llegó a esa recomendación, pero debe explicarla. Puede decidir aprobarla igual, pero sin respaldo. Si hay error, la responsabilidad es solo suya.

Aunque el sistema funcione bien desde lo técnico, si no hay posibilidad de entenderlo ni de cuestionarlo, se instala una sensación de desconfianza.

Apuntes del libro:

1. El «eslabón perdido»: la colaboración humano-máquina como centro del cambio

La tesis principal del libro es que el trabajo del futuro no depende de reemplazar personas con máquinas, sino de combinar lo que cada parte hace bien. Los autores llaman a esta zona intermedia el “eslabón perdido”: un espacio donde humanos e inteligencia artificial trabajan en conjunto para lograr resultados imposibles por separado.

En esta dinámica, la IA se encarga de procesar grandes volúmenes de datos o ejecutar tareas repetitivas. Las personas, en cambio, aportan juicio, empatía, creatividad y liderazgo. Las organizaciones que entienden esto no buscan reemplazos, sino rediseñar sus procesos para potenciar a las personas usando IA como herramienta de expansión.

2. Tercera ola de transformación: del proceso fijo al proceso adaptativo

El libro identifica tres grandes etapas de transformación empresarial. La primera fue la estandarización (línea de ensamblaje). La segunda, la automatización con tecnologías de información. La tercera, en la que estamos entrando, se basa en procesos adaptativos.

Estos procesos no son lineales ni fijos. Aprenden y se ajustan en tiempo real, integrando inputs de datos y decisiones humanas. Un buen ejemplo: Waze no digitalizó un mapa, rediseñó cómo se navega. La IA permite esa clase de fluidez estratégica.

3. La IA no reemplaza, amplifica

Más que sustituta, la IA actúa como un multiplicador de capacidades humanas. Puede analizar enormes cantidades de datos en tiempo real y entregar recomendaciones que ningún individuo podría generar solo.

Un diseñador, por ejemplo, puede usar IA generativa para explorar miles de combinaciones estéticas y técnicas. Un técnico de mantenimiento puede consultar un gemelo digital de una máquina y anticipar fallas basadas en patrones históricos de toda una flota. El foco no está en automatizar todo, sino en mejorar el rendimiento humano mediante colaboración estructurada.

4. Nuevos roles emergentes: entrenadores, explicadores y sostenedores

La expansión de la IA no elimina empleos, pero sí cambia su naturaleza. El libro propone tres nuevos tipos de roles que serán clave:

  • Entrenadores: enseñan a los sistemas de IA a reconocer matices humanos, corrigen sesgos y afinan comportamientos.
  • Explicadores: traducen la lógica de los algoritmos para que tomadores de decisión y reguladores entiendan cómo y por qué funcionan.
  • Sostenedores: supervisan el comportamiento ético y la seguridad de los sistemas de IA, actuando como barreras de protección.

5. Habilidades de fusión: competencias que mezclan intuición humana con IA

Para funcionar dentro del “eslabón perdido”, los trabajadores necesitarán nuevas habilidades mixtas: ni puramente humanas ni exclusivamente técnicas. Algunas de las más relevantes son:

  • Rehumanización del tiempo: usar el ahorro de tiempo que permite la IA para centrarse en tareas con sentido humano.
  • Interrogatorio inteligente: saber formular preguntas útiles a la IA para obtener respuestas relevantes.
  • Aprendizaje recíproco: enseñar a los sistemas al mismo tiempo que se aprende de ellos.
  • Reimaginación incesante: cuestionar y rediseñar procesos continuamente.

6. El marco MELDS: guía para liderar en la era de la IA

Para integrar IA de manera efectiva, los líderes deben moverse con una lógica distinta. El libro propone el marco MELDS, que agrupa cinco prácticas esenciales:

  • Mindset: rediseñar procesos desde cero, no solo automatizarlos.
  • Experimentation: probar rápido, ajustar y volver a intentar.
  • Leadership: liderar con propósito ético y formar a las personas en nuevas capacidades.
  • Data: construir canales de datos robustos para alimentar la IA.
  • Skills: desarrollar las habilidades híbridas necesarias para colaborar con sistemas inteligentes.

7. IA en I+D: una nueva forma de investigar y crear

La IA está transformando cómo se innova. En la etapa de observación, puede analizar grandes volúmenes de información y detectar oportunidades invisibles para los humanos. En la generación de hipótesis, propone millones de posibles ideas a partir de datos existentes. Y en el diseño de soluciones, permite simular escenarios y prototipos con una velocidad que cambia las reglas del juego.

Esto no solo acelera, sino que reduce costos y permite asumir riesgos que antes se evitaban por falta de margen.

8. La IA como interfaz de marca

La IA ya no está solo en el backend: en muchos casos, es la cara visible de la empresa. Chatbots, asistentes virtuales y sistemas de atención automatizada se están convirtiendo en la primera línea de contacto con el cliente.

Eso convierte el diseño conversacional en algo estratégico. El tono, la empatía y la respuesta del sistema afectan directamente cómo se percibe la marca. Por eso se requieren entrenadores de personalidad y diseñadores de interacción que trabajen no solo la eficiencia, sino también la experiencia.

9. La cultura de prueba y error como activo estratégico

Copiar buenas prácticas ya no alcanza. La IA exige que cada empresa experimente, falle y aprenda en su propio terreno. Bezos lo plantea sin rodeos: el fracaso es inevitable y necesario para innovar.

Lo importante es fallar rápido y barato, y escalar lo que funcione. Para eso, las empresas necesitan espacios protegidos, como laboratorios internos, donde la presión operativa no bloquee los intentos nuevos.

10. Ética y responsabilidad: no como opción, sino como infraestructura

A medida que la IA toma decisiones de mayor impacto, se vuelve importante gestionar sus implicancias éticas desde el diseño mismo. No basta con cumplir regulaciones: se trata de construir confianza hacia dentro y hacia fuera.

Esto implica auditar algoritmos, prevenir sesgos, asegurar la rendición de cuentas y evitar que los humanos terminen siendo chivos expiatorios de errores algorítmicos. La responsabilidad debe estar integrada, no añadida después.