La frase «human in the loop» se está convirtiendo rápidamente en el mantra empresarial de hoy para la adopción de inteligencia artificial. Se considera que la IA es principalmente una tecnología de augmentación, que se despliega mejor junto a los trabajadores humanos, como copilotos.
Esta comprensión de la IA como tecnología y su relación con los humanos representan un llamativo cambio con respecto a la visión tradicional de automatización total que ha impulsado con éxito la introducción de tecnologías novedosas en los negocios. Pero, ¿cuál de estas dos visiones del futuro -augmentación o automatización total- se adapta mejor a una economía impulsada por la IA?
Responder a esta pregunta es crucial porque cada enfoque de adopción tecnológica puede conducir a un lugar económicamente muy diferente, impactando en la creación de valor y ventaja competitiva, tanto ahora como en el futuro cercano. Cuando las organizaciones se comprometen con una visión de augmentación, por ejemplo, la tecnología misma cambia a medida que se diseña alrededor de los trabajadores humanos. Como resultado, las ganancias de productividad y rendimiento están inherentemente limitadas por lo que los humanos, aunque «humanos aumentados», pueden lograr.
La obra de Herbert Simon, The Sciences of the Artificial, ofrece una buena ilustración de estas limitaciones. Como experto en la toma de decisiones organizacionales, Simon describe el paso del Departamento de Estado de EE. UU. de teletipos a impresoras de línea en la década de 1960 para mejorar el manejo de mensajes durante crisis, y cómo fracasó porque la avalancha de información seguía requiriendo que los humanos la procesaran. El paradigma de augmentación en la adopción tecnológica puede sacrificar gran parte de lo que es económicamente valioso de la automatización: mayor estandarización, seguridad, velocidad y precisión.
Dada nuestra limitación humana, el abismo entre las máquinas computacionalmente potentes e incluso los «humanos aumentados» se está ampliando en la era de la IA. Lo mismo sucede con la brecha entre la promesa económica de la automatización a nivel de flujo de trabajo y la augmentación a nivel de sus tareas constituyentes. Por ello, comprender dónde la automatización total podría ser factible mañana es una guía poderosa para las inversiones de hoy; especialmente con tecnologías incipientes como la IA generativa. Al evaluar los obstáculos reconocibles que suelen impedir la automatización total, proponemos un conjunto de criterios de inversión para ayudar a los líderes a navegar las sensaciones entremezcladas de incertidumbre y promesa que definen el amanecer de GenAI.
El piso de la fábrica de la cognición
Imagina un banco comprometido con un modelo de IA-augmentación humana para el préstamo. Dicho banco necesitaría diseñar algoritmos de evaluación de riesgos que puedan operar, pero que estén limitados a lo que los trabajadores humanos pueden interpretar razonablemente. La velocidad y volumen de aprobaciones de crédito también estarían limitados por la capacidad de los trabajadores. En comparación, el MyBank de Alibaba, creado en 2015, no tiene oficiales de préstamos ni analistas de riesgos humanos. Los modelos de riesgos AI de MyBank se basan en más de 100.000 variables, lo que le permite aprobar solicitudes de préstamo en minutos con una tasa de morosidad competitiva (1.94%) y con menos del uno por ciento de los costos de procesamiento de sus competidores. El modelo de MyBank es posible solo porque elimina a los humanos y sus limitaciones cognitivas del proceso, permitiendo que la tecnología automatice completamente el complejo proceso de toma de decisiones de préstamos.
En el mundo real de las operaciones físicas, los mejores esfuerzos de automatización, al igual que el modelo de MyBank, son aquellos que tienden hacia la automatización total de procesos complejos. El fabricante japonés Fanuc, por ejemplo, utiliza robots en fábricas sin luz para fabricar nuevos robots. La intervención humana solo es necesaria para el mantenimiento de rutina y resolución de problemas. Hoy, tres años después de su lanzamiento, el sistema es tan eficiente que puede operar sin supervisión durante 30 días seguidos y producir 11.000 robots por mes. De manera similar, el puerto de Tianjin en China, el séptimo más grande del mundo, se asoció con Huawei en 2021 para lanzar un terminal automatizado. El puerto está impulsado por un «cerebro» de IA que automatiza y ajusta horarios y opera remotamente 76 vehículos autónomos para gestionar los movimientos de contenedores de más de 200 países con una intervención humana prácticamente nula.
Estos ejemplos exitosos de automatización ya no son casos aislados, y un patrón común los atraviesa: las máquinas funcionan mejor cuando interactúan con otras máquinas. Para las máquinas, los humanos son demasiado idiosincráticos, incluso erráticos, lo que los convierte en socios desconcertantes. Como Karl Marx observó acertadamente, «Un sistema organizado de máquinas… es la forma más desarrollada de producción por maquinaria». Por ello, es más fácil diseñar un almacén completamente automatizado que crear robots que operen eficazmente y de forma segura junto a trabajadores humanos propensos a hacer algo inesperado. El puerto de Tianjin no podría lograr la misma eficiencia si la mitad de su flota fuera operada por humanos.
La IA extiende esencialmente esta lógica a un amplio espectro de acciones humanas, convirtiendo gran parte de la actividad cognitiva humana (llamada trabajo de conocimiento) en el equivalente al antiguo piso de la fábrica. El rendimiento alcanzado por los modelos de lenguaje de modelización, por ejemplo, demuestra que el lenguaje natural, con todas sus sutilezas, es lo suficientemente sistemático y basado en patrones como para ser reproducible y, crucialmente, propenso a la automatización. La IA, por supuesto, puede augmentar a una fuerza laboral humana, pero operando sola también puede llevar a un negocio más profundamente en esfuerzos de automatización audaces.
Límites de la automatización como guía para la inversión
Volviendo al dilema que enfrentan muchos líderes empresariales en la actualidad: las últimas tecnologías de IA son impresionantes, pero más allá de los omnipresentes chatbots y copilotos impulsados por GenAI, ¿dónde invertir a continuación? Nuestra opinión es que los líderes pueden tomar decisiones mejores cuando pueden distinguir entre aplicaciones tecnológicas que constituyen un paso hacia la automatización total y aquellas que principalmente auguran trabajadores humanos. La mejor manera de hacerlo es enfocándose en los obstáculos conocidos para la automatización total, cuya presencia señala los retornos relativamente más modestos asociados con simplemente augmentar el uso de una tecnología.
Restricción de integración: interfaces. La automatización es más difícil cuanto más dependiente sea un proceso de la interfaz con diferentes sistemas. Considera el caso infame del proyecto Taurus de la Bolsa de Valores de Londres, iniciado en 1983 y cancelado en 1993 con algunas pérdidas estimadas de £75 millones. Taurus tenía la intención de automatizar el sistema de comercio de valores en papel de Londres, pero fracasó bajo el peso de los requisitos de rediseño que permitían a los registradores humanos continuar desempeñando un papel de «intermediario» en el proceso de negociación usando sus propios sistemas que luego debían interfazarse con la bolsa de valores.
Restricción de ingeniería: sistematicidad. Cuanto menos estructurado sea un proceso dado, más difícil será automatizarlo, ya que la falta de sistematicidad requiere una gestión más involucrada de las excepciones, lo cual es más difícil de diseñar.
Es importante no confundir complejidad con sistematicidad. Procesos complejos que implican lenguaje natural, como las interacciones en vivo con clientes humanos, han sido efectivamente sistematizados por los LLMs. La operación de las cadenas de suministro globales, en cambio, sigue siendo esquiva debido a su exposición a impactos impredecibles, como conflictos violentos, cambios regulatorios o eventos climáticos dramáticos. Esta falta de previsibilidad dificulta la sistematización y requerirá juicio humano en el futuro previsible.
Restricción económica: singularidad. Incluso cuando algunas actividades son suficientemente estables y sistemáticas desde una perspectiva de ingeniería o diseño, es posible que no sean suficientemente repetibles para que la automatización sea económicamente factible. Este suele ser el caso de actividades «únicas», como la construcción, que tienen especificaciones críticas que son únicas. Levantar un edificio siempre implica adaptar planos generales a las especificidades de un terreno dado. Esto a menudo hace que el esfuerzo de automatizar dicho diseño adaptado sea más oneroso que hacer que los humanos lo hagan. La empresa de electrónica Foxconn, por ejemplo, se dio cuenta de que usar robots para producir muchos aparatos electrónicos para el consumidor a menudo no es rentable a largo plazo. Los cortos ciclos de producción y las especificaciones que cambian rápidamente significan que para cuando la producción de un artículo dado pueda automatizarse, el ciclo de fabricación ya habrá avanzado hacia nuevos productos.
Para los ejecutivos, estos tres tipos de restricciones son particularmente importantes de enfrentar porque tienden a persistir, en alguna forma, incluso con avances tecnológicos. Por ello, el trabajo humano seguirá siendo esencial para todas las empresas, y las estrategias de augmentación seguirán siendo importantes a pesar de los esfuerzos por lograr la automatización total. Lo crítico para las empresas es comprender qué flujos de trabajo son, de hecho, susceptibles a automatización total, y desarrollar una estrategia tecnológica que diferencie claramente lo «augmentable» y «automatizable». Donde la automatización es, de hecho, factible, las implementaciones tecnológicas no deben diseñarse «alrededor» de los trabajadores humanos, si un negocio quiere maximizar el valor de la IA como fuente de ventaja competitiva.
Los líderes empresariales harían bien en familiarizarse nuevamente con el hecho de que el valor económico de la tecnología es mayor cuando permite la automatización total de los flujos de trabajo. Aquellos que comprenden esta realidad pueden utilizarla para evaluar cualquier «caso de uso» de IA que se les presente, formulando una serie de preguntas. ¿Es el caso de uso parte de un proceso más amplio que es susceptible a la automatización total? ¿Son los otros componentes del proceso lo suficientemente sistemáticos como para que una máquina los replique en el futuro cercano? ¿O son demasiado únicos para que una alternativa automatizada valga la pena? ¿Están demasiado enredados en diferentes sistemas, cada uno con su propia lógica independiente? Las respuestas a esas preguntas pueden ayudar a guiar a los líderes hacia los usos más convincentes de esos preciados dólares de implementación tecnológica.
Leer otros artículos de François Candelon en Fortune.
François Candelon es socio en la firma de capital privado Seven2 y ex director global del BCG Henderson Institute.
Henri Salha es ex socio y director gerente en Boston Consulting Group y ex vicepresidente senior de operaciones en Essilor.
Namrata Rajagopal es consultora en Boston Consulting Group y embajadora en el BCG Henderson Institute.
David Zuluaga Martínez es socio en Boston Consulting Group y embajador en el BCG Henderson Institute.
Algunas de las empresas mencionadas en este artículo son clientes pasados o actuales de los empleadores de los autores.
