Dos organizaciones describen la misma tarea. En una de ellas resulta en la categoría 'la IA puede asumir la tarea', en la otra 'sigue siendo trabajo humano'. Esto no es una inconsistencia del método, sino el resultado del método. El resultado no depende solo de qué implica una tarea, sino de las circunstancias en las que se ejecuta esa tarea. Esta página explica qué factores producen esa diferencia y qué significa eso para la fiabilidad de una estimación.
Nunca evaluamos una tarea en función de una única característica. Cada tarea se puntúa en ocho ejes: estructuración de la entrada, margen de criterio, sensibilidad al contacto con clientes, componente físico, creatividad, coste del error, sensibilidad al cumplimiento normativo y volumen/repetición. Dos organizaciones con un paquete de tareas 'idéntico' pueden diferir considerablemente en estos ejes. Una tarea de planificación con entrada fija y alto volumen resulta distinta de esa misma tarea de planificación cuando la entrada es variable y las excepciones son la norma. Por tanto, no se trata del título de la tarea, sino de la combinación de puntuaciones que hay detrás.
Con volúmenes bajos, los incidentes pesan más que con volúmenes altos. Una tarea que se produce cinco veces al año ofrece poca base para reconocer un patrón; una tarea que se produce cientos de veces al día muestra más rápido dónde la IA rinde de forma estable y dónde no. Un volumen alto suele hacer que una estimación sea más específica, porque hay más repetición sobre la que contrastar. Un volumen bajo hace que una estimación sea más amplia, no porque la tarea sea poco clara, sino porque simplemente hay menos que generalizar. Esto influye, por ejemplo, en la cuestión de si la IA puede asumir el seguimiento del progreso de objetivos y proyectos: con un puñado de proyectos al año, el margen es más amplio que con una cartera de cientos de iniciativas en curso.
Una tarea que se desarrolla completamente en sistemas estructurados se evalúa de forma distinta a una tarea que reside en gran parte en la mente de las personas, en correos y en documentos sueltos. No porque la tarea en sí cambie, sino porque el grado en que la IA tiene acceso a información fiable y actualizada varía considerablemente. Esto se aprecia bien en el control presupuestario: si la IA puede asumir el control del presupuesto y la señalización de desviaciones depende en gran medida de si las cifras subyacentes ya están disponibles de forma estructurada y actualizada, o si primero deben recopilarse e interpretarse manualmente. La misma tarea, distinta configuración de sistemas, distinto resultado.
El coste de un error no es universal. Una interpretación errónea en un resumen interno tiene consecuencias distintas a una interpretación errónea en una comunicación con clientes o en un informe de cumplimiento normativo. Con costes de error altos, el resultado se desplaza más fácilmente hacia la categoría dos —la IA entrega una propuesta, una persona la aprueba o la rechaza— incluso si la tarea, según los demás ejes, apuntaría a la asunción total por parte de la IA. Esta es una de las razones por las que nunca emitimos un juicio basado únicamente en 'lo que implica la tarea': el contexto en el que recae un error pesa igual de fuerte.
Un margen no es vaguedad, sino una representación honesta de lo que no sabemos con certeza. En tareas con mucho margen de criterio —en las que dos empleados con experiencia también diferirían entre sí— cualquier estimación es, por definición, más amplia. En tareas con mucho contacto con clientes influye el hecho de que la tolerancia a la interacción con IA varía según el sector y según el grupo de clientes, algo que no podemos medir sin sus propias cifras. Y en tareas que se acaban de reorganizar o que acaban de cambiar de sistema, sencillamente aún no hay un patrón estable en el que basarse. En todos estos casos optamos por un margen más amplio en lugar de una cifra precisa que sugeriría más certeza de la que podemos fundamentar.
Hay situaciones en las que una única medición tiene poco valor: en un proceso recién modificado, en una tarea que se produce raramente, o en una organización que aún está en transición hacia nuevos sistemas. Una puntuación en ese momento es una fotografía instantánea, no una predicción. Por eso también una nueva medición es relevante: la misma tarea, medida más adelante, puede dar un resultado distinto porque las circunstancias han cambiado, no porque la primera medición fuera errónea.
Este método dice algo sobre tareas, no sobre personas ni sobre puestos. Un resultado no es una justificación para una decisión sobre personal; para las decisiones que afectan a la relación laboral rigen requisitos legales propios que usted debe evaluar por separado. Nosotros proporcionamos hechos sobre tareas; usted extrae de ellos las conclusiones que correspondan a su organización. A modo de ilustración: tampoco una tarea como dirigir reuniones se puede evaluar de forma uniforme, como se aprecia en la pregunta de si la IA puede asumir la dirección de la reunión semanal de equipo — la respuesta varía según el equipo, según la cultura de reuniones y según la cantidad de margen de decisión presente en esas reuniones.
Si desea una primera impresión de cómo se traduce esto en su propia situación, puede completar el quickscan gratuito de ftetoai: doce preguntas, sin necesidad de cuenta, con una indicación de qué parte de las horas de su perfil puede ser asumida hoy por la IA. El análisis de trabajo completo, que profundiza en los ocho ejes por tarea, todavía está en desarrollo — en este momento aún no existe, y preferimos decirlo con honestidad antes que ofrecerlo.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.