De los trenes de 1800 a la IA generativa: cómo sigue la evolución de los charts organizacionales

Corría 1855 y a uno de los pensadores pioneros en el campo del management, Daniel McCallum, le asignaron la tarea de ordenar las operaciones de la compañía de trenes New York and Erie Railroad que, por entonces, explotaba unas 500 millas de vías. La empresa no perdía plata, pero sus dueños eran conscientes de que los riesgos por las ineficiencias crecientes eran enormes.

Por primera vez había en los Estados Unidos negocios con una escala y una complejidad nunca vistas en términos de inversión y de necesidad de tomar miles de decisiones muy rápidas, en tiempo real. Información no faltaba: el telégrafo permitía que llegaran a la casa central datos sobre accidentes o demoras al instante. El problema era la desorganización.

McCallum llegó con una solución gráfica: un hermoso diagrama en forma de árbol que describía hasta las operaciones más pequeñas de la empresa. Fue el primer “chart” o diagrama de negocios de la historia, y el original se conserva en la Biblioteca del Congreso de los Estados Unidos.

Dibujado como una planta, sus múltiples ramas describen tanto la geografía de las operaciones como la estructura organizacional. Durante décadas, la idea de McCallum se convirtió en un standard del “Corporate America” (y de los negocios en todo el mundo), como más adelante lo harían los “cubículos” o los puestos con computadoras.

“Cada nueva tecnología que aparece trae su propia ola de reorganización de la estructura empresarial, para sacarle el mayor provecho a las herramientas”

Cada nueva tecnología que aparece trae su propia ola de reorganización de la estructura empresarial, para sacarle el mayor provecho a las herramientas. Más de medio siglo más tarde Henry Ford vio la ventaja de utilizar los relojes mecánicos y estandarizó las líneas de montaje. En 2001, las “metodologías ágiles” se exportaron desde el mundo del software hacia otros sectores. En la actualidad, con la irrupción de la IA generativa (con ChatGPT y otras plataformas), la mayoría de los expertos en management creen que estamos en los albores de un nuevo “momento McCallum”: es tiempo de reconstruir la estructura de las empresas a partir de un cambio fundamental en cómo el trabajo es hecho, organizado y comunicado.

“Los viejos libros ya no sirven, es hora de readaptarnos”, sostuvo en una columna de opinión días atrás el CEO de LinkedIn, Ryan Roslansky. El usuario promedio de esta plataforma de contactos vio cambiar las habilidades requeridas para desarrollar su trabajo un 25% en los últimos ocho años, y se espera que se modifiquen al menos un 65% de aquí al 2030, principalmente por el despliegue de la IA.

Para Roslansky, los “títulos” o etiquetas corporativas que compusieron la identidad laboral en el último siglo y medio ya no tienen sentido: la clave –y en esto hay consenso entre los especialistas– está en redefinir cada rol de acuerdo con la “colección de tareas” que se ejecutan, y evaluar cómo cada una de esas tareas se redefine con el uso de la IA.

El mes pasado, economistas nucleados en el World Economic Forum difundieron la investigación más extensa de este tipo desarrollada hasta ahora: evaluaron más de 19.000 tareas en distintos trabajos, y midieron su exposición actual ante la tecnología del momento.

“En un análisis que hicimos de 19.265 tareas encontramos que más de la mitad puede utilizar la IA generativa como insumo para ser creativo y llegar a soluciones novedosas. Mientras que el aprendizaje automático tal cual lo conocíamos hasta hace poco impactaba principalmente en tareas rutinarias, repetibles y basadas en reglas, la IA generativa impactará el trabajo creativo”, concluyó el informe.

“Hay pocas áreas en las que sea más difícil acertar con pronósticos que en la laboral; allí confluyen huracanes de cambio de varios tipos”

Por ejemplo, en un trabajo típico de un científico de datos, se encontraron cinco tareas (como la de procesar datos digitales en línea o la de evaluar la calidad o precisión de los datos) que pueden automatizarse. Y siete tareas con potencial para ser aumentadas con IA generativa, lo que le permite al científico de datos programar de manera más eficiente. Un experimento arroja que a los usuarios de GitHUb Copilot les llevó un 57% menos de tiempo completar su tarea.

Todo hay que tomarlo con pinzas, porque hay pocas áreas donde sea más difícil acertar con los pronósticos que en la del mercado laboral: allí confluyen huracanes de cambio tecnológicos, pero también culturales, demográficos, de nuevos hábitos, etcétera. Por ejemplo, hace diez años ya que se publicó el famoso paper de los economistas Carl Frey y Michael Osborne sobre el impacto de la IA en los empleos, que vaticinaba que un 47% de las habilidades humanas en trabajos del nomenclador de los Estados Unidos tenía posibilidades de ser reemplazadas. El reporte apareció el 17 de septiembre de 2013, y desde entonces el único empleo que se borró de las estadísticas oficiales de empleo de los Estados Unidos fue el de “ascensorista”.

Uno de los economistas que sigue más de cerca esta agenda, David Autor, suele remarcar que hay un sesgo al pesimismo, porque es más fácil analizar aquellos trabajos que pueden ser reemplazados que determinar los nuevos que surgirán. El 60% de las especialidades laborales actuales no existía como tal hace 80 años.

Camino al andar

El matemático y lógico inglés Alan Turing es considerado uno de los padres de la IA, con su test propuesto en 1950 que aún hoy es un standard en este campo: el momento en el que la tarea de una máquina se vuelva indistinguible de la de un humano. Pero hay otro concepto que lleva su nombre y que hoy se repite en el debate sobre el futuro del trabajo: si con el despliegue de la IA (generativa y de otros tipos) que veremos en los próximos meses y años estaremos frente a una “transformación de Turing” (lo deseable: cuando la IA aumenta y complementa las tareas humanas) o a una “trampa de Turing” (reemplazo directo, con todos los conflictos que se generan por esto). Hoy las apuestas en esta discusión se posicionan en un camino intermedio.

¿Qué estrategias conviene ir evaluando para navegar mejor este mar turbulento? Aquí, las recomendaciones de expertos en los últimos meses coinciden en algunas cuestiones para pasar del “momento Guau” (la sorpresa inicial al descubrir todo lo que se puede hacer con IAG) a la acción.

*Incentivar la exploración en los equipos, tal vez facilitando licencias pagas de ChatGPT y otras plataformas, promoviendo asistencia a talleres de “prompting”, etcétera.

*Empezar a usar IAG en los casos más obvios, para las llamadas “soluciones de punto”, por ejemplo aquellos casos en los que no se compromete información sensible: exploración de nuevos mercados, brainstorming de ideas, etcétera.

*Dejar que cada equipo encuentre su mejor camino, porque por ahora no hay manuales para esto. Y, sobre todo, entender que las herramientas que vendrán serán mucho más poderosas aún y que, por lo tanto, hay que dejar el campo abierto para seguir readaptando el esquema organizacional ante nuevos cambios. La película recién empieza.