Investigación: Por qué algunos empleados junior trabajan bien con la IA y otros no

De HBR.org

Los empleados de nivel inicial se encuentran en la primera línea de un rápido cambio en el trabajo del conocimiento. Estos puestos solían estar llenos de tareas que servían de introducción a un sector de alguna industria y ayudaban a los empleados junior a comenzar a desarrollar su experiencia. Pero ahora, muchas de estas tareas corren el riesgo de ser delegadas a flujos de trabajo impulsados por inteligencia artificial, que son cada vez más capaces de manejar tareas analíticas que requieren un uso intensivo de información. Y a medida que la IA sigue mejorando, las investigaciones han revelado que está redefiniendo rápidamente el punto de referencia, y el estándar para resultados aceptables se eleva a medida que los modelos mejoran.

En este contexto, las organizaciones deben comprender cómo las personas generan valor más allá del punto de referencia de la IA en entornos organizacionales reales, particularmente en trabajos profesionales de mayor riesgo que requieren criterio, experiencia en el campo y resultados listos para la toma de decisiones. Esto plantea dos grandes preguntas: 1. ¿Qué permite a los empleados que están iniciando su carrera agregar valor en flujos de trabajo impulsados por la IA? 2. ¿Cómo se pueden desarrollar esas capacidades de manera intencional para que sustenten una mejora continua a medida que la IA sigue avanzando? Los líderes necesitan tener respuestas claras y explícitas a ambas preguntas. De lo contrario, corren el riesgo de socavar el retorno tanto de las inversiones en IA de su organización como de sus fuentes de talento.

Para ayudar a responder estas preguntas, KPMG y la Universidad de Texas en Austin llevaron a cabo un estudio de campo a gran escala con 523 profesionales radicados en Estados Unidos, en las primeras etapas de su carrera en KPMG y con una antigüedad de 18 meses o menos, con el fin de comprender mejor cómo generar valor en este contexto. La investigación se diseñó como un estudio de campo en el que los participantes completaron tareas específicas del negocio utilizando un agente de IA creado para ese ámbito.

Para establecer un punto de referencia, comenzamos el estudio de campo con agentes de IA que realizaban el trabajo por sí solos. Luego, les pedimos a los participantes que hicieran el mismo trabajo utilizando el agente de IA. El objetivo era identificar quién aporta valor más allá de la IA, quién simplemente lo replica y quién podría, sin darse cuenta, reducir el desempeño. Los resultados revelaron tres perfiles de desempeño distintos:

-- Los aprendices de IA (24,1 %) obtuvieron un desempeño inferior al punto de referencia de la IA.

-- Los delegados de IA (25,8 %) obtuvieron resultados comparables al punto de referencia de la IA.

-- Los potenciadores de IA (50,1 %) superaron el punto de referencia de la IA.

Una sorpresa en los hallazgos fue que las habilidades fundamentales, como el pensamiento crítico, la educación en IA y el conocimiento del ámbito de trabajo, no fueron indicadores claros de a qué grupo pertenecía una persona. En su lugar, la forma en que las personas trabajaban parecía marcar la diferencia. Esto revela algo importante: la IA no estandariza el trabajo; amplifica las diferencias en la forma en que las personas aplican sus habilidades. Estos hallazgos ofrecen una lección importante a las empresas: deben replantearse cómo diseñan los puestos de nivel inicial y cómo miden el desempeño de los empleados.

Cómo trabajan los potenciadores, los delegados y los aprendices

Tiene sentido que las organizaciones prioricen el pensamiento crítico, el conocimiento especializado y la educación en IA al considerar a los candidatos para puestos de nivel inicial. Sin embargo, según nuestros hallazgos, estas tres cualidades por sí solas no predicen de manera confiable quién tendrá un buen desempeño en puestos de nivel inicial en la era de la IA. Sorpresivamente, los empleados con niveles similares de habilidades y conocimientos fundamentales pueden generar resultados drásticamente diferentes al trabajar con el mismo agente de IA.

Aprendices de IA: Capaces, pero no logran traducir sus habilidades en valor. Los aprendices de IA obtuvieron puntuaciones más altas que los delegados en pensamiento crítico, conocimiento especializado y educación en IA, y fueron prácticamente indistinguibles de los potenciadores de IA en estas medidas. Si bien criticaban las respuestas de la IA, esa crítica rara vez mejoraba el resultado. Nuestro análisis revela lo que falta en las interacciones de los aprendices con la IA: no aplicaron sus habilidades fundamentales dentro de los flujos de trabajo impulsados por la IA para guiar, evaluar y refinar los resultados de la IA.

Delegados de IA: Productivos en apariencia, limitados en la práctica. Los delegados de IA obtuvieron las calificaciones más bajas en habilidades fundamentales, pero no fueron los que tuvieron un desempeño más débil. Dado que los sistemas de IA ya generan resultados competentes, los delegados demostraron ser razonablemente productivos cuando el desempeño se evaluó únicamente en función de la calidad del producto final. Por lo general, aceptaban los resultados de la IA con un cuestionamiento mínimo, agregaban un razonamiento limitado y aportaban poco o ningún valor adicional.

Potenciadores de IA: capaces de convertir la capacidad en desempeño. Los potenciadores de IA se distinguieron no por contar con habilidades subyacentes más sólidas, sino por la forma en que combinaban y aplicaban esas habilidades al trabajar con IA. Coordinaron activamente el flujo de trabajo y plantearon los problemas de manera que guiaran a la IA hacia análisis relevantes, anclaron el trabajo en marcos de ámbitos apropiados y definieron criterios de evaluación claros.

Reconsiderando el potencial en el nivel inicial

Los resultados de nuestra investigación sugieren que existe una oportunidad significativa para que las organizaciones replanteen el desarrollo de los empleados en sus niveles iniciales. Los empleados que parecen tener niveles similares de conocimiento y habilidades pueden producir resultados muy diferentes una vez que la IA se integra al flujo de trabajo. Sin embargo, con la intervención adecuada, las personas que hoy enfrentan dificultades pueden convertirse en colaboradores sólidos a largo plazo, especialmente si sus capacidades actuales se alinean mejor con la forma en que se realiza el trabajo junto con la IA.

Aquí hay una oportunidad para las organizaciones. A medida que la IA establece cada vez más un punto de referencia de alta calidad, esperamos que las funciones humanas pasen de producir respuestas a dirigir, evaluar y ampliar el trabajo generado por la IA. Los sistemas de capacitación y desempeño que hagan hincapié en cómo los empleados plantean los problemas, cuestionen los resultados de la IA, refinan los resultados e integren los conocimientos en las decisiones ayudarán a que más personas traduzcan de manera consistente sus capacidades en impacto.

Reconsiderando la experiencia en el nivel inicial

Potenciar a los profesionales en las primeras etapas de su carrera no solo consiste en ampliar los conocimientos de los empleados, sino también en ayudarlos a aprender a traducir de manera consistente ese conocimiento en acciones efectivas dentro de flujos de trabajo impulsados por la IA. Con base en los resultados de nuestro estudio, las organizaciones deben priorizar una capacitación contextual y basada en tareas que se centre en cómo se realiza realmente el trabajo con agentes de IA: cómo los empleados estructuran los problemas, guían de manera iterativa a los sistemas de IA, evalúan críticamente los resultados e integran estos en los procesos de toma de decisiones. Eso significa diseñar el aprendizaje sobre IA como un modelo de desarrollo continuo, en lugar de una intervención de capacitación puntual.

En términos más generales, nuestras conclusiones pueden resumirse en tres lecciones para las empresas que preparan a los empleados en las primeras etapas de su carrera para maximizar el valor de la colaboración entre humanos e IA.

Reconsiderar la generación de valor humano. A medida que los agentes de IA generan cada vez más resultados de alta calidad, creemos que la contribución de los empleados pasará de producir respuestas a dirigir, evaluar y ampliar esos resultados. Nuestra investigación establece que poseer capacidades fundamentales, como el conocimiento especializado, el pensamiento crítico y la educación en IA, es necesario pero no suficiente para que las personas generen valor más allá de la IA. Por lo tanto, la capacitación organizacional debe involucrar a los empleados no solo en el trabajo teórico, sino también en los flujos de trabajo de IA, y en aprender a orientar a la IA para crear valor más allá del punto de referencia que ofrece la IA por sí sola.

Hacer visible el criterio desde el principio. Las organizaciones deben poner mayor énfasis en sacar a la luz el criterio en los puestos de nivel inicial.

Trasladar la evaluación de las respuestas al proceso para llegar a ellas. Evaluar a los empleados basándose únicamente en la calidad de los resultados finales ya no es suficiente cuando la IA puede generar de manera independiente resultados de alta calidad. A medida que los sistemas de IA se vuelven más capaces, las organizaciones deberían evaluar, en cambio, cómo los empleados interactúan con la IA a lo largo del flujo de trabajo.

+++

A medida que los agentes de IA se encarguen del punto de referencia del trabajo de conocimientos en las primeras etapas de la carrera profesional, las diferencias en la generación de valor reflejarán cada vez más el grado en que los empleados estén capacitados para aplicar sus habilidades fundamentales dentro de flujos de trabajo bien diseñados y mediados por la IA.