El trabajo tal como lo conocemos está en una encrucijada. En cinco años, los días de trabajo repetitivo y supervisión constante de procesos serán recuerdos de una era pasada, y es posible que, paradójicamente, los echemos de menos.

Hoy, una jornada típica de un trabajador del conocimiento empieza con una taza de café y una llamada. En los primeros minutos se discute por qué una cifra en una hoja compartida no coincide: 1524 en lugar de 1759. La precisión no es trivial; es el pulsar de un sistema que, a veces, se desordena ante nuestra mirada.

Por la tarde llega la tercera versión de una oferta para un nuevo cliente. Justo cuando se cierra, llega un cambio en el alcance. Otra vez. Esta es la normalidad de la oficina contemporánea. Pero la próxima mitad de la década traerá herramientas que cambian la naturaleza de estas tareas, y, en un extraño giro, podríamos extrañar este ritmo frenético.

Ya hemos visto transformaciones profundas: la gran migración de la agricultura a la fábrica, y luego a la llamada knowledge work. Las herramientas nuevas automatizan tareas antiguas, y los agentes de IA están haciendo lo mismo con los trabajos de escritorio. El desafío no es solo la capacidad de hacerlo, sino hacer lo correcto cuando el resultado importa.

Brillante y a veces inútil al mismo tiempo

Hemos aprendido a convertir la IA de una máquina de preguntas y respuestas en una que puede realizar trabajo real. En programación, por ejemplo, la IA ya escribe gran parte del código en muchos equipos, y algunos ya no codifican a mano. Sin embargo, las alucinaciones y los errores básicos siguen apareciendo: hay casos en que una IA no cuenta correctamente cuántas veces aparece una letra, o sugiere acciones que no tienen sentido en el mundo real. Los laboratorios corrigen, pero una nueva vergüenza surge al día siguiente.

Esta variabilidad es lo que el investigador Andrej Karpathy describe como inteligencia irregular: problemas extremadamente complejos en los que la IA tropieza con fallos que una persona resolvería fácilmente. En otras palabras, no se puede saber de antemano qué salida tendrá la IA en un caso concreto.

En esencia, no se puede extraer a un humano del proceso e insertar un agente y esperar que el resultado sea perfecto.

Qué delegar

La confianza en un agente depende de dos preguntas: ¿cuánto cuesta un error y cuán costoso es verificarlo?

El costo del error es el daño generado por una equivocación. Una citación errónea en un escrito legal es caro, con multas y daño reputacional. Un borrador de una síntesis de una reunión no lo es tanto.

Por otro lado, el costo de verificación es cuán fácil es comprobar que lo producido es correcto. Las matemáticas ocupan la parte baja de la escala, ya que las pruebas pueden verificarse programáticamente. En cambio, evaluar una estrategia de negocio está en el extremo alto, pues requiere experiencia profunda para valorarla adecuadamente.

Evalúa tus tareas con esas dos preguntas. Cuanto mayor sea la puntuación en alguno de los dos ejes, mayor necesidad de verificación humana, supervisión y experiencia.

Un punto a considerar: lo que parece una tarea única, a menudo implica varias sub-tareas. Por ejemplo, el servicio al cliente puede parecer una única tarea, pero existen interacciones de primer nivel rutinarias con costos de verificación bajos y rutas claras de escalamiento, y interacciones de segundo y tercer nivel más complejas, con costos mayores de verificación y de error.

Klarna lo descubrió de forma muy pública: apostó fuerte por la automatización y luego contrató de nuevo cuando la calidad cayó. Su conclusión fue clara: los clientes necesitan saber que siempre hay una persona disponible si la desean.

Por qué la automatización parcial hace a las personas más valiosas

Los cajeros automáticos se extendieron en la banca en la década de 1970; ahora hay más de 400,000 solo en Estados Unidos. La predicción obvia era menos cajeros, pero la realidad fue que aumentaron y también aumentaron sus salarios.

La radiología es la versión moderna de esta lógica: las herramientas de IA pueden leer ciertos escaneos mejor que las personas. Sin embargo, los departamentos de radiología no están de brazos cruzados: no hay suficiente personal para cubrir todas las vacantes y la demanda es alta.

La teoría del O-Ring del economista galardonado Michael Kremer describe cómo el trabajo del conocimiento actual es multiplicativo, no meramente aditivo: un fallo en un paso puede hacer que todo el resultado valga cero. En la automatización, un eslabón débil hunde la salida total a menos que un humano lo detecte. Eso eleva la valía de las personas que quedan, pues actúan como guardianes de un flujo mayor de trabajo de mayor calidad. La demanda solo cae cuando toda la cadena se automatiza; mientras exista jaggedness e hallucination, es difícil imaginar ese escenario.

El efecto de enfoque

La automatización libera tiempo, y hacia dónde se dirija ese tiempo determinará si todo esto vale la pena. Si se invierte de forma adecuada, ese tiempo puede dirigirse a tareas que limitan el cuello de botella: construir relaciones con un cliente potencial, entender qué necesita realmente y tomar decisiones de juicio. Esto puede mejorar la calidad del trabajo y elevar la barra para lo que se automatizará a continuación.

Para que esto ocurra, los líderes deben identificar qué pueden hacer los agentes, delegarlo de forma activa y reestructurar procesos para que las personas se muevan hacia ese trabajo de mayor valor, en lugar de supervisar la máquina.

Five años desde ahora

Imagínalo: una docena de agentes corriendo en paralelo, redactando ofertas, cualificando leads y gestionando tickets de soporte. El trabajo tedioso y repetitivo desaparece. Tu carga cognitiva aumenta porque tienes que coordinar muchas tareas, dar feedback y asegurar que nada se escape.

Protege tu capacidad mental, mantiene a los agentes trabajando para ti y utiliza lo que recuperas para las cosas que solo tú puedes hacer.

Si no, miraremos hacia atrás en unos años y desearíamos poder discutir de nuevo sobre esa celda B4.

Este artículo forma parte de TechRadar Pro Perspectives, nuestra muestra de las mentes más brillantes de la industria tecnológica hoy.

from Latest from TechRadar https://ift.tt/Phpxctd
via IFTTT IA