«¿Podemos usar IA?» es una pregunta que no tiene buena respuesta. Sí, ¿para qué? Para el trabajo entero la respuesta es no, y para una parte del trabajo es sí. Mientras el equipo no separe las dos cosas, ocurre una de dos: nadie se atreve, o todos la usan para todo.
Las dos salidas cuestan algo. En el primer caso se queda sin hacer trabajo que un modelo podría preparar perfectamente. En el segundo, sale trabajo que nadie ha contrastado con una fuente.
Por qué no se ve en la tarea
Lo difícil es que no puedes saber por la tarea si la IA va a poder con ella. En 2023, investigadores de Harvard Business School, el MIT y Boston Consulting Group hicieron un experimento con 758 consultores de BCG. Les dieron tareas realistas, con y sin IA. En las tareas que el modelo podía resolver, el trabajo salió más rápido y mejor. Pero los investigadores también plantearon a los consultores una tarea diseñada para que el modelo fallara. Ahí, el grupo que usaba IA acertó 19 puntos porcentuales menos que el grupo que no la usaba.
Los investigadores lo llaman la jagged frontier, la frontera irregular: un límite que no sigue una línea recta. Dos tareas que parecen igual de difíciles pueden estar a ambos lados. El modelo escribe sobre las dos con la misma seguridad, así que quien lee el resultado no nota de qué lado cayó.
Por eso una regla general («IA para borradores, no para conclusiones») sirve solo a medias. Lo que sí ayuda es dividir el trabajo en pasos y ordenar cada paso por separado.
A qué fase pertenece un paso
Primero hay que saber de qué tipo de paso se trata. Para eso sirve SEAL.
SEAL describe las cuatro fases por las que pasa el trabajo de conocimiento: Source, Edit, Approve, Launch. En cada fase se puede perder la trazabilidad de una fuente, y la fase más débil determina lo que vale el trabajo.
Cada paso de un proceso de trabajo cae en una de esas cuatro. La pregunta de cada fase:
- Source: ¿de dónde viene la información, y existe de verdad esa fuente?
- Edit: ¿sigue cubriendo la fuente el texto después de editarlo?
- Approve: ¿quién ha revisado el contenido, con qué conocimiento experto y frente a qué?
- Launch: ¿quién da el visto bueno final al trabajo, y con qué visión de conjunto?
Buscar, ordenar, resumir y reescribir son pasos de Source y Edit. Es un trabajo en el que un modelo puede ser bueno y en el que puedes poner el resultado junto a algo para comprobarlo. Approve y Launch son distintas. Un sistema puede comprobar que una fuente respalda una afirmación, pero no que la afirmación confunda al lector. Ese juicio se queda en manos de una persona, y esa es justo la razón de que esas fases existan.
Tres preguntas, tres cajones
Para cada paso, hazte tres preguntas.
- ¿Puedes poner el resultado junto a algo que ya tienes? Una fuente, el original, una lista. Si es así, puedes encontrar un error. Si no, solo estás leyendo un texto fluido.
- ¿Qué cuesta que esté mal y que nadie lo vea? Una lista de fuentes mal ordenada cuesta un cuarto de hora. Una cifra equivocada en un informe con vuestro nombre cuesta un cliente.
- ¿Entran datos que la organización no puede dejar salir? Datos personales, documentos confidenciales, datos de un cliente bajo confidencialidad.
De ahí salen tres cajones:
- Sí. El resultado se puede poner junto a algo y un error sale barato. Lo hace la IA y tú compruebas por muestreo.
- Sí, con revisión. El resultado se puede poner junto a algo, pero un error sale caro. La IA lo produce, una persona contrasta cada afirmación con la fuente y deja constancia de la comprobación.
- No. El resultado no se puede poner junto a nada, entran datos que no pueden salir, o el paso es en sí mismo un juicio. Lo hace una persona.
Una regla práctica más: si dudas entre dos cajones, elige el que tenga más revisión. Pasar a un cajón más ligero siempre se puede hacer más adelante.
Un ejemplo
Un ejemplo inventado, para ver cómo funciona. Una consultora redacta un informe para un ayuntamiento. El proceso tiene cinco pasos:
- Ordenar fuentes (Source). El resultado se puede contrastar con las propias fuentes, y un error cuesta un cuarto de hora. Cajón: sí.
- Escribir un primer borrador (Edit). Es un borrador que se va a reescribir de todos modos. Cajón: sí.
- Reescribir cifras en texto corrido (Edit). El resultado se puede comprobar, pero una cifra desplazada sale con el nombre de la consultora. Cajón: sí, con revisión: cada cifra junto al pasaje de la fuente, con su marca de comprobación.
- Conclusión y recomendación (Approve). Es el juicio por el que paga el cliente. Cajón: una persona.
- Enviarlo al ayuntamiento (Launch). Cajón: una persona, a partir de los tres pasos anteriores.
Estos cajones no son necesariamente los correctos para tu trabajo. Lo que importa es la manera de ordenar: paso a paso, con una razón para cada uno.
Prueba primero los pasos del cajón «sí»
Como la frontera es irregular, ordenar sobre el papel es solo una primera ronda. Después se prueba. Para cada paso de los cajones «sí» y «sí, con revisión», toma cinco ejemplos reales del último mes, haz que el modelo los resuelva y pon el resultado junto a la fuente. Si los cinco salen bien, el paso se queda en su cajón. Si uno falla, bajas el paso un cajón.
Así llegas a una clasificación que has medido tú mismo, y no a una corazonada que sonaba bien.
Qué puedes hacer esta semana
- Elige un proceso de trabajo que se repita a menudo: un informe, un presupuesto, un boletín, un examen.
- Anota los pasos, de seis a diez. Un verbo por paso.
- Pon al lado de cada paso la fase: Source, Edit, Approve o Launch.
- Responde las tres preguntas para cada paso y colócalo en un cajón.
- Prueba los pasos de los cajones «sí» y «sí, con revisión» con cinco ejemplos reales y ajusta los cajones a lo que veas.
El resultado cabe en una cara de una hoja. Es, además, la base de una política de trabajo.
Fuente
Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. & Lakhani, K. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013. papers.ssrn.com/sol3/papers.cfm?abstract_id=4573321