En 2025, un artículo de la MIT Sloan Management Review planteó algo que la mayoría de las empresas no quiere escuchar: poner IA a resolver una tarea aislada —resumir un documento, redactar un correo, generar un fragmento de código— rara vez mueve el resultado del negocio. La ganancia real aparece cuando alguien se detiene, mira el proceso completo y pregunta por qué esa tarea existe de esa forma. Una empresa de servicios financieros citada en el artículo rediseñó bajo esa lógica su proceso de atención a pedidos de clientes y llegó a un 50% menos de esfuerzo, 40% menos de costo y casi 20% menos de rotación en el equipo —cifras que ninguna automatización puntual entrega por sí sola.
La investigación State of AI 2025, de McKinsey, midió la misma distancia a escala: entre casi 2.000 empresas consultadas, solo el 5,5% reportó retorno financiero real de su inversión en IA. Lo que separa a ese grupo pequeño del resto no es el modelo de IA utilizado, ni el presupuesto: es que las empresas de mejor desempeño tienen casi tres veces más probabilidad de haber rediseñado por completo su flujo de trabajo, en lugar de simplemente encajar la IA en un paso del proceso antiguo.
Para empresas de Brasil y América Latina, muchas de las cuales todavía prueban IA en tareas puntuales —un chatbot de atención aquí, un resumen de contrato allá—, este dato funciona como una advertencia específica. El patrón se repite área por área: atención al cliente prueba una herramienta, finanzas prueba otra, y cada una resuelve una tarea aislada dentro de su propio departamento. Cada área muestra una pequeña victoria en una reunión interna, pero al final del trimestre nadie puede señalar cuánto de eso cambió el número que la dirección realmente sigue.
Por qué la tarea aislada rinde tan poco
La tentación de automatizar tarea por tarea es comprensible: es rápido de probar, no exige tocar nada más allá de ese paso y da una victoria visible en pocas semanas. El problema es que una tarea aislada suele existir dentro de un proceso diseñado para otra realidad —un flujo pensado cuando cada paso dependía de una persona, con colas, aprobaciones redundantes y retrabajo incorporado como parte de "así se ha hecho siempre".
Poner IA en un paso de ese proceso hace que ese paso sea más rápido. No hace que el proceso sea mejor. Si el paso siguiente todavía depende de que alguien revise todo de nuevo porque no confía en el anterior, o si la tarea automatizada nunca debió existir como un paso separado, la empresa simplemente aprendió a producir más rápido el mismo retrabajo de antes.
Un ejemplo común ayuda a verlo en la práctica. Muchas empresas ponen un agente de IA a resumir correos o tickets de soporte, pero dejan intacto el paso siguiente: una persona lee el resumen, desconfía de él y va a revisar el texto original de todas formas. El resumen se volvió más rápido de generar; la decisión sigue tomando el mismo tiempo de antes, porque el paso que realmente frenaba el proceso —la desconfianza de quien decide— nunca fue tratado.
McKinsey llama a este patrón incrementalismo: la IA desaparece dentro del proceso existente y entrega una ganancia marginal, cuando era el proceso mismo el que necesitaba cambiar. Es la diferencia entre poner un motor más potente en un auto con el freno de mano puesto y simplemente soltar el freno.
Cuándo automatizar la tarea empeora el resultado
Un experimento de campo realizado por Harvard Business School junto con la consultora Boston Consulting Group hizo concreto este riesgo. Los investigadores dividieron a 758 consultores en grupos con y sin acceso a un modelo de IA y midieron el desempeño en tareas reales del trabajo diario de consultoría.
En las tareas dentro de lo que los investigadores llamaron la "frontera" de la capacidad de la IA —aquello que resuelve bien—, quienes usaron IA completaron 12,2% más tareas, 25,1% más rápido, con una calidad hasta 40% superior. Fuera de esa frontera, en una tarea diseñada para estar más allá de la capacidad real del modelo, el grupo con IA tuvo peor desempeño: al confiar en la respuesta equivocada, llegó a la solución correcta 19 puntos porcentuales menos veces que quienes trabajaron sin IA.
El punto central del estudio no es que la IA sea buena o mala. Es que la frontera entre lo que resuelve bien y lo que resuelve mal es irregular, y solo se hace visible cuando alguien mapea la tarea dentro del proceso —no cuando la tarea se automatiza de forma aislada, confiando en que "la IA lo resuelve".
Para una empresa, la lección práctica no es evitar la IA en las tareas fuera de esa frontera. Es no confiar en ella ciegamente ahí, y usar la propia tarea como termómetro: si el resultado empeora con IA, ese paso todavía necesita a alguien con experiencia cerca —y esa información solo aparece cuando se observa el proceso completo, no cuando la herramienta se aprueba de forma aislada "para ayudar a todos".
Lo que tiene que existir en la práctica
Rediseñar un proceso con IA, en la práctica, significa poner algunos mecanismos en su lugar antes de que cualquier paso se vuelva automático.
Mapear el proceso antes de automatizar cualquier paso de él. Esto significa listar cada paso, quién lo hace, por qué existe y qué pasaría si desapareciera —antes de preguntar dónde entra la IA. Buena parte de los pasos "automatizables" ni siquiera debería existir como paso separado.
Agentes trabajando en pasos coordinados, no de forma aislada. Un agente que resume, otro que consulta el historial, otro que prepara la respuesta —cada uno con un alcance definido, pasando el trabajo hacia adelante, en lugar de una persona uniendo a mano el resultado de varias herramientas sueltas.
Aprobación humana según el riesgo de cada paso, no en cada paso. Una tarea dentro de la parte segura del proceso sigue directo; una decisión sensible se detiene en la conversación y pide confirmación antes de avanzar.
Reutilización de lo que funciona, con control de quién puede usar qué. Cuando alguien del equipo encuentra el enfoque correcto para un proceso, ese enfoque queda disponible para todo el equipo, con alcance definido por rol y permiso —no abierto para cualquiera.
Así fue diseñada la Skyller: agentes actuando en pasos coordinados, aprobación según el riesgo, y más de 170 plantillas de procesos listas para empezar el rediseño sin partir de cero.
La ganancia aparece en el resultado, no solo en la tarea
El motivo por el que este rediseño es una decisión más difícil de tomar que simplemente encender otra herramienta es el mismo motivo por el que da resultado: cambia cómo se divide el trabajo entre personas e IA, no qué botón se aprieta.
Cuando el proceso se rediseña, la ganancia aparece en los indicadores que la dirección ya sigue —tiempo de ciclo, costo por atención, rotación del equipo— y no solo en cuántas personas usaron un chatbot ese mes. Esa es exactamente la diferencia, según McKinsey, entre el 5,5% de empresas con retorno financiero real y el resto: ellas miden el proceso, no la herramienta.
También hay un efecto interno menos comentado: cuando el rediseño se hace con el equipo, y no se decide por encima de él, la IA entra como algo que saca el trabajo repetitivo del camino —no como una amenaza al empleo. Eso ayuda a explicar por qué el caso citado por la MIT Sloan también redujo la rotación, no solo el costo: el equipo deja de repetir la parte del trabajo que a nadie le gustaba hacer, y pasa a decidir la parte que realmente requería que alguien pensara.
Preguntas para llevar a la próxima reunión
Antes de aprobar una automatización puntual más, vale la pena llevar estas preguntas a quien lidera el área y al equipo de TI:
- ¿Por qué existe este paso de la forma en que existe? Si la respuesta es "siempre se hizo así", es candidato a desaparecer, no a automatizarse.
- ¿Qué pasa en el paso siguiente si este se vuelve más rápido? Si el paso siguiente todavía va a revisar todo de nuevo, la ganancia de velocidad nunca llega al proceso completo.
- ¿Esta tarea está dentro o fuera de lo que la IA realmente resuelve bien hoy? Probar antes de confiar evita el resultado peor que midió el estudio de Harvard/BCG fuera de la frontera.
- ¿Quién del equipo ya resolvió un problema parecido, y ese conocimiento está disponible para los demás? Si la respuesta es "solo en la cabeza de una persona", el rediseño todavía no ocurrió.
