Cómo conseguir que tu equipo use la IA que has implantado

Introducción

Un sistema puede funcionar perfectamente y no servir para nada. Ocurre más de lo que se admite: la herramienta está desplegada, responde bien, hace lo que prometía, y a los cuatro meses la usan dos personas de las doce que deberían.

El proyecto no ha fracasado técnicamente. Ha fracasado en el único sitio donde se decide si algo aporta valor, que es el uso diario. Y como los indicadores técnicos siguen en verde, el problema tarda en detectarse.

Este artículo trata de por qué ocurre y de qué se puede hacer. No va de convencer a nadie: va de quitar los motivos por los que la gente, con buen criterio, decide seguir haciéndolo como antes.

"Resistencia al cambio" casi nunca es la explicación

Es la respuesta cómoda, y suele ser falsa. Cuando alguien no usa una herramienta nueva, lo habitual es que tenga una razón concreta, y merece la pena escucharla antes de atribuirlo a la naturaleza humana.

Le sale más caro que el método viejo. La herramienta tarda cuarenta segundos en hacer lo que esa persona resuelve en veinte, porque lleva ocho años haciéndolo y tiene los atajos memorizados. El sistema es más rápido para quien empieza; para el veterano, no.

No se fía y no puede comprobarlo. Si el sistema da una respuesta y no hay forma de ver de dónde sale, la persona responsable de esa tarea hará lo sensato: comprobarlo por su cuenta. Y entonces hace el trabajo dos veces, así que deja de usarlo.

Falla en su caso. Funciona bien en el 80 % de las situaciones, pero esta persona lleva justo los expedientes raros. Para ella, la tasa de acierto real no es del 80 %, es mucho menor.

Nadie le ha dicho para qué. Se le presentó como una mejora general, sin conectar con ningún problema que ella tuviera. Difícil que priorice aprenderla.

Sospecha del motivo. Si cree que el objetivo es medirla o sustituirla, no lo dirá en la reunión, pero no lo usará.

Ninguna de estas cinco se resuelve con formación. Cuatro se resuelven con diseño y una con conversación.

Lo que sí funciona

Empezar por quien tiene el problema, no por quien manda

La tentación es desplegar para todo el equipo a la vez, o empezar por el responsable. Funciona mejor lo contrario: elegir a la persona que más sufre el proceso, resolverle su caso concreto y dejar que lo cuente.

Tiene dos ventajas. Una, que esa persona tiene motivo propio para que funcione y aguantará los primeros fallos. Dos, que su recomendación vale más que cualquier presentación: en una empresa pequeña, que alguien diga "a mí me ahorra una hora al día" mueve más que una directriz.

Que se pueda comprobar sin esfuerzo

Si el sistema muestra en qué se basa (el documento, el registro, el dato de origen) la persona comprueba en dos segundos y sigue. Si no lo muestra, comprueba por su cuenta y acaba abandonando.

Esto no es una preferencia estética: determina si el sistema se usa. Y tiene un efecto de segundo orden interesante, que es que la gente detecta antes los errores y avisa, en lugar de desconfiar en silencio.

Formar sobre el criterio, no sobre los botones

La formación habitual explica cómo se usa la herramienta. Sirve para poco, porque la interfaz se aprende sola. Lo que hay que enseñar es cuándo fiarse y cuándo no, qué tipo de casos se le dan mal, y qué hacer cuando el resultado no cuadra.

El trabajo de la OCDE sobre el efecto de la IA en el puesto de trabajo encuentra que la formación y la consulta a los trabajadores se asocian con mejores resultados para ellos (OCDE, 2023). En la misma línea, los marcos de gestión de riesgos de sistemas de IA sitúan la cultura organizativa y la capacitación dentro de la función de gobierno, no como un añadido posterior al despliegue (NIST, 2023).

Dejar que la gente lo rompa antes de que sea obligatorio

Un periodo en el que usar el sistema es voluntario y equivocarse no tiene consecuencias produce dos cosas valiosas: se descubren los casos raros que nadie había previsto, y quien participa deja de percibirlo como algo impuesto.

Ese periodo tiene que ser corto y con fecha de final. Si se alarga, se convierte en un limbo donde conviven dos formas de trabajar, que es peor que cualquiera de las dos.

Retirar el camino viejo, cuando toque

Mientras la hoja de cálculo antigua siga ahí, una parte del equipo la seguirá usando, y no por rebeldía: porque funciona y la conocen. Llega un momento en que hay que cerrarla.

El orden importa: primero se comprueba que el sistema nuevo cubre los casos reales, incluidos los raros, y después se retira el viejo. Al revés se genera resentimiento y trabajo manual encubierto.

Errores frecuentes

Medir uso en lugar de valor. Que se hagan doscientas consultas al mes no dice nada si la mitad son de gente comprobando si el sistema acierta. Interesa cuánto tiempo se ahorra y cuántos casos se resuelven sin intervención.

Desplegar a todos a la vez. Multiplica los frentes abiertos justo cuando más ajustes hacen falta, y una mala primera impresión colectiva es difícil de revertir.

Confundir formación con una sesión. Una demostración de una hora el día del lanzamiento no es formación. Lo que funciona son revisiones cortas a las dos semanas y al mes, cuando ya han aparecido dudas reales.

Ignorar al que se queja. Suele ser quien más conoce el proceso y quien primero encuentra los fallos. Tratarlo como un obstáculo desperdicia la mejor fuente de información que hay.

Conclusión

La adopción no es una fase que viene después del despliegue: es parte del diseño. Un sistema que muestra sus fuentes, que resuelve primero el problema de quien más lo sufre y que no obliga a nadie durante las primeras semanas se adopta prácticamente solo.

Uno que llega terminado, sin explicación y con una sesión de formación el primer día necesitará después mucho esfuerzo de convencimiento, y ese esfuerzo rara vez compensa lo que habría costado hacerlo bien desde el principio.

Si a los tres meses la herramienta la usan dos de doce, el problema casi nunca está en las diez. Está en algo que el sistema les pide y que no les compensa dar.

Referencias

NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1

OCDE. (2023). The impact of AI on the workplace: Main findings from the OECD AI surveys of employers and workers (OECD Social, Employment and Migration Working Papers). OECD Publishing. https://www.oecd.org/en/publications/the-impact-of-ai-on-the-workplace-main-findings-from-the-oecd-ai-surveys-of-employers-and-workers_ea0a0fe1-en.html