Ethan Mollick identifica una paradoja importante en la adopción empresarial de la IA: mientras que los trabajadores individuales reportan ganancias de productividad significativas (algunos afirman que la IA "triplicó su productividad"), las organizaciones observan mejoras de rendimiento globales mínimas.
Cuatro observaciones centrales
Primero, las ganancias de rendimiento son reales y están documentadas. Estudios realizados en Dinamarca y Estados Unidos muestran que los trabajadores logran ahorros de tiempo sustanciales en dominios variados: desarrollo de producto, ventas, consultoría y funciones técnicas.
Segundo, la adopción es generalizada. Entre el 30 y el 40% de los trabajadores estadounidenses usan IA en su actividad profesional, aunque los sistemas empresariales oficiales muestran tasas de uso más bajas (~20%), lo que revela un uso "paralelo" significativo.
Tercero, existe un potencial sin explotar. Las herramientas de investigación profunda, los agentes de IA y los sistemas de generación de contenido pueden lograr un trabajo transformador que va mucho más allá de las implementaciones organizacionales actuales.
Cuarto, las organizaciones no están capturando este valor. Las ganancias de productividad individuales no se traducen automáticamente en mejoras organizacionales sin una innovación sistémica.
El marco: Liderazgo, Laboratorio y Multitud
Mollick propone un modelo de tres componentes para resolver esta paradoja.
El Liderazgo debe establecer una visión clara del impacto futuro de la IA en el trabajo y crear incentivos que favorezcan una adopción transparente en lugar de un uso oculto motivado por el miedo a despidos o a una menor valoración.
El Laboratorio funciona como una unidad de innovación ambidiestra, que convierte los flujos de trabajo descubiertos por la multitud en soluciones escalables, establece puntos de referencia (benchmarks) de capacidad de IA sobre las tareas reales de la organización y construye prototipos experimentales que ponen a prueba las posibilidades emergentes.
La Multitud representa a los trabajadores experimentados que descubren de manera orgánica aplicaciones eficaces de la IA mediante prueba y error, y que luego comparten los flujos de trabajo exitosos en toda la empresa.
Recomendaciones prácticas
Mollick insiste en la necesidad de ir más allá de directrices éticas vagas para establecer zonas de experimentación explícitas. La formación debería replantearse como experiencia práctica más que como instrucción en técnicas de prompting. Las organizaciones deben construir puntos de referencia que midan el rendimiento de la IA en sus tareas reales.
También destaca la importancia de abordar las estructuras de incentivos que disuaden a los trabajadores de revelar las ganancias de productividad asistidas por IA, así como de repensar de manera fundamental el propósito de las tareas cuando las ganancias de eficiencia eliminan cuellos de botella anteriores.
Visión estratégica
La observación crítica de Mollick: la ventaja competitiva pertenece a las organizaciones que aprenden más rápido, no a las que esperan a que todo se vuelva claro. "El momento de empezar no es cuando todo se vuelve claro, es ahora, mientras todo sigue siendo confuso e incierto."