3 errores que debes evitar al incorporar IA en tu empresa
La siguiente contribución corresponde al portal de INC. com una de las publicaciones más prestigiosas de Estados Unidos que abarca la problemática de las pymes en los ámbitos del liderazgo, marketing, innovación, RRHH, etc.
La autora del artículo es Chenault Taylor que es directora de BCG y embajadora del BCG Henderson Institute.
Por eso deberías tratar la IA generativa como un nuevo miembro del equipo, y no como una solución tecnológica más.
Los líderes hablan cada vez más de la IA generativa como un compañero de equipo, más que como una herramienta.
Sin embargo, la mayoría de las organizaciones siguen abordando su adopción como si se tratara de un despliegue tecnológico.
Implementan GenAI, ofrecen formación básica y esperan una revolución en la productividad que probablemente no se materialice.
A pesar del entusiasmo que rodea a GenAI, la brecha entre la promesa de la tecnología y su valor real sigue siendo grande.
No se trata de herramientas defectuosas ni de empleados reticentes, sino de cómo los líderes están introduciendo GenAI y preparando a sus organizaciones y personal para trabajar con ella. Tratar a GenAI como un miembro más del equipo no es solo una metáfora ingeniosa. Es un imperativo de liderazgo.
Es necesario integrar GenAI, capacitarlo y darle espacio para crecer
Al mismo tiempo, los líderes deben crear un espacio para que su equipo aprenda a colaborar con él de forma productiva y agradable, y asegurarse de que la incorporación de GenAI mejore a todo el equipo, no solo acelere su ritmo.
Aquí hay tres errores específicos que se deben evitar y qué hacer en su lugar.
Error 1: Priorizar la productividad por encima de todo
Cuando las empresas piensan en GenAI, lo primero, y a menudo lo único, que mencionan es la productividad. Automatizar esto. Acelerar aquello. Hacer más con menos.
Pero si se detiene ahí, está infrautilizando el potencial de GenAI y se arriesga a generar miedo, desconexión y una baja adopción. Nuestra investigación muestra que cuanto más utilizan las personas GenAI, más confían en él, pero también más temen lo que podría significar para sus trabajos.
En lugar de preguntar «¿Cuánto podemos aprovechar de GenAI?», plantéese las mismas preguntas que plantearía a los nuevos empleados: ¿Cuáles son sus fortalezas? ¿Dónde necesitarán apoyo? ¿Cómo podemos integrarlos en el equipo para que todos puedan rendir al máximo?
Visto así, GenAI se centra menos en el reemplazo y más en el reequilibrio. Es el compañero de equipo quien asume tareas repetitivas o frustrantes para que sus empleados puedan centrarse en lo que les da energía: la resolución creativa de problemas, la mentoría, la colaboración. GenAI no solo aumenta el rendimiento, sino que puede generar una entrega de valor mejor, más significativa y más agradable para todo el equipo.
Error 2: Pasar por alto la experiencia del empleado
Con demasiada frecuencia, las empresas introducen tecnología sin involucrar a los empleados.
Las mejores organizaciones hacen lo contrario. Co-crean la implementación con los empleados preguntándose: ¿Qué aspectos de su trabajo les agotan? ¿Dónde cree que GenAI ayuda a aliviar el trabajo pesado? ¿Para qué desearía tener más tiempo?
La co-creación puede incluir puntos de contacto continuos con los empleados, a través de grupos de asesoramiento, encuestas y conversaciones individuales, así como la iteración de soluciones con ellos en función del uso y el impacto de las herramientas.
Los líderes aprenden de este proceso y utilizan los conocimientos para implementar GenAI de forma que reduzca el esfuerzo y aumente la satisfacción.
Esto es importante: nuestra investigación muestra que los empleados que disfrutan de su trabajo tienen la mitad de probabilidades de buscar empleo.
Cuando GenAI se introduce mediante un enfoque co-creado y centrado en el empleado, hemos observado tasas de uso cuatro veces mayores y un aumento del 13 % en la satisfacción general de los empleados en el trabajo.
Un factor importante en estos mejores resultados de uso y satisfacción es la influencia y el apoyo de los gerentes. Deben marcar la pauta, utilizar las herramientas ellos mismos y modelar abiertamente cómo es una buena integración con este nuevo compañero de equipo.
Error 3: Tratar GenAI como un reemplazo, no como un avance.
Si ha «contratado» GenAI, no se trata solo de un reemplazo inmediato para los roles existentes.
Es una capacidad completamente nueva. Imagina incorporar a alguien a tu equipo con capacidad de recordar al instante mil millones de datos, profundas habilidades analíticas y cero ego.
No le pedirías que simplemente se encargara de tu lista de tareas ni de la de nadie más. Repensarías qué podría hacer tu equipo con esos superpoderes.
Esa es la oportunidad con GenAI. Pero implica reimaginar los flujos de trabajo, redistribuir responsabilidades y, a veces, incluso reestructurar los equipos; los empleados pueden terminar trabajando con nuevos miembros o aprendiendo nuevas habilidades. Debes diseñar el trabajo de todo el equipo en torno a las fortalezas de GenAI y, lo que es igual de importante, tener en cuenta sus limitaciones.
Muchas organizaciones se quedan cortas en transformaciones de esta magnitud
ya que requiere una gran inversión, pero cambiar realmente la forma en que los equipos trabajan juntos también puede tener un impacto enorme.
En definitiva, no contratarías a una persona con alto potencial y esperarías que comenzara a rendir de inmediato sin orientación, contexto ni apoyo.
GenAI es esa nueva incorporación cualificada, así que implementa correctamente. A cambio, te ayudará a impulsar la innovación, mejorar la experiencia de los empleados e impulsar el rendimiento y la productividad.
La IA generativa no va a construir tu equipo de ingeniería por ti
La siguiente contribución corresponde al portal de Stack OverFlow que se define así mismo: Impulsamos al mundo para desarrollar tecnología a través del conocimiento colectivo. Nuestros productos y herramientas permiten a las personas preguntar, compartir y aprender en el trabajo o en casa.
La autora es Charity Majors que es cofundadora y directora de tecnología de honeycomb.io, líder en observabilidad para sistemas de software complejos. Trabajó como ingeniera de operaciones y gerente de ingeniería en Parse, Facebook, Linden Lab y otras empresas.
Generar código es fácil, pero generar buen código no es tan fácil.
Cuando tenía 19 años, dejé la universidad y me mudé a San Francisco. Tenía una oferta de trabajo para ser administrador de sistemas Unix en Taos Consulting.
Sin embargo, antes de mi primer día de trabajo, me convencieron para irme a una startup de la ciudad, donde trabajé como ingeniero de software en subsistemas de correo.
Nunca me cuestioné si encontraría trabajo. Había muchos trabajos y, lo que es más importante, los estándares de contratación eran muy bajos.
Si sabías usar HTML o desenvolverte en una línea de comandos, era probable que encontraras a alguien que te pagara.
¿Fui una especie de genio, nacido con las manos sobre el teclado de una computadora? ¡Claro que no! Recibí mi educación en casa en un lugar remoto de Idaho. No toqué una computadora hasta los dieciséis años, cuando estaba en la universidad.
Me escapé a la universidad con una beca de piano clásico, que luego cambié por una serie de carreras itinerantes no técnicas: latín y griego clásicos, teoría musical, filosofía. Todo lo que sabía sobre computadoras lo aprendí en el trabajo, como administrador de sistemas para la universidad y los departamentos de informática.
En retrospectiva, tuve muchísima suerte de entrar en la industria cuando lo hice. Me da escalofríos pensar en qué habría pasado si hubiera llegado unos años después. Todos los escalones que mis amigos y yo tomamos para entrar en la industria desaparecieron hace mucho tiempo.
La industria del software está creciendo.
En cierta medida, esto es lo que sucede a medida que una industria madura.
Los inicios de cualquier campo son como el Viejo Oeste, donde hay poco en juego, la regulación es inexistente y los estándares son incipientes.
Si observamos la historia inicial de otras industrias (medicina, cine, radio), las similitudes son sorprendentes.
Hay un momento mágico en cualquier tecnología joven donde las fronteras entre roles son porosas y cualquier persona motivada, curiosa y dispuesta a trabajar arduamente puede aprovechar la oportunidad.
Nunca dura. No puede; no debería. La cantidad de conocimientos y experiencia necesarios para ingresar a la industria crece vertiginosamente.
Aumentan los riesgos, la magnitud de la misión, el costo de los errores se dispara.
Desarrollamos certificaciones, capacitaciones, estándares, ritos legales. Discutimos si los ingenieros de software son realmente ingenieros.
El software es una industria de aprendizaje.
Hoy en día, no querrías que un adolescente que abandonó la escuela como yo terminara el penúltimo año y terminara en tu rotación de buscapersonas.
Los conocimientos previos necesarios para entrar en la industria han aumentado, el ritmo es más rápido y hay mucho más en juego, por lo que ya no se puede aprender literalmente todo en el trabajo, como yo hacía antes.
Sin embargo, tampoco es posible aprender todo lo necesario en la universidad.
Un título en informática suele prepararte mejor para una vida dedicada a la investigación informática que para la vida como ingeniero de software.
Una vía más práctica para entrar en la industria puede ser un buen bootcamp de programación, con énfasis en la resolución de problemas y el aprendizaje de herramientas modernas.
En cualquier caso, no se aprende tanto «cómo hacer el trabajo», sino «aprender lo suficiente de los fundamentos para comprender y utilizar las herramientas necesarias para aprender el trabajo».
El software es una industria de aprendizaje. No se puede aprender a ser ingeniero de software leyendo libros.
Solo se aprende haciendo… y haciendo, y haciendo, y haciendo aún más. Independientemente de la formación que se imparta, la mayor parte del aprendizaje se produce en el trabajo, y punto. ¡Y nunca termina!
Aprender y enseñar son prácticas que duran toda la vida; Tienen que serlo, la industria cambia muy rápido.
Se necesitan más de siete años para formar un ingeniero de software competente
(O como lo llamarían la mayoría de los escalafones profesionales, un «ingeniero de software sénior»).
Son muchos años escribiendo, revisando e implementando código a diario, en un equipo junto a ingenieros más experimentados. Ese es precisamente el tiempo que parece llevar.
¿Qué significa ser un «ingeniero sénior»?
Aquí es donde a menudo recibo críticas indignadas sobre mis plazos, por ejemplo:
«¡Siete años! ¡Pfft, me llevó dos años!»
«¡Me ascendieron a Ingeniero de Software Sénior en menos de cinco años!»
Bien por ti. Es cierto que no hay nada mágico en siete años. Pero se necesita tiempo y experiencia para madurar y convertirse en un ingeniero experimentado, el tipo de ingeniero que puede ser el pilar de un equipo. Más que eso, se necesita práctica.
Creo que hemos llegado a usar el término «Ingeniero de Software Sénior» como abreviatura para referirse a los ingenieros que pueden entregar código y tener un impacto positivo neto en términos de productividad, y creo que es un grave error.
Implica que los ingenieros con menos experiencia deben tener un impacto negativo neto en términos de productividad, lo cual es falso. Y elude la verdadera naturaleza del trabajo de la ingeniería de software, del cual escribir código es solo una pequeña parte.
Para mí, ser ingeniero sénior no se basa principalmente en la capacidad de escribir código.
Tiene mucho más que ver con la capacidad de comprender, mantener, explicar y gestionar una gran cantidad de software en producción a lo largo del tiempo, así como con la capacidad de traducir las necesidades del negocio en implementación técnica.
Gran parte del trabajo consiste en crear y gestionar estos grandes y complejos sistemas sociotécnicos, y el código es solo una representación de estos sistemas.
¿Qué significa ser ingeniero sénior? Significa haber aprendido a aprender, ante todo, y a enseñar; a mantener estos modelos en la cabeza y razonar sobre ellos, y a mantener, ampliar y operar estos sistemas a lo largo del tiempo. Significa que tienes buen juicio e instintos en los que puedes confiar.
Lo que nos lleva al tema de la IA.
Tenemos que dejar de canibalizar nuestro propio futuro.
Es muy, muy difícil conseguir tu primer puesto como ingeniero.
No me di cuenta de lo difícil que era hasta que vi a mi hermana pequeña (recién graduada, excelentes calificaciones, algo de experiencia práctica, una trabajadora incansable) luchar durante casi dos años para conseguir un trabajo de verdad en su campo.
Eso fue hace unos años; anecdóticamente, parece que se ha vuelto aún más difícil desde entonces.
El año pasado, leí un flujo constante de artículos sobre empleos de nivel inicial en diversas industrias que están siendo reemplazados por la IA.
Algunos de los cuales son totalmente válidos. Cualquier trabajo que consista en tareas pesadas, como convertir un documento de un formato a otro, leer y resumir un montón de texto o reemplazar un conjunto de iconos por otro, parece bastante vulnerable.
Esto no me parece tan revolucionario, simplemente está extendiendo el auge actual de la automatización para abarcar tanto el material textual como las matemáticas.
Poder reemplazar el trabajo de los ingenieros junior
Sin embargo, recientemente, varios ejecutivos y supuestos «líderes de opinión» del sector tecnológico parecen haberse convencido de que la IA generativa está a punto de reemplazar todo el trabajo de los ingenieros junior.
He leído muchísimos artículos sobre cómo el trabajo de los ingenieros junior se está automatizando hasta desaparecer, o sobre la disminución de la necesidad de ingenieros junior. Me ha vuelto loco.
Todo esto revela una profunda incomprensión sobre el verdadero trabajo de los ingenieros. Al no contratar ni formar a ingenieros junior, estamos arruinando nuestro propio futuro. Tenemos que dejar de hacerlo.
Escribir código es la parte fácil
La gente actúa como si escribir código fuera la parte difícil del software. No lo es.
Nunca lo ha sido y nunca lo será. Escribir código es la parte más fácil de la ingeniería de software, y cada día lo es más.
Lo difícil es lo que se hace con ese código: operarlo, comprenderlo, extenderlo y gestionarlo a lo largo de todo su ciclo de vida.
Un ingeniero junior empieza aprendiendo a escribir y depurar líneas, funciones y fragmentos de código. A medida que practicas y progresas hasta convertirte en ingeniero senior, aprendes a crear sistemas a partir del software y a guiarlos a través de oleadas de cambio y transformación.
Los sistemas sociotécnicos se componen de software, herramientas y personas
comprenderlos requiere familiaridad con la interacción entre el software, los usuarios, la producción, la infraestructura y los cambios continuos a lo largo del tiempo.
Estos sistemas son increíblemente complejos y están sujetos al caos, la falta de determinismo y los comportamientos emergentes.
Si alguien afirma comprender el sistema que está desarrollando y operando, el sistema es excepcionalmente pequeño o (más probablemente) no sabe lo suficiente como para saber lo que desconoce.
En otras palabras, codificar es fácil, pero los sistemas son complejos.
La actual ola de herramientas de IA generativa nos ha ayudado enormemente a generar grandes cantidades de código a gran velocidad.
Las partes fáciles se están volviendo aún más fáciles, a un ritmo realmente notable. Pero no ha contribuido en absoluto a la gestión, comprensión u operación de ese código. En todo caso, solo ha dificultado las tareas difíciles.
Generar código es fácil, pero generar buen código es difícil.
Si lees muchos artículos de opinión apasionantes, puede que te imagines a ingenieros de software creando alegremente indicaciones para ChatGPT o usando Copilot
