An integrated sociotechnical reference model for aligning artificial intelligence implementation in organizations
Utilizando un enfoque de Investigación de Ciencia del Diseño, este estudio aborda el desajuste entre la implementación de la IA y la transformación organizacional mediante el análisis de modelos procedimentales existentes para construir el Modelo de Referencia de IA Sociotécnica Integrada (ISAR-M), el cual sincroniza las capacidades técnicas con la preparación organizacional para superar los silos disciplinares y asegurar una adopción exitosa de la IA.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Las empresas modernas compiten por adoptar la inteligencia artificial, con la esperanza de que estos sistemas inteligentes revolucionen su forma de trabajar. Sin embargo, a pesar del entusiasmo y de la importancia estratégica otorgada a esta tecnología, la mayoría de las organizaciones no logran convertir sus ambiciones en resultados reales. El problema rara vez es que el código informático esté roto o que los algoritmos sean demasiado débiles. En cambio, el fracaso suele derivar de una desconexión entre la tecnología y las personas que deben utilizarla. Cuando una empresa instala un nuevo sistema, no se trata solo de una actualización técnica; es un cambio en todo el funcionamiento de la organización, que implica nuevas reglas, nuevos roles y nuevas formas de pensar. Si la tecnología avanza más rápido de lo que las personas pueden adaptarse, o si las personas no están preparadas para las nuevas herramientas, el sistema se estanca. Esta brecha entre lo que una máquina puede hacer y lo que una organización está preparada para manejar es el desafío central que los investigadores intentan resolver.
Un equipo de investigadores de la Universidad de Ciencias Aplicadas de Múnich se propuso solucionar esta desconexión. Observaron que, si bien existen muchas guías sobre cómo construir inteligencia artificial y muchas guías sobre cómo gestionar la estrategia empresarial, no existe un camino único y unificado que conecte ambas cosas. Las guías existentes suelen tratar la tecnología y el lado humano como problemas separados. Algunas se centran enteramente en los pasos de ingeniería, como la limpieza de datos y la codificación, ignorando cómo reaccionarán los trabajadores. Otras se centran en objetivos de negocio de alto nivel, pero no ofrecen pasos prácticos para la implementación. Esta separación crea una situación peligrosa en la que una empresa podría construir una solución técnica perfecta que nadie sabe cómo usar o que la empresa no está preparada para soportar. Para abordar esto, los investigadores analizaron cuarenta y cinco modelos diferentes para la introducción de la inteligencia artificial. No se limitaron a leerlos; los desglosaron para ver exactamente qué pasos incluían y qué les faltaba.
El análisis reveló que los enfoques actuales sufren de dos puntos ciegos principales. Primero, muchos modelos se centran demasiado en el interior, mirando únicamente si la tecnología funciona sin preguntar si encaja en el mercado o en las necesidades comerciales más amplas. Segundo, suelen ser demasiado tecnocráticos, lo que significa que priorizan el rendimiento de la máquina sobre la experiencia humana. Pueden asegurar que el software sea rápido y preciso, pero fallan al no diseñar el sistema de manera que sea fácil de entender o de confiar para un humano. Los investigadores descubrieron que, aunque casi todos los modelos coinciden en que la calidad de los datos y el valor empresarial son importantes, muy pocos proporcionan instrucciones concretas y paso a paso sobre cómo gestionar el lado humano de la ecuación, como la capacitación del personal o el diseño de interfaces fáciles de usar.
Para resolver esto, el equipo construyó un nuevo marco llamado Modelo de Referencia de IA Sociotécnico Integrado. No inventaron esto desde cero; en su lugar, actuaron como maestros constructores ensamblando las mejores partes de los cuarenta y cinco modelos estudiados. Seleccionaron las dos guías existentes más completas para servir como base y luego llenaron las piezas faltantes con pasos específicos y de alta calidad de otros modelos. El resultado es una hoja de ruta única y cohesiva que obliga a una empresa a avanzar en dos vías al mismo tiempo: la vía técnica y la vía humana.
Este nuevo modelo divide el proceso en cuatro etapas principales: Evaluar, Diseñar, Realizar y Operar. En la primera etapa, Evaluar, una empresa debe comprobar si está preparada antes de gastar dinero. Esto no es solo una comprobación técnica; requiere observar los datos, las reglas legales y a las personas. El modelo introduce un "filtro" estricto en este punto. Si los datos son deficientes o los permisos legales no están claros, el proyecto se detiene inmediatamente. Esto evita que las empresas malgasten recursos en ideas que son técnicamente imposibles o legalmente riesgosas. Asegura que la estrategia de negocio esté realmente respaldada por la realidad de lo que la empresa tiene a su disposición.
Una vez que un proyecto supera el primer filtro, pasa a la etapa de Diseño. Aquí, el modelo insiste en que las personas que utilizarán el sistema deben participar en su creación. En lugar de que los ingenieros construyan una herramienta en un laboratorio y la entreguen más tarde, la empresa debe realizar talleres donde los trabajadores ayuden a diseñar cómo se verá y se sentirá la herramienta. Esto asegura que la herramienta se ajuste al trabajo real. Al mismo tiempo, el equipo técnico diseña la arquitectura del sistema. El modelo exige que estos dos flujos ocurran en paralelo. Antes de avanzar, otro filtro comprueba si el diseño es seguro, ético y genera confianza en las personas que lo usarán. Si los trabajadores no están preparados o no confían en el sistema, el proyecto no puede proceder, por muy bueno que sea el código.
La tercera etapa, Realizar, es donde se construye y se prueba el sistema. El modelo reconoce que el software puede actualizarse muy rápidamente, pero las personas tardan más en aprender y adaptarse. Para evitar que la tecnología avance demasiado por delante del personal, la empresa crea espacios seguros para la experimentación. Los trabajadores pueden probar el sistema en un entorno de bajo riesgo antes de que se utilice para el trabajo real. Esto les ayuda a familiarizarse con las nuevas herramientas sin temor a cometer errores. El modelo también requiere que el sistema sea probado no solo en cuanto a velocidad, sino también en cuanto a imparcialidad y seguridad. Un filtro final comprueba si el sistema está listo para su lanzamiento. Plantea una pregunta sencilla: ¿el valor que aporta el sistema justifica el coste de su despliegue? Si la respuesta es no, el proyecto se pausa.
La etapa final, Operar, consiste en mantener el sistema funcionando a largo plazo. Los sistemas de inteligencia artificial pueden derivar con el tiempo, lo que significa que se vuelven menos precisos a medida que el mundo cambia. El modelo requiere un monitoreo continuo para detectar estos cambios. Pero también requiere un cuidado continuo para las personas. La empresa debe mantener la comunicación con el personal, abordar los temores y actualizar sus habilidades. El modelo incluye un grupo de supervisión específico para asegurar que el sistema siga siendo ético y que los trabajadores humanos no se vean abrumados por la tecnología. Esta etapa asegura que la relación entre la máquina y la organización se mantenga saludable a medida que ambas evolucionan.
Los investigadores probaron su nuevo modelo aplicándolo a varios escenarios hipotéticos. En un caso, imaginaron a una empresa intentando lanzar un bot de atención al cliente sin comprobar si sus datos estaban listos. El primer filtro del modelo detuvo el proyecto, ahorrando a la empresa un fracaso costoso. En otro escenario, imaginaron a un equipo que construyó un sistema altamente preciso pero omitió la capacitación de los trabajadores. El filtro final del modelo detuvo el lanzamiento, obligando al equipo a volver atrás para capacitar al personal primero. Estas pruebas demostraron que el modelo funciona como un mecanismo de seguridad, detectando problemas antes de que se conviertan en desastres.
Para ver si el modelo funcionaría en el mundo real, los investigadores entrevistaron a tres expertos que gestionan proyectos de inteligencia artificial en diferentes tipos de empresas. Estos expertos confirmaron que la idea de ejecutar las vías técnica y humana de forma paralela es necesaria. Señalaron que, en muchos proyectos actuales, la labor de gestionar a las personas y la cultura suele ser invisible y se recorta de los presupuestos. El modelo hace que este trabajo sea visible y obligatorio. Sin embargo, los expertos también señalaron que el modelo necesita ser flexible. En las empresas emergentes (startups) de movimiento rápido, el proceso podría necesitar circular de ida y vuelta más rápidamente de lo que sugieren los pasos estándar. Los investigadores ajustaron el modelo para incluir estos bucles de retroalimentación, asegurando que pudiera ser utilizado tanto por grandes corporaciones estables como por equipos más pequeños y ágiles.
El estudio concluye que la mayor barrera para la inteligencia artificial no es la tecnología en sí misma, sino el proceso de gestionarla. El éxito depende de la capacidad de una empresa para sincronizar la velocidad de su ingeniería con la velocidad de adaptación de su gente. El nuevo modelo proporciona una forma estructurada de hacerlo, convirtiendo ideas abstractas sobre ética y cultura en pasos concretos que pueden ser verificados y comprobados. Sugiere que el futuro de la inteligencia artificial en los negocios no se definirá por qué tan inteligentes sean los algoritmos, sino por qué tan bien las organizaciones puedan alinear su tecnología con su fuerza laboral humana. Al seguir este camino integrado, las empresas pueden evitar la trampa común de construir herramientas potentes que nadie está preparado para usar, asegurando que su inversión en inteligencia artificial realmente entregue valor.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.