Cómo rediseñar roles por tareas al incorporar asistencia de IA

Rediseñar un rol al incorporar IA exige seguir el trabajo que cambia, no celebrar solamente la velocidad del primer resultado. Un agente puede redactar más rápido mientras su líder recibe una cola mayor de revisiones, un especialista absorbe casos más ambiguos y otra persona corrige las fuentes que usa el asistente. Si ese esfuerzo desplazado queda fuera de la cuenta, la organización exagera capacidad, modifica expectativas antes de estabilizar la operación y puede debilitar la práctica con la que se forma la próxima generación de especialistas.

¿Por qué el rediseño debe empezar por las tareas y no por el puesto?

El rediseño debe empezar por las tareas porque un puesto reúne actividades que pueden reaccionar de maneras muy distintas ante la misma herramienta. Algunas pueden automatizarse dentro de límites estrechos; otras reciben apoyo, conservan decisión humana o aparecen recién con la adopción. Resolver todo con una etiqueta como “puesto expuesto” oculta diferencias de evidencia, autoridad, consecuencias y aprendizaje. La unidad inmediata de análisis es la tarea observable; la decisión final sigue siendo cómo recomponer un rol completo y sus relaciones con otros roles.

La OIT analiza la exposición potencial a IA generativa mediante información ocupacional por tareas y considera más probable la transformación que el reemplazo. La OCDE también señala que muchas personas encontrarán la IA como un cambio en sus tareas y su entorno, no necesariamente como pérdida de empleo. Ninguna de esas referencias permite inferir la dotación de una empresa argentina: exposición no es automatización realizada, productividad local ni capacidad liberada. Sirve para preguntar dónde mirar, no para adelantar una conclusión laboral.

¿Qué debe registrar una línea de base de las tareas actuales?

La línea de base debe describir qué acción se realiza, sobre qué objeto, con qué demanda y bajo qué condiciones se considera terminada. Conviene escribir cada tarea con un verbo y un objeto, y agregar disparador, insumos, resultado, receptor, responsable actual y ruta de excepción. Separá pasos cuando cambien la evidencia necesaria, el criterio, las consecuencias o el dueño. Uní movimientos pequeños solamente cuando siempre cambien juntos y compartan el mismo control; de otro modo, la aparente simplicidad tapa decisiones relevantes.

• Volumen y patrón de demanda durante un período declarado.
• Tiempo de intervención humana, espera transcurrida y tamaño de la cola, medidos por separado.
• Variación, casos límite, retrabajos, devoluciones y fallas conocidas.
• Dependencias, consultas, transferencias, aprobaciones y receptor del resultado.
• Consecuencia del error o la demora, junto con la autoridad y el conocimiento requeridos.
• Forma en que la competencia se aprende, practica, observa y actualiza.
• Fuente de cada dato y nivel de confianza de la estimación.

Combiná observación, entrevistas con quienes hacen y reciben el trabajo, muestras reales y registros de sistemas. Cada fuente corrige puntos ciegos de las otras: el sistema muestra eventos, pero no siempre el razonamiento; la entrevista explica decisiones, pero puede omitir frecuencia o espera. O*NET aporta vocabulario ocupacional, enunciados y contexto para comprobar que el inventario no sea demasiado estrecho. No demuestra qué ocurre, cuánto cuesta ni qué consecuencias tiene en una organización local. Este registro es una síntesis editorial adaptable, no un método prescripto por O*NET.

¿Cómo hay que probar cada tarea antes de repartirla entre personas e IA?

Cada tarea debe probarse con una configuración fija, identificable y cercana a la operación prevista. Registrá modelo, herramientas, instrucciones, datos disponibles, controles, casos y fecha. Después evaluá resultados contra criterios vinculados con el trabajo: corrección, completitud, utilidad, tiempo, intervención requerida y capacidad de recuperación. Un experimento con 758 consultores encontró mejoras en tareas seleccionadas dentro de la frontera probada, pero menor corrección en una tarea compleja elegida fuera de ella. El hallazgo no se traslada a otra empresa; muestra por qué no conviene agrupar tareas por parecido superficial.

• Casos rutinarios de alta frecuencia y variantes legítimas.
• Límites ambiguos y entradas faltantes, contradictorias o desactualizadas.
• Casos raros pero de consecuencias relevantes.
• Fallas históricas conocidas y situaciones en las que la herramienta no está disponible.
• Segmentos por experiencia, producto, canal, región o tipo de cliente cuando cambien las condiciones.

La clasificación futura se decide recién después de localizar el límite operativo. El mismo estudio describe una frontera de capacidad despareja, cambiante y difícil de anticipar. Por eso, para cada configuración hay que definir entradas y acciones permitidas, autoridad de cierre, revisión o monitoreo, ruta de excepción, condiciones de detención y alternativa de recuperación. El AI RMF de NIST respalda responsabilidades diferenciadas y procesos de supervisión documentados, aunque es voluntario y no impone una distribución universal.

¿Qué esfuerzos hay que medir además del tiempo de producción?

Además de producción, hay que medir verificación, criterio, manejo de excepciones y coordinación. Estas cinco cuentas son un recurso editorial, no un estándar de investigación. Su utilidad consiste en mostrar esfuerzo que se reduce, permanece, cambia de dueño o nace con la asistencia. Para cada tarea, registrá volumen y tiempo por cuenta, responsable de destino, variación y demanda máxima. No sumes automáticamente la espera transcurrida como trabajo humano: afecta el flujo y el servicio, pero solo la intervención efectiva consume esfuerzo laboral.

• Producción: buscar, componer, transformar, cargar o ejecutar el resultado inicial.
• Verificación: revisar fuentes, cálculos, completitud, adecuación y utilidad posterior.
• Criterio: encuadrar, interpretar, elegir, ejercer autoridad y asumir responsabilidad.
• Excepciones: corregir entradas ambiguas, fallas, anulaciones, recuperación y escalamiento.
• Coordinación: transferir contexto, responder consultas, conciliar resultados, capacitar y mantener conocimiento compartido.

La cuenta debe seguir el trabajo hasta quien lo recibe. Si una respuesta más rápida aumenta la revisión del líder, la cola del especialista o las correcciones de conocimiento, ese esfuerzo no desapareció: se trasladó. También conviene observar intensidad, autonomía, variedad de tareas y responsabilidad conservada. La OCDE señala que la IA puede reducir trabajo tedioso, pero también aumentar el ritmo, reducir autonomía o estrechar el conjunto de tareas, con efectos variables. Un proceso más veloz puede seguir siendo un diseño laboral peor.

La IA no elimina trabajo en un bloque limpio: cambia dónde viven el esfuerzo, la autoridad, las excepciones y el aprendizaje.

¿Cómo recomponer roles sin perder responsables ni conocimiento experto?

Las tareas cambiadas deben recomponerse asignando deberes concretos, autoridad suficiente y capacidad real. “Una persona en el circuito” no describe un control: hay que indicar qué evidencia revisa, qué casos llegan, qué decisión puede tomar y cómo responde la cola en momentos de mayor demanda. El AI RMF de NIST pide roles, competencia operativa, supervisión, retroalimentación y monitoreo documentados, pero no prescribe una dotación. La organización tiene que convertir esos principios en responsabilidades observables y compatibles con su estructura.

• Responsable de revisar resultados con criterios y evidencia definidos.
• Dueño de excepciones con prioridad, opciones de recuperación y escalamiento.
• Responsable de mantener fuentes, procedimientos y conocimiento vigente.
• Administrador de la configuración aprobada, accesos y registro de cambios.
• Responsable de monitorear calidad, carga, anulaciones, defectos y devoluciones.
• Dueño del aprendizaje, la práctica y la evaluación de competencia.

Protegé además las tareas que producían experiencia: observar casos, repetir decisiones, recibir devolución, entender causas y practicar bajo supervisión. Si la IA reduce esa exposición, diseñá aprendizaje mediante trabajo original muestreado, acompañamiento, simulaciones, revisión de casos, rotaciones, capacitación y decisiones de consecuencia creciente. Es una recomendación editorial, no una intervención universal probada. Un estudio de 5.179 agentes halló efectos de productividad muy distintos según experiencia y evidencia apenas sugestiva de difusión de prácticas expertas; no demuestra que la herramienta construya conocimiento duradero.

En un equipo hipotético de atención, la IA podría acelerar la búsqueda y el primer borrador en casos rutinarios probados. El agente conservaría el diagnóstico, la comprobación del contexto y las decisiones dentro de su autoridad; líderes y especialistas podrían recibir más revisión, excepciones, correcciones de conocimiento y capacitación. Un experimento con 776 profesionales de desarrollo de productos mostró que la IA modificó desempeño e integración de conocimientos en las configuraciones evaluadas, pero no que pueda reemplazar equipos en general. Probá también el límite del equipo y segmentá resultados por experiencia.

¿Cuándo hay evidencia suficiente para cambiar capacidad, roles o compromisos?

Hay evidencia suficiente solamente después de un piloto que concilie la carga completa y muestre una operación razonablemente estable. Para un período declarado, estimá el esfuerzo bruto de producción reducido sobre la demanda observada y restá verificación, criterio, excepciones, coordinación, aprendizaje, monitoreo y mantenimiento de conocimiento agregados. Ajustá por demanda, nivel de servicio, calidad, retrabajo, picos y trabajo trasladado. El remanente es capacidad provisional, no una promesa automática de reducción de puestos ni de mayor volumen.

• Calidad, defectos, anulaciones y recuperación ante errores o indisponibilidad.
• Distribución de carga entre agentes, líderes, especialistas y áreas receptoras.
• Colas normales y máximas, junto con demoras y retrabajo.
• Autonomía, variedad, intensidad y devolución de trabajadores y responsables.
• Capacidad de personas menos experimentadas para diagnosticar sin aceptar sugerencias por reflejo.
• Cambios en modelo, instrucciones, datos, controles, flujo, tareas o contexto.

Mantené el rol y la dotación actuales si faltan casos representativos, una línea de base confiable, responsables nombrados, revisión efectiva, capacidad para excepciones o un plan de conocimientos. Tampoco cambies descripciones de puesto, métricas de desempeño ni compromisos de servicio con esas brechas abiertas. Las determinaciones laborales, sindicales, de accesibilidad, discriminación, privacidad, seguridad, legales, regulatorias o profesionales corresponden a responsables autorizados y calificados. El registro orienta una decisión de piloto; no resuelve esas obligaciones ni convierte un ahorro bruto en capacidad.