Durante años, las conversaciones sobre eficiencia organizacional siguieron un patrón bastante conocido. Reducir trabajo manual. Simplificar procesos. Eliminar desperdicios. Automatizar tareas repetitivas. La premisa subyacente era que las personas dedicaban demasiado tiempo a ejecutar trabajo y que las mejoras de productividad vendrían de hacer esa ejecución más rápida.

La inteligencia artificial está empezando a desafiar esa premisa.

La primera ola de automatización se enfocó principalmente en actividades predecibles. Carga de datos, generación de reportes, aprobación de procesos y otras tareas rutinarias eran candidatas naturales porque seguían reglas relativamente claras. La IA amplía considerablemente ese alcance. Ahora puede colaborar en tareas que requieren interpretación, investigación, generación de contenido e incluso ciertas formas de resolución de problemas.

Lo que más me interesa no es la tecnología en sí misma, sino lo que ocurre dentro de las organizaciones cuando el costo de producir trabajo intelectual comienza a caer de manera significativa.

Anthropic compartió recientemente algunas observaciones sobre cómo utiliza IA para acelerar el desarrollo de sus propios sistemas de IA. Aunque su contexto está lejos de representar a la mayoría de las organizaciones, los patrones que describen son difíciles de ignorar. Según sus datos, los ingenieros estaban integrando varias veces más código por día que apenas un par de años atrás. Gran parte de ese código era generado por Claude, mientras que los ingenieros se concentraban en dirigir el trabajo, revisar resultados y tomar decisiones.

La conclusión más obvia es que los ingenieros son más productivos.

La más interesante es que la naturaleza del trabajo está cambiando.

Históricamente, una parte importante del desarrollo de software consistía en traducir ideas a implementación. Escribir código era, muchas veces, el principal cuello de botella. A medida que los sistemas de IA se vuelven más capaces de generar software funcional, la implementación deja de ser un recurso escaso. La restricción comienza a desplazarse hacia otro lugar.

Esto se vuelve aún más evidente cuando observamos tareas que van más allá de escribir código. Anthropic reportó mejoras significativas en la capacidad de Claude para abordar problemas de ingeniería abiertos y poco definidos. Son situaciones donde no existe una especificación detallada, donde el resultado esperado no es completamente claro y donde, muchas veces, ni siquiera se comprende del todo el problema al comienzo.

Uno de los ejemplos mencionados describe una actualización rutinaria que provocó fallas en decenas de miles de trabajos de entrenamiento. En lugar de recibir un escenario cuidadosamente preparado, Claude fue expuesto a un incidente real, con contexto limitado, y se le pidió investigar lo que estaba ocurriendo.

Todavía es temprano para saber hasta qué punto estos resultados se trasladarán a otros entornos y otras industrias. Sin embargo, sugieren que la IA está avanzando más allá de la simple ejecución de tareas y comenzando a participar en actividades que requieren exploración, diagnóstico y razonamiento en contextos ambiguos.

Al mismo tiempo, existe una diferencia importante que sigue vigente.

La ventaja comparativa de los seres humanos continúa estando en la capacidad de ver el panorama completo y pensar más allá de los límites de la tarea inmediata.

Las organizaciones son sistemas complejos. Existen prioridades que compiten entre sí, restricciones que no siempre son visibles, dinámicas culturales, regulaciones, expectativas de clientes, dependencias técnicas y objetivos de largo plazo. Resolver un problema aislado suele ser mucho más sencillo que comprender cómo esa solución afecta al resto del sistema.

Un modelo de IA puede proponer una implementación. Puede investigar un incidente. Puede generar un análisis o un informe. Lo que todavía le resulta difícil es comprender por qué una iniciativa es más importante que otra, si una optimización local generará problemas mayores en el futuro o si un proyecto debería existir en primer lugar.

Y cada vez más, esas parecen ser las preguntas realmente importantes.

Durante décadas, muchas organizaciones midieron la productividad principalmente a través del volumen de producción. Cuántas funcionalidades se entregaban. Cuántos reportes se generaban. Cuántos tickets se cerraban. Si la IA continúa reduciendo el costo de generar resultados, esas métricas empiezan a perder relevancia. Producir más ya no es necesariamente la parte difícil.

La dificultad pasa a ser decidir qué vale la pena producir.

Tal vez por eso algunas organizaciones están obteniendo beneficios significativos de la IA mientras otras todavía luchan por encontrar valor real. La tecnología es solo una parte de la ecuación. Las organizaciones que tienen claridad sobre sus objetivos, prioridades bien definidas y procesos sólidos de toma de decisiones suelen estar mejor posicionadas para aprovechar una capacidad de ejecución cada vez mayor. Las organizaciones que ya estaban saturadas de iniciativas y prioridades contradictorias pueden terminar generando más actividad sin generar necesariamente más valor.

Muchas discusiones sobre IA se enfocan en el reemplazo. ¿Reemplazará desarrolladores? ¿Analistas? ¿Diseñadores? ¿Managers?

Me parece más interesante otra pregunta.

¿Cómo cambia la distribución del trabajo cuando la implementación deja de ser el recurso escaso?

En desarrollo de software, por ejemplo, el rol del ingeniero parece desplazarse progresivamente hacia la definición de problemas, la evaluación de alternativas, la revisión de resultados, el análisis de trade-offs y la alineación de las soluciones con objetivos técnicos y de negocio más amplios. Es posible que transformaciones similares comiencen a aparecer en muchas otras profesiones basadas en conocimiento.

La eficiencia organizacional del futuro probablemente no consista simplemente en hacer el mismo trabajo más rápido.

Quizás consista en rediseñar organizaciones para una realidad diferente: una donde la ejecución es cada vez más abundante, mientras que el juicio, el contexto, la priorización y la capacidad de pensar en sistemas siguen siendo recursos escasos.

Y ese desafío tiene menos que ver con la tecnología que con la forma en que las organizaciones toman decisiones.

Puede que, al final, ese sea el problema más difícil de resolver.