Cada presentación de un proveedor, presentación ante la junta y retiro estratégico en este momento gira en torno a una promesa embriagadora: la IA va a erradicar la fricción en tu empresa. Vamos a automatizar los cuellos de botella, eliminar la burocracia y ejecutar a la velocidad de la máquina.
El problema no es que la IA no pueda hacer estas cosas. El problema es que absolutamente puede.
Cuando le das a una empresa el poder de vaporizar instantáneamente la fricción operativa, lo más peligroso que puede hacer es empezar a eliminar sin preguntarse qué estaba haciendo esa fricción en primer lugar.
Entra en escena el libro de G.K. Chesterton de 1929 La cosa, específicamente un capítulo titulado “La deriva desde la domesticidad”, que introdujo un principio que silenciosamente se ha convertido en el santo patrón de la ingeniería de sistemas: La cerca de Chesterton.
La premisa es sencilla. Caminas por un camino y encuentras una cerca bloqueando tu paso. No ves ninguna razón para que esté allí. El instinto del reformador moderno (o del líder de proyectos de IA moderno) es derribarla.
¿La respuesta de Chesterton?
“Si no ves su utilidad, ciertamente no te dejaré quitarla. Vete y piensa.”
Su punto no era que la cerca debía quedarse. Era que no tenías derecho a removerla hasta que comprendieras por qué había sido construida. Una vez entendieras su propósito, podrías tomar una decisión informada sobre si ese propósito todavía importaba.
En la prisa por desplegar la IA empresarial, estamos arrancando cercas antes de saber por qué fueron levantadas. Estamos confundiendo resiliencia estructural con burocracia.
En la era de los agentes autónomos, la fricción no es necesariamente un error. A veces, es la característica más importante del sistema.
La regla “inútil” puede ser un disyuntor oculto
La fricción en un proceso empresarial puede servir para propósitos que nunca aparecen en la documentación del proceso. A veces esos propósitos fueron intencionales. Otras veces emergieron completamente por accidente.
Tomemos la compra estándar. Un gerente necesita una licencia de software, pero el trámite requiere tres aprobaciones y está en cola durante cuatro días. Un proveedor de IA interviene: “Nuestro agente valida el presupuesto, verifica el libro mayor y emite la orden de compra en segundos.”
El CIO firma el cheque. Fricción eliminada. Proceso optimizado.
Pero, ¿y si esos cuatro días estaban haciendo algo que nadie había pensado en medir?
Quizás un oficial de compras hubiera notado que el proveedor estaba bajo escrutinio regulatorio. Quizás alguien recordaba que marketing compró una herramienta casi idéntica la semana pasada. Quizás un revisor experimentado habría cuestionado por qué una compra de software aparentemente rutinaria requería acceso a datos sensibles de clientes.
El proceso no solo hacía cálculos. Estaba creando oportunidades para que la gente notara cosas que no formaban parte de los criterios formales de decisión.
Por supuesto, a veces la cola es simplemente una cola. Nadie revisa nada significativo y el trámite pasa cuatro días acumulando polvo digital.
Ese es precisamente el punto.
No puedes saber qué tipo de fricción estás tratando simplemente midiendo cuánto tarda.
Aquí está el giro: a veces la burocracia no fue puesta por un arquitecto sabio intentando asegurar la seguridad. A veces un proceso es simplemente torpe, molesto y mal diseñado. Sin embargo, por completo accidente, ese cuello de botella irritante produce consecuencias positivas no intencionadas.
Crea un amortiguador natural. Ralentiza la propagación de errores. Da a las personas la oportunidad de reconsiderar decisiones antes de que esas decisiones se vuelvan costosas o irreversibles.
Ya sea que una regla haya sido diseñada para proteger el sistema o que simplemente lo haga por casualidad, eliminarla puede eliminar salvaguardas que nunca supiste que tenías.
El hecho de que nadie pretendiera que un proceso proporcionara protección no significa que no la esté proporcionando.
Amplificando el radio de impacto
Los prototipos de IA tienden a mostrar el “Camino Feliz”: datos limpios, indicaciones perfectas, ejecución impecable. En un entorno de prueba, la fricción solo parece falta de imaginación.
Pero el mundo real no es un entorno de prueba.
El mundo real es donde la realidad caótica choca con la automatización rígida, donde las excepciones son más interesantes que las reglas, y donde las fallas más importantes a menudo emergen de condiciones que nadie pensó incluir en la suite de pruebas.
Hay una gran brecha entre inteligencia y autoridad.
Inteligencia es analizar datos y razonar sobre un problema. Autoridad es cambiar sistemas centrales, reescribir reglas de seguridad o gastar dinero real de la empresa.
Al optimizar estrictamente para velocidad, corremos el riesgo de darle a la IA ambos, asumiendo que porque un agente produce respuestas convincentes, se le puede confiar que actúe en consecuencia.
Pero la capacidad de un sistema para recomendar una acción nos dice muy poco sobre si debería tener permiso para ejecutarla.
Un trámite en la cola de un humano durante cuatro días puede ser terriblemente ineficiente. Pero una revisión significativa puede dar a un operador experimentado tiempo para cruzar eventos recientes, desafiar suposiciones y notar consecuencias que no estaban en la solicitud original.
Un agente autónomo podría ejecutar la misma decisión errónea en toda una operación antes de que el error siquiera aparezca en un tablero.
Y a diferencia de un empleado humano que toma una decisión cuestionable a la vez, una red coordinada de agentes puede propagar un error a través de sistemas, departamentos e incluso organizaciones simultáneamente.
Aplicar un agente de IA a un proceso empresarial roto o mal entendido no lo arregla. Simplemente puede ayudarte a cometer errores terribles a la velocidad de la luz.
Al derribar la cerca de la supervisión humana, no solo hemos despejado un cuello de botella.
Podríamos haber amplificado el radio de impacto.
Poniendo a prueba las ambiciones industriales contra la cerca
La tentación de eliminar la fricción es más fuerte en entornos complejos y de alto riesgo. También son los lugares donde un proceso humano aparentemente ineficiente puede estar cumpliendo varias funciones simultáneamente.
Considera la salud.
El sueño es que la IA atienda llamadas de ingreso de pacientes, compare síntomas con guías clínicas y dirija a los pacientes hacia el cuidado apropiado.
Hay un valor genuino en esa ambición. Mejor triaje, respuestas más rápidas y acceso más fácil a la atención son objetivos valiosos.
Pero las enfermeras no solo siguen árboles de decisión.
Los pacientes a menudo están aterrorizados, avergonzados, confundidos o simplemente tienen dificultad para expresar lo que realmente les pasa. Un profesional clínico puede reconocer que una queja rutinaria esconde algo más serio, o que un paciente retiene información porque aún no se siente cómodo compartiéndola.
Un sistema de IA podría hacer preguntas clínicamente apropiadas. Algunos pacientes incluso pueden encontrar más fácil revelar información sensible a una máquina. Pero eso no elimina la importancia de las relaciones, el contexto y la responsabilidad profesional.
El riesgo no es que la IA participe en la admisión del paciente. Es que confundamos la exitosa recolección de información con la totalidad del cuidado del paciente.
O piensa en la cadena de suministro.
Si un proveedor retrasa un envío, un agente autónomo podría rastrear el mundo entero, evaluar alternativas, negociar términos y ejecutar un contrato de reemplazo antes de que alguien en compras termine su café de la mañana.
Suena fantástico.
Pero compras no es solo un ejercicio matemático de igualar especificaciones contra precios.
Los profesionales experimentados entienden relaciones, historiales de proveedores, ambigüedad contractual, riesgos geopolíticos y la diferencia entre lo que un vendedor promete y lo que puede entregar confiablemente.
A veces la pregunta crucial no se responde con los datos disponibles. Surge cuando alguien pregunta por qué la explicación del proveedor ha cambiado, pide evidencia de una afirmación incómoda o recuerda un problema de hace tres años que nunca entró en la base de datos del proveedor.
La IA puede ayudar a analizar estos riesgos. Incluso puede identificar patrones que los humanos pasan por alto. Pero optimizar contra criterios conocidos no es lo mismo que saber si esos criterios capturan el riesgo real.
Imagina la industria de seguros.
La ambición es construir una app donde los clientes suban fotos de daños a la propiedad, una IA evalúe la imagen, verifique la póliza y pague en segundos.
Para reclamos simples y bien entendidos, podría ser una mejora tremenda.
Pero cuando un ajustador humano visita una cocina quemada, no solo evalúa el costo de reemplazo de los gabinetes. Está tratando con una persona cuyo hogar puede haber sido destruido.
Está evaluando evidencia, investigando inconsistencias, entendiendo circunstancias y explicando decisiones que pueden tener enormes consecuencias en la vida de alguien.
Eso no significa que los ajustadores humanos posean una habilidad mágica para detectar fraude por intuición o lenguaje corporal. No la tienen. El juicio humano es falible y la sospecha no es evidencia.
Significa que el proceso de reclamos involucra más que calcular daños. Involucra investigación, discreción, comunicación, justicia y la capacidad de cuestionar una conclusión inicial.
Cuando automatizamos la transacción, debemos estar seguros de no automatizar esas responsabilidades.
En finanzas, la IA puede monitorear millones de transacciones e identificar patrones de comportamiento sospechoso a una escala que ningún equipo humano podría igualar.
Eso es progreso.
Pero el lavado de dinero es un problema de comportamiento humano además de un problema de datos. Los patrones evolucionan. Los criminales se adaptan. Las transacciones legítimas pueden parecer sospechosas y las sospechosas pueden parecer perfectamente ordinarias.
Un analista humano que investiga una anomalía puede comprender circunstancias económicas locales, relaciones comerciales o comportamientos inusuales pero legítimos que no están representados en el modelo.
La pregunta importante no es si los humanos o las máquinas son mejores para detectar transacciones sospechosas.
Es si la arquitectura combina sus fortalezas preservando la habilidad para investigar, desafiar y corregir decisiones.
Finalmente, considera recursos humanos.
Un chatbot de IA podría manejar disputas iniciales de empleados, resumir quejas, evaluar tableros de desempeño y redactar planes de mejora sin esperar una reunión con RRHH.
Para trabajo administrativo rutinario, eso podría ser exactamente lo que los empleados necesitan.
Pero las disputas laborales no son solo desacuerdos sobre políticas.
Involucran poder, miedo, historias personales, tensiones no expresadas y personas que pueden estar asumiendo riesgos considerables solo por pedir ayuda.
Un sistema puede citar con precisión un manual del empleado mientras malinterpreta completamente la situación humana en la que ese manual se está aplicando.
Un profesional de RRHH experimentado puede reconocer cuándo un proceso disciplinario formal es inapropiado, cuándo una conversación debe ocurrir en privado o cuándo el problema aparente es solo un síntoma de algo más profundo.
Los humanos también pueden manejar mal estas situaciones. Eso no es un argumento contra la automatización. Es un argumento contra confundir la corrección procesal con la sabiduría organizacional.
En todas estas industrias, el patrón es el mismo.
Identificamos una interacción humana costosa, la definimos como fricción y diseñamos un sistema que puede evadirla.
Solo después descubrimos que la interacción hacía más que la transacción que medimos.
El cuello de botella que vale la pena conservar
El verdadero desafío no es decidir si la IA debe reemplazar el trabajo humano.
Es decidir dónde el juicio humano crea valor, dónde solo introduce demora y dónde un sistema automatizado debe tener permitido actuar independientemente.
Considera la ingeniería de software.
Un agente de IA puede generar una migración de base de datos, modificar un servicio de autenticación o reescribir una configuración de despliegue con una velocidad extraordinaria.
Puede producir código excelente.
Pero el ingeniero senior que insiste en revisar la migración antes de tocar producción no es necesariamente un obstáculo para la productividad.
Está haciendo preguntas que no siempre aparecen en la especificación.
¿Qué pasa si necesitamos revertir esto? ¿Qué supuestos hacemos sobre los datos existentes? ¿Qué otros sistemas dependen de este comportamiento? ¿Qué sucede cuando este cambio interactúa con un fallo no cubierto por nuestras pruebas?
El ingeniero no es valioso simplemente porque es humano. Es valioso porque comprende consecuencias, dependencias e historia de decisiones que moldearon el sistema.
Ese ingeniero senior es la fricción.
Y su fricción puede ser el activo más valioso que tiene la empresa.
El objetivo debe ser automatizar el trabajo tedioso que impide a los expertos ejercer juicio, no automatizar el juicio mismo.
A veces la arquitectura correcta elimina diez pasos de aprobación y fortalece el undécimo.
A veces permite a los agentes tomar miles de decisiones rutinarias mientras preserva la autoridad humana sobre las pocas que podrían causar daño irreversible.
A veces reemplaza una cola de cuatro días con una decisión automatizada en segundos.
Y a veces introduce deliberadamente una pausa.
El punto no es que cada proceso necesite un humano. Es que cada decisión trascendental necesita un mecanismo apropiado para cuestionar, corregir y rendir cuentas.
La velocidad es una capacidad.
El juicio es una responsabilidad.
Confundirlos es cómo las organizaciones convierten el progreso tecnológico en fragilidad institucional.
Cómo acercarse a la cerca
La lección aquí no es congelar tu empresa en ámbar.
La cerca de Chesterton no es una excusa para acumular burocracia inflada o defender sistemas heredados solo por ser viejos.
Algunas cercas están obsoletas. Algunas fueron mal diseñadas. Algunas protegen intereses arraigados en lugar de a las personas a las que deberían servir.
Y algunas deberían haber sido derribadas hace décadas.
La lección es que la comprensión debe preceder a la optimización.
Antes de reemplazar un flujo de trabajo humano con un agente autónomo, deberías entender qué es lo que realmente cumple ese flujo de trabajo, no solo lo que el diagrama del proceso dice que cumple.
¿Qué decisiones toman las personas que nunca quedan registradas? ¿Qué errores se detectan informalmente? ¿Qué relaciones se mantienen? ¿Qué riesgos se absorben mediante demoras, revisiones y oportunidades de reconsiderar?
Y si esas funciones importan, ¿cómo el nuevo sistema las preservará?
Quizás la IA pueda realizarlas mejor. Quizás un proceso rediseñado pueda eliminar aprobaciones innecesarias mientras provee salvaguardas más fuertes. Quizás el sistema pueda ser más rápido y más seguro.
Ese es el resultado que deberíamos perseguir.
Pero tienes que demostrar que has considerado las consecuencias, no solo que has acelerado la transacción.
Deja de preguntar, “¿Cómo usamos la IA para hacer esto más rápido?”
Empieza a preguntar, “¿Qué desastre estaba previniendo este proceso lento, qué conexión humana estaba preservando y cómo sabremos si hemos perdido alguno?”
Si puedes responder esas preguntas y demostrar que tu nueva arquitectura de IA toma en cuenta los riesgos, entonces has ganado el derecho a derribar la cerca.
Hasta entonces, respeta la fricción.
Podría ser lo único que evita que el techo se derrumbe.
Fuentes y lecturas adicionales
- G. K. Chesterton, La cosa (1929), “La deriva desde la domesticidad”.
- C. F. Bond Jr. y B. M. DePaulo, “Precisión de los juicios de engaño” (2006), un meta-análisis sobre la detección humana de mentiras.