Cuando automatizar más exige más 'management'

La conversación empresarial sobre inteligencia artificial suele empezar por la tecnología: qué puede automatizar, cuánto tiempo puede ahorrar y qué reducción de costes o de plantilla puede conseguir.

La lógica es comprensible, ya que si una tecnología permite dejar de hacer manualmente una parte del trabajo, parece razonable comparar su coste con el ahorro esperado. Pero esa cuenta puede dejar fuera la parte más difícil de la adopción.

Muchas organizaciones ya han superado la fase de convencer a la dirección del potencial de la IA. La dificultad aparece cuando esa promesa tiene que convertirse en trabajo real. Los responsables del proceso deben decidir dónde encaja, qué tareas cambia, qué requiere validación, qué riesgo es aceptable y quién responde cuando algo falla.

La dirección puede calcular con relativa facilidad el coste de ejecución que espera eliminar. Los responsables del proceso descubren después qué hace falta para que la nueva forma de trabajar funcione con calidad, control y responsabilidad. Ahí aparece la dimensión económica que suele faltar: el modelo operativo, la forma en que se combinan procesos, personas, sistemas, controles y responsabilidades para producir un resultado.

Por eso conviene situar el problema un paso antes de la reducción de plantilla. La IA no afecta primero al organigrama, sino al trabajo.
No toda aplicación exige rediseñar la organización. No es lo mismo utilizar IA para resumir documentos que pedirle que analice una solicitud, tome una decisión y ejecute acciones. En el primer caso, la persona conserva validación y responsabilidad. En el segundo, una parte relevante del proceso se delega a un sistema con cierto grado de autonomía.

La autonomía tampoco es binaria. Un sistema puede proponer una respuesta, aprobar automáticamente los casos sencillos o ejecutar todo el proceso (salvo las excepciones). Cada nivel exige controles distintos.

En una encuesta a 152 CEOs, BCG observó que las compañías con mejores resultados eran aproximadamente siete veces más propensas a rediseñar sus flujos de trabajo de principio a fin. La conclusión es clara: para escalar el impacto, el reto no es solo disponer de tecnología, sino rediseñar cómo se trabaja. El ahorro visible de la automatización debería ser el punto de partida del business case, no su conclusión.

 

Automatizar una tarea no elimina el proceso

Cuando una tarea pasa de una persona a un sistema de IA, se reduce una parte de la ejecución humana, pero no desaparecen las condiciones que permiten confiar en el resultado. Automatizar no elimina los controles, sino que cambia el lugar donde se ejercen.
El proceso sigue necesitando un responsable claro, mecanismos para gestionar excepciones y supervisión. También pueden ganar importancia la calidad de los datos, la trazabilidad y la capacidad de detectar resultados aparentemente correctos que no lo son.
Parte del control tradicional está incorporada a la forma de trabajar de las personas. Detectan información que falta, reconocen anomalías, corrigen incoherencias o saben cuándo escalar un caso. Algo de ese conocimiento está documentado, aunque mucho se ha aprendido con la práctica.

Cuando la ejecución pasa a un sistema, ese conocimiento tácito debe hacerse visible y convertirse, según el caso, en reglas, validaciones, alertas o criterios de escalado. Por eso la IA puede destapar una deuda de proceso que ya existía: procedimientos incompletos, excepciones conocidas solo por expertos o decisiones cuyo criterio nunca se había formalizado.

Esto no significa revisar manualmente cada resultado, ya que haría desaparecer buena parte del beneficio. El control puede ser humano, automático o mixto; la cuestión es diseñar el mecanismo más eficiente para el nivel de riesgo del proceso.

Además, al absorber los casos más estandarizables, la IA puede reducir el volumen de trabajo y concentrar en las personas las excepciones y decisiones difíciles. El equipo hará menos tareas, pero no necesariamente un trabajo más sencillo.

Por eso una reducción del volumen no permite trasladar automáticamente el mismo porcentaje a la capacidad humana. Primero hay que analizar qué trabajo queda, qué competencias exige y si estas pueden desarrollarse mediante formación o requieren perfiles distintos.

 

De personas a unidades de trabajo humano-agente

Si automatizar una tarea cambia el proceso, automatizar muchas cambia también la forma de medir la capacidad de un equipo. En un equipo de cinco profesionales que utiliza agentes para investigar, analizar o ejecutar acciones, ya no basta con contar personas. La capacidad depende también de qué parte del trabajo asume cada agente, con qué autonomía y supervisión.

No tendría sentido sumar personas y agentes como si fueran equivalentes. Podemos entender cada profesional, en la práctica, como una unidad de trabajo humano-agente: una parte de la ejecución permanece en la persona y otra se delega, valida y coordina mediante uno o varios agentes.

La pregunta deja de ser solo cuántas personas requiere un proceso y pasa a centrarse en qué combinación de personas, agentes, sistemas y validadores permite alcanzar el resultado esperado con calidad y control.

Algo parecido ocurre con el mánager. Ocho colaboradores no representan necesariamente la misma carga si ejecutan directamente la mayor parte de su trabajo que si cada uno opera apoyándose en varios agentes con distintos grados de autonomía.

El mánager no necesita saber programar cada agente. Sí necesita conocer qué decisiones toma, con qué datos trabaja, cómo se validan sus resultados y qué ocurre cuando se sale de los casos previstos. En procesos críticos, cuanto mayor sea la autonomía y el impacto potencial de un error, más directamente deberá comprender el sistema.

Gartner ha descrito esta evolución como un paso desde el tradicional span of control hacia un span of complexity: una carga de management que ya no depende solo del número de personas, sino también de los agentes y sistemas que participan en su trabajo.

Aunque el organigrama no cambie, la complejidad que debe gestionar el responsable sí puede aumentar.

 

Delegar, supervisar, coordinar y responder

La IA no elimina las funciones tradicionales del management, sino que amplía aquello que el mánager debe gestionar. Sus responsabilidades pueden resumirse en cuatro verbos: delegar, supervisar, coordinar y responder.

• Delegar: significa decidir qué parte del trabajo puede ejecutar un agente y con qué autonomía. No basta con preguntarse qué permite la tecnología. También hay que considerar el riesgo, la criticidad del proceso y el coste de controlar los resultados. La autonomía adecuada no es la máxima técnicamente posible, sino la que compensa esos factores.
• Supervisar: no significa comprobar individualmente todo lo que produce la IA. Significa asegurar que funcionan validaciones, indicadores, límites, alertas y gestión de excepciones. Verificarlo todo destruye parte del valor de automatizar; no verificar nada convierte la supervisión en una formalidad.
• Coordinar: implica conectar personas y sistemas. El manager no tiene que intervenir en cada interacción, pero sí comprender las dependencias críticas y coordinarse con IT, datos, riesgo o gobernanza cuando sea necesario. La tecnología puede administrarse centralmente, el proceso sigue gestionándose desde el negocio.
• Responder: significa mantener un responsable claro. Cuando la ejecución se distribuye entre personas, agentes, datos y sistemas, la Dirección General necesita un interlocutor humano para el resultado del proceso. Eso no significa atribuir al manager la causa de cualquier fallo, ya que la responsabilidad específica debe recaer en quien tenía la autoridad y la capacidad efectiva de control sobre la decisión o actuación correspondiente.

La responsabilidad debe seguir a la autoridad. Cuanto mayor sea la autonomía, más explícitas tendrán que ser las condiciones para delegar, supervisar, coordinar y responder.

 

Más 'management' no significa necesariamente más mánagers

Que la IA amplíe algunas responsabilidades de management no significa que las organizaciones vayan a necesitar más líderes. Parte del trabajo administrativo que hoy ocupa tiempo directivo es precisamente el tipo de trabajo que la IA puede reducir. La cuestión es qué queda después.

Un proceso estable, muy automatizado y con buenos controles puede necesitar menos intervención. Otro puede eliminar gran parte del trabajo rutinario y dejar a los responsables las excepciones más complejas, las decisiones sobre autonomía y una mayor coordinación entre personas y sistemas. Por eso reducir el número de personas de un equipo no implica que la capacidad de management necesaria disminuya en la misma proporción.

Antes de modificar la estructura conviene analizar qué trabajo de management exige el nuevo modelo y qué competencias requiere. Diseñar controles y gestionar excepciones me parecen especialmente importantes, ya que ambas obligan a entender dónde puede fallar el sistema, qué debe vigilarse y cuándo tiene que intervenir una persona.

Un estudio publicado en 2026 en Strategic Management Journal, basado en ofertas de empleo estadounidenses entre 2010 y 2022, encontró una mayor demanda relativa de mánagers en las empresas con mayor adopción de IA y un desplazamiento de las competencias demandadas hacia coordinación, adaptación, creatividad y gestión de grupos de interés.

Los datos son anteriores a la actual ola agéntica y no permiten anticipar qué ocurrirá con el número de líderes. Pero sí apuntan a una idea relevante: la IA puede reducir una parte del trabajo directivo y aumentar al mismo tiempo el valor de otra parte.

Primero deberíamos definir qué capacidades y competencias de management necesita el nuevo modelo operativo, para después decidir qué estructura permite proporcionarlas.

 

El coste oculto de la autonomía

Todo este cambio organizativo tiene una traducción económica. El business case suele recoger correctamente lo que desaparece –horas, capacidad humana o puestos– y los costes tecnológicos más visibles. Suele recoger peor lo que hay que construir para que el nuevo proceso funcione de forma fiable: rediseñar procedimientos, establecer controles, gestionar excepciones, analizar riesgos, redefinir roles, formar a las personas y crear soporte y gobernanza. No son costes accesorios, son la consecuencia de haber cambiado la manera en la que se ejecuta el trabajo.

McKinsey ofrece dos ejemplos ilustrativos en banca. En un servicio de atención al cliente apoyado por agentes, la supervisión humana representa entre el 70% y el 75% de los costes variables, frente a aproximadamente un 20%-25% correspondiente al consumo del modelo. En la incorporación de nuevos clientes, estima que entre el 10% y el 20% de las ejecuciones agénticas podrían requerir revisión por especialistas funcionales o de riesgo. Son ejemplos, no porcentajes extrapolables. Pero muestran que controlar la autonomía puede representar una parte relevante de la economía del sistema.

El problema se complica porque ahorro y coste pueden aparecer en departamentos distintos. Una unidad puede ahorrar puestos mientras IT aporta soporte, Recursos Humanos forma a las personas, Riesgos crea controles y el negocio gestiona las excepciones.

 

Un proyecto puede ser rentable para un departamento y no serlo para la empresa

Todo coste incremental consecuencia directa de la automatización debería formar parte de su economía, aunque aparezca imputado a otra función. No se trata de alcanzar una precisión contable ficticia, sino de evitar que los beneficios se contabilicen íntegramente mientras los costes organizativos quedan dispersos.

Por eso el coste total de propiedad (TCO) debe recoger todas las consecuencias de la automatización. La unidad de análisis no puede ser solo el agente, sino el sistema de trabajo en su conjunto: personas, agentes, sistemas, controles, soporte y capacidad de management.

Deloitte encuentra un gap que refuerza esta lectura. En su estudio global, basado en más de 660 responsables tecnológicos, el 81% afirma que su organización puede desplegar y gobernar IA a escala. Sin embargo, cerca de tres cuartas partes reconocen que tendrán que modificar su modelo operativo durante los siguientes 12 a 18 meses para generar más valor.

Parte del coste puede corresponder además a una deuda que la IA no creó, pero sí dejó al descubierto: procesos tácitos, datos deficientes, excepciones no documentadas o responsabilidades ambiguas.

Más autonomía solo tiene sentido económico si el beneficio adicional supera el coste necesario para operarla y gobernarla dentro de un nivel de riesgo aceptable. El ahorro bruto de automatizar una tarea no es el ahorro neto de transformar un proceso.

 

El modelo operativo antes que el organigrama

Esta perspectiva cambia también el papel del CEO. Desde mi punto de vista, no creo que su función sea decidir cómo debe funcionar cada agente ni diseñar cada proceso. Su responsabilidad está un nivel por encima: asegurarse de que la organización sigue una secuencia coherente antes de convertir la automatización en decisiones de estructura.

Eso implica exigir que los business cases con impacto relevante sobre el trabajo expliquen algo más que tecnología y ahorro: qué cambia en el proceso, qué controles serán necesarios, cómo se transforman los roles y qué nuevas competencias o capacidad de management requerirá el modelo resultante.

También implica evitar que el objetivo de reducción de plantilla preceda al rediseño. Primero hay que entender qué trabajo desaparece, cuál cambia, qué seguirá siendo humano y qué nuevas tareas aparecen. Solo después tiene sentido dimensionar la organización.

Y cuanto más autónomo sea el sistema, más importante será definir quién responde por el resultado. La ejecución puede distribuirse entre personas, agentes y funciones, pero el proceso debe mantener un responsable identificable de principio a fin.

Finalmente, Dirección General debería mirar el ahorro desde el conjunto de la empresa. Una iniciativa no está económicamente validada porque reduzca el coste de una función si parte de ese ahorro reaparece en soporte, formación, controles, gobernanza o nuevas capacidades.

El diseño deberá hacerse desde el negocio, involucrando a IT, RR.HH., riesgo y gobernanza cuando sea necesario. El organigrama debería ser el resultado del rediseño del trabajo, no el punto de partida del ahorro.

 

Qué debe responder un 'business case' de IA antes de aprobarse

1. ¿Qué parte del proceso cambia, además de la tarea que queremos automatizar?
2. ¿Qué hará la IA, con qué autonomía y qué seguirá haciendo una persona?
3. ¿Qué controles necesita el nuevo proceso?
4. ¿Cómo cambian los roles y qué competencias y capacidad de management harán falta?
5. ¿Cuál es el coste completo del sistema y qué resultado económico esperamos obtener?

 

Del ahorro de horas al valor del proceso

Si la unidad de análisis pasa de la tarea al proceso, también debería cambiar la forma de medir el éxito. Ahorrar horas es útil, pero no demuestra por sí solo que la empresa esté creando valor. Una tarea puede acelerarse mientras el cuello de botella permanece en otro punto; un equipo puede producir más mientras aumenta el trabajo de validación en otra área.

La IA puede mejorar una tarea y, aun así, no mejorar el sistema. Por eso mediría el resultado en el nivel del proceso completo: cuánto cuesta ejecutarlo, si aumenta realmente su capacidad, si mantiene la calidad, qué ocurre con el cliente y si acaba traduciéndose en un resultado económico que la empresa puede capturar.

BCG encontró que más de la mitad de los CEOs de su encuesta veía una conexión insuficiente entre IA y P&L, mientras solo el 14% afirmaba haber definido claramente el impacto financiero de todas sus iniciativas.

También importa el tiempo. Un ahorro a corto plazo puede destruir valor si deteriora la relación con clientes. Y una mejora de calidad que nadie aprecia, no reduce otros costes y no puede monetizarse tampoco tiene por qué justificar una inversión adicional. No toda mejora operativa crea valor, ni todo ahorro lo preserva.

El business case debería seguir vivo después del despliegue. Solo con el modelo funcionando podemos contrastar cuánto cuestan la supervisión y las excepciones, qué fiabilidad alcanza y qué capacidad libera. La pregunta final no es cuánto trabajo hemos automatizado, sino cuánto cuesta completar el proceso, qué resultado produce y qué impacto sostenible genera.

 

Rediseñar antes de reducir

Al seguir durante el último año la evolución de la adopción empresarial de la inteligencia artificial, cada vez me parece menos útil contemplarla simplemente como una tecnología que añadimos a la organización existente.

Cuando empieza a asumir una parte relevante de la ejecución, y especialmente cuando adquiere autonomía, estamos decidiendo algo más importante: cómo queremos que funcione el trabajo. Por eso creo que el mayor error sería comenzar esa transformación por una cifra de reducción de plantilla.

La secuencia debería ser la contraria: entender qué tareas puede asumir la IA, rediseñar los procesos que lo necesiten, decidir qué autonomía estamos dispuestos a conceder, definir controles y responsabilidades y determinar qué trabajo y competencias deberán permanecer en la organización. Solo después tiene sentido dimensionarla.

Eso no significa que la IA no vaya a reducir costes o plantilla. En muchos procesos probablemente lo hará. Significa que esas reducciones deberían ser el resultado del nuevo modelo operativo, no la premisa con la que lo diseñamos.

Para un CEO, la responsabilidad está en asegurar que la organización respeta ese orden y que los ahorros prometidos incorporan el coste real de construir y operar el sistema que tendrá que producirlos.

Cuanto más trabajo deleguemos en la IA, más importante será diseñar lo que no se automatiza: el proceso, los controles, las excepciones, las competencias y la responsabilidad.

Por eso automatizar más no significa necesariamente gestionar menos. Significa dedicar menos esfuerzo a ejecutar el trabajo y más a decidir cómo debe ejecutarse, supervisarse y corregirse.

 

Referencias

1. Boston Consulting Group. CEOs Are Starting to See Value from AI. Now Comes Execution. Julio de 2026.
2. Gartner. Agentic AI Is Reshaping Manager Roles: Pivot to a Span of Complexity. Abril de 2026.
3. Alekseeva, L.; Azar, J.; Giné, M.; Samila, S. “Artificial Intelligence Adoption and the Demand for Managerial Expertise”. Strategic Management Journal. Mayo de 2026.
4. Deloitte. Rewiring the Enterprise Operating Model for AI Scale. 2026.
5. McKinsey & Company. Where AI Agents Pay Off: A Practical Guide to the Economics of Agentic Workflows. Agosto de 2026.