Rediseño de workflows para la IA: por qué acoplar la IA a procesos antiguos fracasa

Por Victor Hoang · Actualizado el 22 de septiembre de 2026

El rediseño de workflows para la IA consiste en reconstruir un proceso en torno a lo que la IA hace realmente bien, en lugar de insertar una herramienta en un proceso pensado para que personas ejecuten cada paso a mano. Añadir IA a un paso de un proceso sin cambios choca con el mismo límite que frena cualquier aceleración parcial: las partes que no se tocan siguen marcando el ritmo. Las empresas que rediseñan el workflow completo capturan la mayor parte de la ganancia medida; las que acoplan la IA al proceso existente, en su mayoría, no.

Si ha visto a un equipo adoptar una herramienta de IA, volverse más rápido en una tarea y aun así incumplir los mismos plazos: el cuello de botella se movió y nadie lo buscó.

Datos clave

• El estudio de Paul David de 1990 sobre la electrificación halló un desfase de unos 40 años entre la llegada de la dinamo (1881) y su retorno en productividad (años 1920), porque las fábricas acoplaron motores eléctricos a la misma distribución de "accionamiento por grupo" de la era del vapor en lugar de rediseñarse en torno a máquinas de "accionamiento individual" (David, "The Dynamo and the Computer," American Economic Review, 1990).
• El modelo de la Curva J de la Productividad de los economistas Erik Brynjolfsson, Daniel Rock y Chad Syverson muestra por qué: las inversiones intangibles complementarias (recapacitación, rediseño, nuevos roles) cuentan como costos cuando ocurren y solo se convierten en producción medida años después (Brynjolfsson, Rock, Syverson, NBER Working Paper 25148).
• La investigación de MIT NANDA de 2025 halló que el 95% de los pilotos de IA generativa no produce retorno medible en el estado de resultados, y atribuyó el fracaso a la capa del workflow: las herramientas que no se adaptan al proceso real se abandonan en cuanto aparece fricción (MIT NANDA, "The GenAI Divide: State of AI in Business 2025", según Fortune).
• La regla 10-20-70 de BCG sostiene que solo el 10% del esfuerzo de una transformación con IA debe ir a los algoritmos, el 20% a la tecnología y los datos, y el 70% a las personas y los procesos; solo el 22% de las empresas supera la prueba de concepto y solo el 4% crea un valor sustancial (BCG, "The Leader's Guide to Transforming with AI").
• La encuesta State of AI 2025 de McKinsey halló que las empresas de alto desempeño tienen casi tres veces más probabilidades de haber rediseñado el workflow de fondo en torno a la IA que de haber añadido una herramienta a un proceso sin cambios (McKinsey, The State of AI: Global Survey 2025).

La lección de la electrificación: la nueva energía no rediseña la fábrica por usted

El precedente más claro de lo que ocurre con la IA no se dio con los ordenadores. Ocurrió un siglo antes, con la electricidad, y el historiador económico Paul David escribió el relato definitivo en 1990.

Del accionamiento por grupo al accionamiento individual: el desfase de 40 años

Las fábricas del siglo XIX funcionaban con una sola fuente de energía, normalmente una máquina de vapor, conectada a cada máquina mediante una red compartida de correas y ejes aéreos ("accionamiento por grupo"). Todas las máquinas giraban a la vez, estuvieran en uso o no, porque compartían una misma columna mecánica.

La dinamo eléctrica llegó al mercado en 1881. Durante unas cuatro décadas, la mayoría de los dueños de fábricas hizo lo obvio y barato: cambiar la máquina de vapor por un motor eléctrico y dejar las correas y la distribución como estaban. La productividad apenas se movió, porque el proceso que se alimentaba no había cambiado.

El retorno llegó solo cuando las fábricas abandonaron el accionamiento por grupo por el "accionamiento individual": un motor pequeño en cada máquina. Eso abrió lo que la distribución antigua no permitía: máquinas colocadas según la lógica del workflow y no según la geometría de las correas, edificios de una sola planta en lugar de torres de ejes y equipos que funcionaban solo cuando hacía falta. El accionamiento individual no llegó hasta los años 1920, unos cuarenta años después de la dinamo, y David atribuye el retraso al rediseño organizacional, no a la tecnología.

La misma historia, una tecnología nueva

La mayoría de las empresas hoy aplica una "IA de accionamiento por grupo": la herramienta reemplaza un paso mientras la cadena de aprobaciones, los traspasos y el proceso de revisión que lo rodean siguen exactamente como se construyeron para un equipo totalmente humano. La herramienta es más rápida. El proceso no. La paradoja de la productividad de la IA analiza con más profundidad las cifras de McKinsey, MIT y Gartner detrás de esta misma brecha entre adopción e impacto.

La Curva J de la Productividad de Brynjolfsson explica por qué parece que no pasa nada aunque haya inversión real en marcha. Recapacitar a un equipo y reconstruir una secuencia de traspasos son inversiones intangibles: cuentan como costo el año en que ocurren y solo aparecen como producción cuando el rediseño funciona a escala. Una empresa que hace ese trabajo ahora se ve, sobre el papel, exactamente igual que una que nunca se molestó. La diferencia aparece más tarde, para la que sí lo hizo, y plantea la pregunta que formula directamente el dividendo de productividad: una vez que el rediseño rinde y se liberan horas reales, quién se queda realmente con ellas.

Por qué "el mismo proceso con un paso más rápido" choca con un techo duro

Hay una razón por la que un paso individual más rápido rara vez se traduce en un resultado global más rápido, y tiene nombre en informática: la ley de Amdahl.

Tomar prestada una idea de la computación para diseñar procesos

El planteamiento de Gene Amdahl, formulado en 1967 sobre computación paralela, era sencillo: si se acelera una parte de un sistema, la mejora máxima del sistema entero queda limitada por la proporción del tiempo total que esa parte consumía. Si se acelera 10 veces un paso que ocupaba el 10% del tiempo del ciclo, se ahorra como máximo un 9% en total. El otro 90%, sin tocar, sigue marcando la meta.

La mayoría de los workflows son cadenas de pasos y traspasos, no un único paso dominante. La IA suele apuntarse a lo más fácil de automatizar, como redactar una primera versión, y no a lo que más tiempo de calendario consume. Redactar un correo en diez segundos en lugar de diez minutos se siente transformador. Si el correo luego espera tres días en una cola de aprobación de todos modos, nadie aguas abajo lo nota.

La división 10-20-70 que BCG sigue encontrando

La investigación de BCG converge en la misma conclusión desde otro ángulo. Su regla 10-20-70 sostiene que solo el 10% del esfuerzo detrás de una transformación exitosa con IA debe ir al algoritmo, el 20% a la tecnología y los datos y el 70% a las personas y los procesos: rediseño de roles, derechos de decisión, capacitación, incentivos. La mayoría de las empresas invierte esa proporción por instinto, porque comprar un modelo se siente como "hacer el proyecto de IA" y rediseñar quién hace qué se siente como una iniciativa aparte y más difícil.

El costo se refleja en las propias cifras de BCG: solo el 22% de las empresas supera la prueba de concepto y solo el 4% crea un valor sustancial a escala, pese a que prácticamente la misma generación de herramientas estaba al alcance de todas. Lo que explicó el resultado fue cuánto de ese 70% estuvieron dispuestas a hacer.

Encuentre el cuello de botella real antes de automatizar nada

Si acelerar el paso equivocado apenas mueve algo, la siguiente pregunta es encontrar el correcto.

Mapee el proceso, no la lista de tareas

La mayoría de los equipos puede describir su trabajo como una lista de tareas. Muchos menos pueden describirlo como un proceso: la secuencia, los traspasos y los puntos de decisión entre esas tareas. Esa segunda descripción es la que revela realmente dónde se va el tiempo, y suele sorprender a quienes viven dentro del proceso, ya que la parte lenta rara vez es la que se siente más laboriosa.

Elija un workflow recurrente, un onboarding, una propuesta, un pipeline de contratación, y anote cada paso y traspaso en orden. Durante una semana real, registre cuánto tiempo permanece cada elemento en cada paso antes de avanzar, no cuánto tarda el trabajo en sí. La diferencia entre esas dos cifras es casi siempre donde el proceso pierde tiempo.

Tres preguntas que revelan la restricción real

• ¿Dónde se acumula y espera el trabajo, en lugar de avanzar? Una cola o una etapa de aprobación donde las cosas se atascan más que en cualquier otro lugar. Esa es la restricción, sea o no interesante arreglarla.
• ¿Qué paso, si desapareciera, cambiaría más el tiempo total del ciclo? No lo que a la gente le gustaría perder, sino cuál condiciona de forma medible la meta.
• ¿Qué paso se rehace porque el anterior produjo algo equivocado? El retrabajo es tiempo de ciclo oculto, y a menudo apunta a resultados de la IA que no se verifican bien antes de avanzar aguas abajo, un problema que aumentación frente a automatización trata con más profundidad.

Una vez identificada la restricción real, la pregunta se vuelve concreta: no dónde podemos añadir IA, sino qué necesita este cuello de botella y si la IA cambia eso.

Rediseñe en torno a la verificación, no a la producción

El error de rediseño más común es tratar la IA como una mejora de producción cuando su efecto real en la mayor parte del trabajo del conocimiento es un desplazamiento de dónde tiene que ocurrir la verificación.

Qué cambia cuando la IA redacta y una persona verifica

En un proceso previo a la IA, la mayor parte del tiempo de una persona en una tarea es tiempo de producción. La revisión existe, pero es más ligera, ya que quien lo escribió ya detectó la mayoría de sus propios errores.

Cuando la IA produce la primera versión, esa proporción se invierte. El tiempo de producción se desploma, pero el de verificación no se reduce en la misma medida, porque comprobar la corrección del resultado de otro es una tarea cognitiva distinta de producirlo. Un proceso rediseñado trata la verificación como el nuevo paso central: con personal para ella, con tiempo asignado y medida, y no como un vistazo rápido a algo que "la IA ya hizo".

Esto también es un cambio de rol, no solo de secuencia. La persona que antes pasaba el día produciendo ahora lo pasa revisando y decidiendo qué hay que escalar, una habilidad distinta y a menudo más senior. De ejecutor a orquestador explica qué exige ese cambio, y las topologías de equipos para equipos humano-agente explica qué le hace a la forma del equipo en el que se inserta el rol rediseñado.

Cómo construir un bucle de verificación que no se convierta en el nuevo cuello de botella

Gestionar agentes de IA como parte del equipo recorre este mismo bucle con más detalle operativo: acotar la responsabilidad, fijar el nivel de calidad y diseñar el traspaso a propósito, para quien lo dirija como un trabajo continuo y no como un proyecto de rediseño puntual.

• ¿Cuál es la tasa de error aceptable para este resultado y quién la decidió? Una respuesta rutinaria y una cláusula contractual no conllevan el mismo riesgo; tratarlas igual desperdicia tiempo en una y revisa de menos la otra.
• ¿Quién puede aprobar sin escalar, y para qué? Si cada resultado asistido por IA sigue necesitando la misma aprobación senior de antes, solo se añadió un paso, no se rediseñó nada. El diseño human-in-the-loop consiste en decidir, deliberadamente, qué decisiones necesita realmente el bucle.
• ¿La herramienta mejora con lo que detecta la verificación? Las herramientas que no retienen el contexto se esquivan discretamente en cuestión de meses, según halló la investigación de MIT NANDA sobre el fracaso de los pilotos. Un paso de verificación que nunca retroalimenta a la herramienta es un impuesto permanente, y es también donde los errores pequeños se acumulan hasta convertirse en deuda técnica de la IA.

Cuándo eliminar el paso por completo en lugar de automatizarlo

A veces la respuesta correcta es que el paso no debería existir, para nadie, ni persona ni IA.

La prueba de eliminación

Antes de automatizar un paso, pregunte por qué existe. Muchos pasos de los procesos maduros sobreviven a su razón de ser: un control para un patrón de fraude que cesó hace años, una capa de aprobación añadida tras un incidente que nunca se repitió. Automatizar un paso así solo lo hace más barato de mantener para siempre, y los pasos innecesarios que cuestan poco son más difíciles de eliminar, ya que nadie nota el costo.

Para cada paso, pregunte qué fallo concreto previene y con qué frecuencia ha ocurrido ese fallo en el último año. "No estamos seguros" o "no ha ocurrido en años" lo convierte en candidato a eliminación, no a automatización. Un fallo real y reciente se gana primero un rediseño y después una mejora con IA encima. Es también la forma más rápida de evitar la trampa de qué empleos cambia la IA en lugar de reemplazarlos: un puesto rara vez desaparece porque se automatizó una tarea, pero su forma cambia cuando los pasos innecesarios que lo rodean se eliminan para siempre.

El parche frente al rediseño, lado a lado

Todas las columnas rediseñadas comparten un patrón: el cambio no es que la IA haga la tarea más rápido. Es que el proceso alrededor de la tarea se reestructuró para que la velocidad llegue de verdad a la meta en lugar de detenerse en el siguiente paso sin cambios.

Un método de rediseño paso a paso que los líderes pueden ejecutar

1. Elija un workflow, no todo el departamento. Con un inicio, un final y un responsable claros, y volumen suficiente para que un cambio sea medible en un trimestre. Rediseñarlo todo a la vez es como este trabajo termina convertido en una presentación que nadie ejecuta.
2. Mapee cada paso y traspaso, y cronometre una semana real. Registre el tiempo real de calendario en cada paso, incluidas esperas y aprobaciones, como la línea base con la que se medirá toda afirmación posterior de mejora.
3. Encuentre la restricción real. Dónde se acumula el trabajo, qué paso condiciona más el tiempo del ciclo, dónde se genera retrabajo. Resista la tentación de empezar por el paso al que es más fácil acoplar la IA; con frecuencia no es la restricción.
4. Aplique primero la prueba de eliminación a cada paso. Nombre el fallo concreto que previene cada paso y cuándo ocurrió por última vez, y elimine lo que ya no se gana su lugar.
5. Rediseñe los roles en torno a la verificación y la escalación. Decida la tasa de error aceptable por tipo de resultado, quién puede aprobar sin escalar y cómo las correcciones retroalimentan a la herramienta.
6. Asigne un responsable nombrado de la métrica de negocio antes de pilotar. Tiempo de ciclo, costo por unidad o tasa de error frente a la línea base, no un recuento de uso. Un piloto sin responsable tiende a derivar en un despliegue sin veredicto.
7. Mida la métrica del workflow cada semana y deje que el rediseño evolucione. La primera versión rara vez es la final; la cifra semanal le lleva a la siguiente.

Ejecutar esto en un solo workflow enseña a un equipo más sobre dónde rinde realmente la IA que una docena de pilotos desconectados.

Hacer del rediseño el trabajo real de alguien

El trabajo de rediseño necesita un responsable con autoridad para cambiar cómo funciona un proceso, no solo para recomendarlo, una cuestión de diseño organizacional tanto como técnica. Se conecta con cómo cambia el diseño organizacional a medida que la IA asume más trabajo de producción, y con las decisiones de algunas empresas de mantener partes de un workflow humanas, no solo operativamente sino también culturalmente.

Sin esa responsabilidad, los procesos rediseñados a medias se acumulan como deuda impaga: un paso de verificación que nadie tiene a su cargo, una vía de escalación que nadie definió, un resultado que nadie contrasta con una tasa de error real. En conjunto aparecen más tarde como deuda cultural de la IA, y deshacerlos cuesta mucho más de lo que habría costado diseñarlos bien a la primera. La misma disciplina se aplica tanto si el trabajo recae en un solo agente de IA como en varios que coordinan entre sí.

Las fábricas que se reconstruyeron en torno al accionamiento individual en los años 1920 no esperaron a un motor mejor. Tenían el motor desde hacía cuarenta años. Lo que cambió fue que alguien rediseñó la planta en torno a lo que la electricidad hacía posible, en lugar de lo que el vapor había hecho necesario. La herramienta que tiene hoy delante la mayoría de las empresas ya es al menos así de capaz. La planta sigue siendo de la era del vapor. Esa es la parte que conviene arreglar primero.