Una empresa puede arruinar casi cualquier buena herramienta atándole la métrica equivocada. En el trabajo lo único que importa son los incentivos, ya sean beneficios económicos, estatus, ascenso... Los trabajadores trabajamos por incentivos. Tú y yo también. Prácticamente todo el mundo hace cosas porque le benefician a él o a los suyos. Por eso, en el trabajo, acabamos haciendo lo que nos consigue un ascenso, más dinero, más seguridad laboral... No somos los dueños de la empresa, somos un empleado. Miramos por nosotros mismos. Eso está bien.
El uso de la IA en las empresas tecnológicas
Cuando la dirección empieza a celebrar el consumo de tokens, el volumen de prompts, el número de agentes o el uso diario de la IA, la gente optimizará la actividad de la máquina en lugar de los resultados útiles. Si tu trabajo está en riesgo porque te señalan por negarte a usar la IA, entonces... usas la IA. Mucho, sobre todo cuando a los ingenieros se les recompensa por usarla cada vez más. Eso no significa que sean irracionales. Significa que son empleados. Los empleados van detrás de lo que la dirección puede ver, especialmente cuando lo visible lleva recompensas. Ahora mismo la actividad de IA lleva muchas recompensas
Esto es simplemente corrupción de KPI con un disfraz nuevo. Las organizaciones saben en teoría que, una vez que una métrica se convierte en objetivo, deja de ser una medida limpia, y luego se olvidan de la regla en cuanto la métrica parece técnica y orientada al futuro. La IA empeora la amnesia porque la actividad de la máquina es fácil de graficar y fácil de presumir. La adopción de IA es una de ellas.
El mejor marcador es más difícil y menos halagador. Imagina un equipo de soporte que con orgullo duplica su volumen de respuestas asistidas por IA. Suena genial hasta que te das cuenta de que las escalaciones también subieron porque las respuestas de primera pasada eran superficiales y los supervisores dedicaron más tiempo a arreglarlas. Una mejor métrica no es "¿cuántas respuestas de IA generamos?". Es "¿mejoró el tiempo de primera respuesta sin que empeoraran las escalaciones, el retrabajo o la frustración del cliente?". Lo mismo aplica en ingeniería. Quemar más tokens no significa nada si el tiempo de revisión, la tasa de defectos y el riesgo de rollback empeoran todos. ¿Cuánto impacto tuvo de verdad el equipo de ingeniería, de todos modos?
Hay una objeción que vale la pena tomarse en serio. Al principio de un despliegue, las métricas de uso pueden importar. Si nadie toca la herramienta, no hay ninguna historia de adopción. Vale. Pero las métricas temporales de experimentación tienen la mala costumbre de convertirse en métricas de vanidad permanentes. Una vez que el estatus y la evaluación se atan a la actividad de IA visible, la organización empieza a fabricar actividad para alimentar el marcador.
Así es como las herramientas útiles se vuelven burocracia. Los empleados empiezan a hacer prompts cuando deberían decidir por su cuenta. Los líderes empiezan a pedir planes de agentes porque los planes de agentes parecen modernos. Los equipos optimizan la superficie de IA medible en lugar del coste, la calidad y la entrega reales. La institución simplemente ha encontrado una nueva forma de malgastar dinero mientras se felicita a sí misma.
Esto antes era un problema resuelto. La dirección solía recompensar a los ingenieros por escribir más código. Así que las bases de código acababan creciendo de forma espectacular y volviéndose frágiles e infladas. Esa métrica simplificada ya mostró que no puedes poner métricas simples de rendimiento y esperar buenos resultados. En cuanto las pones, la gente las optimiza. Y eso está bien, yo hago lo mismo.