Usar IA dentro de una operación sin perder a las personas

Durante un tiempo, Klarna fue el ejemplo típico de la IA reemplazando una operación de servicio al cliente. Un año antes, la empresa había dicho que su chatbot hacía el trabajo de 700 agentes humanos. En mayo de 2025, su director general le dijo a Bloomberg que Klarna estaba volviendo a contratar personas. "Como, por desgracia, el costo parece haber sido un factor de evaluación demasiado predominante al organizar esto, lo que terminas teniendo es menor calidad", dijo. Agregó que era fundamental dejarles claro a los clientes "que siempre habrá un humano si así lo quieres". Un vocero le dijo a Fortune que la política de no reemplazar a los empleados que se van seguía igual, y que la empresa seguía siendo "muy AI-first".

Es fácil leer eso como una historia de la IA fallando. Se lee mejor como una historia sobre lo que se estaba midiendo. El costo era visible e inmediato. La calidad, y lo que vivía el cliente cuando el asistente no podía ayudarle, aparecieron después y en otros lugares. El mismo reporte de Fortune citaba una encuesta de IBM a 2,000 directores generales según la cual solo uno de cada cuatro proyectos de IA había dado el retorno esperado.

"Perder a las personas" puede significar tres cosas distintas, y una operación puede perder las tres mientras la parte de IA funciona bien.

Perderlas

La primera es la evidente: puestos recortados porque un modelo puede producir una respuesta aceptable a menor costo. A veces es la decisión correcta. Muchas veces se toma con la cifra más fácil de ver, y se corrige cuando las demás la alcanzan. La corrección sale cara. Las personas que se van se llevan la memoria de la operación, y las que se quedan sacan sus propias conclusiones sobre para qué será la siguiente herramienta.

Perder lo que saben

La segunda es más silenciosa y, creemos, más importante. Parte de la evidencia más sólida sobre la IA dentro de una operación real viene de un estudio de Erik Brynjolfsson, Danielle Li y Lindsey Raymond sobre 5,172 agentes de soporte al cliente, publicado en el Quarterly Journal of Economics en 2025. El acceso a un asistente de IA aumentó en promedio 15 por ciento el número de casos resueltos por hora. Las mejoras fueron desiguales. Los agentes con menos experiencia y menos habilidades mejoraron tanto en velocidad como en calidad. Los agentes con más experiencia y más habilidades tuvieron pequeñas mejoras en velocidad y pequeñas caídas en calidad. Los clientes fueron más amables y pidieron hablar con un gerente con menos frecuencia, y el resumen del documento de trabajo reporta una mejor retención de empleados.

La explicación de los autores es la parte que vale la pena tener presente: el modelo de IA disemina las mejores prácticas de los trabajadores más capaces. El asistente ayudó a los novatos porque había aprendido de los expertos. Dicho de otro modo, buena parte del valor del sistema viene de las personas que menos se benefician de él.

Eso crea una trampa. Si una operación trata a su gente con experiencia como intercambiable una vez que la herramienta está en marcha, erosiona la fuente de la que aprendió la herramienta. Las prácticas cambian, los productos cambian, los clientes encuentran problemas nuevos. Alguien tiene que seguir produciendo las buenas respuestas que la siguiente versión va a difundir. Una implementación de IA que recorta o hace a un lado a esas personas puede verse eficiente durante un año y luego dejar de mejorar.

Perder su confianza

La tercera es la confianza. La gente en piso se da cuenta de si una herramienta está ahí para ayudarle o para medirla, y de si se presenta como apoyo o como un reemplazo en espera. Una herramienta en la que no confían termina rodeada: respuestas revisadas a mano, notas guardadas en otro lado, el sistema oficial alimentado con lo que quiere escuchar. Nada de eso aparece como una falla. Aparece como un sistema que técnicamente está en marcha y en la práctica se ignora. No tenemos un estudio que citar para esto. Es un argumento, no un hallazgo.

Reducir decisiones, no personas

WAOF, el estudio de tecnología, producto y creatividad detrás de esta publicación, opera un café en Monterrey, Atlético, como laboratorio de retail. Nuestra tesis describe la pregunta que estudiamos ahí como dónde puede la IA reducir decisiones sin agregar complejidad. Ese planteamiento sirve mucho más allá de un café, porque pone la unidad de cambio en las decisiones, no en la plantilla. Ya escribimos antes sobre dónde debe detenerse un agente y preguntarle a una persona. Este texto trata de las personas al otro lado de esa línea, y de la evidencia anterior se desprenden algunos principios. Son nuestra postura, no un registro de resultados.

Empieza por las decisiones que la gente dejaría con gusto. Buscar una política, ordenar una fila de pendientes, redactar una respuesta de rutina. Deja las decisiones de criterio de las que la gente se siente orgullosa, al menos hasta que pida ayuda con ellas.

Trata a las personas con experiencia como autoras del sistema, no como sus primeras víctimas. Si la herramienta difunde sus prácticas, deberían revisar lo que dice, corregirlo y recibir reconocimiento por ello. De lo contrario, las mejores personas tienen todas las razones para dejar de compartir lo que saben.

Mide lo que Klarna dijo que subestimó. La calidad, los resultados para el cliente y la rotación del personal deben estar junto al costo desde el primer mes, no después de que lleguen las quejas.

Mantén una ruta humana visible, para los clientes y para el personal. No como una alternativa enterrada tres menús adentro, sino como algo que la gente sabe que existe.

Y fíjate en quién gana más. Si los principales beneficiarios son el personal nuevo o con menos experiencia, la IA pertenece a las primeras semanas de un trabajo, en operaciones donde se contrata gente todo el tiempo. Ese es un caso de inversión distinto al de reemplazar a las personas que ya conocen el trabajo.

El estudio de Brynjolfsson encontró que la herramienta hizo que los clientes fueran más amables con los agentes. Es un resultado fácil de pasar por alto, y puede que sea el más útil. Una operación no es solo un conjunto de tareas por automatizar. También son las personas que las hacen, y la forma en que se les trata, tanto los clientes como los sistemas que las rodean, determina si el trabajo vale la pena.