La fricción es la moneda que falta en la transformación de la IA.

El problema no radicaba en la falta de capacidad del personal. El problema era que el sistema obligaba a las personas competentes a invertir demasiado tiempo buscando lo que necesitaban antes de poder realizar su trabajo. Documentos esenciales, materiales de capacitación, actualizaciones de la empresa, herramientas de comunicación y referencias operativas estaban dispersos en distintos lugares. Si bien sabían que la información existía en alguna parte, aún tenían que buscar, preguntar, comparar, verificar y reconstruir el contexto antes de poder avanzar. La jornada laboral no comenzaba con la entrega, sino con la búsqueda.

Esa carga se había vuelto habitual porque los equipos siempre se adaptan. Guardaban páginas en marcadores, conservaban copias locales, enviaban mensajes, creaban accesos directos y formulaban las mismas preguntas una y otra vez. Desde fuera, el trabajo parecía avanzar. Dentro de la organización, se invertía tiempo en encontrar las condiciones necesarias para trabajar antes de poder generar valor. El problema tenía un nombre: el coste de la búsqueda. No era una partida presupuestaria, un defecto formal ni un proyecto fallido. Era un lastre operativo diario que se había vuelto invisible porque la gente se había vuelto experta en sortearlo.

La solución no consistía en pedir a la gente que buscara más rápido, ni en enviar otro recordatorio, ni en lanzar otra campaña de comunicación, ni en pedir a los equipos que fueran más proactivos. Había que rediseñar el trabajo para que el acceso se integrara en el sistema operativo, en lugar de ser una habilidad de supervivencia personal. Se creó un centro interno centralizado como fuente única de recursos esenciales: documentos, herramientas de comunicación, materiales de formación y noticias de la empresa. Este centro se estructuró, mantuvo y diseñó para proporcionar información en segundos, en lugar de tener que recurrir a múltiples sistemas de búsqueda. Se eliminó la carga de búsqueda diaria porque el sistema dejó de obligar a los usuarios a superar obstáculos innecesarios antes de poder contribuir.

Por eso la fricción es importante en la transformación de la IA. La mayoría de las organizaciones aún hablan del valor de la IA a través de la adopción, el uso, el potencial de automatización y el ahorro de costes. Miden cuántas personas usaron la herramienta, cuántas solicitudes se enviaron, cuántas licencias se activaron, cuántos proyectos piloto se lanzaron y cuántos casos de uso se incorporaron al proceso. Estos indicadores son útiles, pero no demuestran que el trabajo haya mejorado. Una empresa puede tener un alto uso de la IA y aun así dejar la fricción real sin resolver. Puede automatizar una tarea visible mientras el flujo de trabajo sigue siendo lento, fragmentado y dependiente de que las personas tengan en mente información faltante.

La fricción es la moneda de cambio que falta, porque revela dónde se pierde realmente el valor. Se trata de la búsqueda previa a la acción, el tiempo de espera entre pasos, la aclaración repetida, la comparación manual entre sistemas, la aprobación que surge debido a la falta de claridad en la propiedad, la excepción que se resuelve desde cero cada vez, la corrección tras una salida rápida pero incompleta, y el caso reabierto después de que un panel de control indicara que el trabajo estaba cerrado. Es el esfuerzo silencioso que las personas realizan a diario para mantener en funcionamiento sistemas imperfectos.

La IA puede reducir la fricción, pero solo si la organización sabe dónde reside dicha fricción. De lo contrario, la IA puede agilizar un paso, pero el flujo de trabajo total seguirá siendo igual de pesado. Una herramienta puede ayudar a redactar una respuesta más rápidamente, pero si esta aún requiere tres revisiones, dos aclaraciones, una consulta manual y una aprobación adicional, el trabajo no habrá cambiado realmente. Un modelo puede resumir la información rápidamente, pero si la fuente de información es dispersa, obsoleta o inconsistente, el resumen solo puede aumentar la confusión. Un agente puede enrutar el trabajo más rápidamente, pero si la lógica de las excepciones no está clara, puede enviar el trabajo al lugar equivocado con mayor seguridad.

Esa es la diferencia entre la actividad de la IA y el valor de la IA. La actividad indica que algo está sucediendo. El valor demuestra que se ha eliminado, reducido, rediseñado o mantenido intencionadamente la fricción para proteger la calidad o el control. Sin esta distinción, los programas de IA pueden parecer impresionantes desde arriba, pero seguir resultando engorrosos a nivel operativo. El panel de control muestra el uso mientras los empleados siguen buscando. El programa piloto muestra la velocidad mientras los casos siguen reabriéndose. El modelo proporciona una respuesta mientras el flujo de trabajo aún requiere que una persona reconstruya el contexto faltante.

Este no es un problema nuevo creado por la IA. La IA simplemente hace que sea más difícil ignorarlo. Las organizaciones han arrastrado fricciones ocultas durante años. Las personas dedican tiempo a buscar información, copiar datos entre sistemas, conciliar informes, esperar aprobaciones, aclarar responsabilidades, corregir errores y escalar excepciones que deberían haberse convertido en conocimiento reutilizable hace mucho tiempo. Como el trabajo se sigue realizando, la fricción se vuelve invisible. Las personas compensan. Los gerentes lo normalizan. El departamento de finanzas rara vez percibe el costo total. Los equipos de transformación pasan a la siguiente iniciativa.

Luego llega la IA, y la misma fricción se convierte en un problema de escalabilidad. Si la fuente de información está dispersa, la recuperación de datos por parte de la IA se vuelve frágil. Si la responsabilidad del proceso no está clara, la IA no puede establecer la rendición de cuentas. Si no se registran las excepciones, la IA las trata como sorpresas. Si los equipos no se ponen de acuerdo sobre qué constituye un buen resultado, los resultados de la IA requieren más verificación. Si los empleados ya dedican demasiado tiempo a recopilar el contexto, la IA puede añadir otra capa a menos que se resuelva el problema de acceso subyacente.

El ejemplo del impuesto a la búsqueda es relevante porque revela una verdad operativa fundamental: los equipos rara vez tienen dificultades solo por falta de esfuerzo o talento. A menudo, las dificultades se deben a que el sistema dificulta innecesariamente el trabajo útil. Buscar no es entregar resultados. Reconstruir el contexto no es entregar resultados. Repetir la misma pregunta no es entregar resultados. Cambiar entre sistemas para encontrar la versión actual de un documento no es entregar resultados. Estas actividades pueden ser necesarias en un entorno defectuoso, pero aun así representan fricción.

La misma lógica se aplica a la IA. Indicar información no es valioso por sí solo. Generar información no es valioso por sí solo. Resumir información no es valioso por sí solo. El valor surge cuando el trabajo avanza mejor gracias a ello. Un problema de un cliente se resuelve correctamente. Un proceso financiero requiere menos correcciones. Un gerente recibe información actualizada en lugar del informe de la semana pasada. Un empleado dedica menos tiempo a buscar y más tiempo a decidir. Una excepción se vuelve reutilizable en lugar de ser redescubierta. Un flujo de trabajo se vuelve más fácil de gestionar porque el camino es más claro.

Por eso, los líderes deben ser cautelosos con las métricas de adopción de IA. La adopción indica si las personas están utilizando la herramienta, pero no si esta reduce las dificultades. Un equipo puede usar la IA a diario y aun así perder tiempo revisando sus resultados. Los empleados pueden generar más contenido y aun así dedicar más tiempo a verificar la veracidad de la información. Un chatbot puede gestionar más preguntas y aun así aumentar las consultas repetidas si las respuestas son incompletas. Un asistente interno puede parecer útil, pero los empleados mantienen fuentes de información confiables por separado porque no creen que el sistema esté actualizado.

Cuando los líderes solo buscan la adopción, los equipos se centran en optimizarla. Imparten sesiones de capacitación, promueven el uso, recopilan casos de éxito y publican paneles internos. Estas acciones pueden ser útiles, pero también pueden generar confusión si se ignora la cuestión fundamental. ¿Dónde se está eliminando la fricción exactamente? ¿Cuál era el punto de partida? ¿Qué retrasos desaparecieron? ¿Qué retrabajos disminuyeron? ¿Qué búsquedas ya no son necesarias? ¿Qué excepciones se gestionan ahora de forma más consistente? ¿Qué esfuerzo humano pasó de la fase de ensamblaje a la de análisis?

La fricción dota a la transformación de la IA de un lenguaje de valoración más honesto, ya que conecta operaciones, finanzas, tecnología, gobernanza y personas. Operaciones percibe la fricción como retrasos y retrabajos. Finanzas la ve como costes ocultos o capacidad inmovilizada. Tecnología la percibe como requisitos poco claros y una mala adaptación del sistema. Gobernanza la ve como una trazabilidad débil y excepciones incontroladas. Los empleados la sienten como esfuerzo desperdiciado y frustración. Los ejecutivos, en última instancia, la ven como una transformación que aparenta actividad pero que no produce cambios suficientes.

Por eso, la fricción debe considerarse una moneda de cambio. No porque todo se reduzca al tiempo ahorrado, sino porque revela dónde la organización invierte sin ser siempre consciente de ello. Este gasto puede manifestarse en tiempo, calidad, capacidad, confianza, velocidad, experiencia del cliente, control o atención de la dirección. Una empresa puede pagar ese coste durante años, ya que se distribuye entre personas y funciones. Nadie recibe una única factura por la confusión, las búsquedas, las correcciones, las esperas o las incidencias repetidas. Pero el coste es real.

La fricción, por pequeña que sea, sigue siendo fricción cuando se repite. En un entorno operativo, reducir el tiempo de descarga de facturas de 16 a 8 segundos podría parecer insignificante si se considera una sola transacción. Sin embargo, al repetirse en un volumen de trabajo elevado, ese pequeño cambio se vuelve relevante porque la frecuencia modifica el valor de la fricción. Unos pocos segundos multiplicados por miles de transacciones se convierten en capacidad. Una verificación manual diaria se convierte en un costo. Un cambio de sistema recurrente se convierte en un impuesto oculto.

Los casos de negocio de la IA requieren la misma disciplina. Una pequeña corrección tras cada resultado generado puede parecer inofensiva hasta que se repite en miles de casos. Un breve retraso causado por una lógica de aprobación poco clara puede parecer manejable hasta que los agentes empiezan a asignar tareas más rápido de lo que los humanos pueden determinar la responsabilidad. Una excepción repetida puede parecer un caso especial hasta que la organización se da cuenta de que ha estado pagando por resolver la misma desviación manualmente cada semana. La fricción se vuelve costosa cuando se repite, y la mayoría de las fricciones empresariales se repiten.

El error radica en tratar la fricción como una queja del usuario en lugar de una señal operativa. Cuando los empleados dicen "esto lleva demasiado tiempo", a menudo describen algo más que una simple molestia. Pueden estar señalando la falta de responsabilidad, el acceso deficiente, un diseño de sistema débil, conocimientos obsoletos, reglas poco claras o un flujo de trabajo que depende de intervenciones manuales excesivas. Cuando las organizaciones ignoran esta señal, pierden la información necesaria para diseñar mejores procesos de trabajo. Si prestan atención, encontrarán dónde la IA puede ayudar y dónde solo enmascararía el síntoma.

No es necesario eliminar todos los puntos de fricción. Cierta fricción protege al negocio. Una segunda revisión puede ser necesaria en decisiones de alto riesgo. Una verificación legal puede ser apropiada. Un paso de validación manual puede proteger a los clientes, a los empleados o la precisión financiera. El objetivo no es eliminar todas las pausas del flujo de trabajo, sino conocer la diferencia entre la fricción protectora y la fricción accidental.

La fricción protectora es intencional. Existe porque el riesgo la justifica. La fricción accidental existe porque el sistema es poco claro, obsoleto, fragmentado o está mal gestionado. La transformación mediante IA se fortalece cuando las organizaciones logran diferenciar ambos tipos de fricción. Eliminar la fricción protectora puede generar riesgos. Automatizar la fricción accidental puede acelerar un diseño deficiente sin solucionarlo. La decisión correcta depende de comprender por qué existe la fricción.

Aquí es donde la mentalidad del arquitecto se vuelve práctica. El héroe operativo trabaja sorteando la fricción. El arquitecto se pregunta por qué persiste la fricción y si la organización debería eliminarla, rediseñarla, gestionarla o preservarla. El héroe realiza el trabajo a base de esfuerzo. El arquitecto crea las condiciones para que el trabajo ya no dependa de ese nivel de esfuerzo. La IA necesita más de esta segunda postura.

En el caso del impuesto a las búsquedas, las personas habían ideado sus propias maneras de superar las dificultades. Eso es lo que hacen los buenos equipos. Pero la solución no consistía en celebrar su adaptabilidad indefinidamente, sino en integrar la claridad en el sistema. Una vez que los recursos estuvieron centralizados, mantenidos y de fácil acceso, el equipo no adquirió valor por la existencia de una nueva herramienta, sino que se volvió más eficaz porque el sistema dejó de hacerles perder el tiempo antes de que comenzara el trabajo.

Este es el mismo estándar que debería cumplir la IA. Si se incorpora IA a un entorno de conocimiento fragmentado, puede recuperar fragmentos más rápidamente sin generar información veraz. Si se integra en un flujo de trabajo con responsabilidades poco claras, puede acelerar las transferencias de información sin mejorar la rendición de cuentas. Si se añade a un proceso plagado de excepciones no gestionadas, puede generar resultados fiables pero incompletos. Si se integra en un equipo ya sobrecargado de correcciones, puede aumentar la carga de trabajo a menos que se rediseñe el proceso.

Es fundamental seguir el orden correcto. Primero, visibilice el trabajo. Luego, identifique las dificultades. Después, determine qué dificultades representan desperdicio, cuáles control, cuáles falta de conocimiento, cuáles una mala gestión, cuáles fallas del sistema y cuáles forman parte de la gestión de riesgos. Solo entonces la organización debería decidir dónde encaja la IA. De lo contrario, la IA se convierte en una vía más rápida para seguir el mismo camino de confusión.

Esto también modifica el análisis de viabilidad. Un análisis débil indica que la IA ahorrará tiempo porque una tarea se vuelve más rápida. Un análisis más sólido afirma que la IA reducirá un punto de fricción específico en un flujo de trabajo determinado, comparándolo con una base de referencia real, e incluyendo corrección, reelaboración, escalamiento y gobernanza. Esto último es más difícil de implementar, pero mucho más difícil de simular.

Los líderes deberían plantearse preguntas diferentes. No solo cuántas personas utilizaron la herramienta de IA, sino qué punto de fricción desapareció. No solo cuántas horas se ahorraron teóricamente, sino si esas horas se liberaron realmente o se destinaron a la revisión. No solo si el modelo respondió más rápido, sino si el caso se mantuvo resuelto. No solo si el agente gestionó el trabajo, sino si las excepciones llegaron al responsable correcto. No solo si la organización tiene una hoja de ruta de IA, sino si tiene un mapa de fricción.

Un mapa de fricciones no tiene por qué ser excesivamente complejo. Comienza con evidencia práctica: dónde esperan las personas, dónde buscan, dónde copian, dónde concilian, dónde piden aclaraciones, dónde se reabren los casos, dónde se repiten las excepciones, dónde intervienen los gerentes y dónde los empleados mantienen discretamente sistemas paralelos porque el oficial no funciona. Esa evidencia ya está dentro de la organización. El problema es que suele estar dispersa, normalizada y no se trata como estratégica.

Las organizaciones globales deben extremar las precauciones, ya que la fricción varía según el contexto. Un proceso puede tener el mismo nombre en distintas regiones, pero la fricción interna difiere. En un país, la fricción puede deberse a la normativa; en otro, a la complejidad lingüística; en otro, a la atención personalizada al cliente; en otro, a la madurez del sistema; y en otro, al diseño de los procesos de aprobación internos. Un programa central de IA que asuma que la fricción es la misma en todas partes no tendrá en cuenta la realidad local. Un enfoque local sin una disciplina compartida generará fragmentación. El equilibrio reside en una lógica de valores común combinada con la evidencia operativa local.

Por eso, la fricción es un mejor punto de partida que la productividad genérica. La productividad puede volverse demasiado amplia y fácil de definir. La fricción centra la conversación en el trabajo. ¿Qué es exactamente la inercia? ¿Cuál es su costo? ¿Quién la absorbe? ¿Con qué frecuencia se repite? ¿Por qué existe? ¿Debería la IA eliminarla, reducirla, redirigirla, controlarla o simplemente ignorarla?

El problema de la sobrecarga de búsquedas se solucionó cuando la organización dejó de considerar las búsquedas como parte del trabajo habitual. Esa es la lección. Muchas oportunidades de IA se encontrarán de la misma manera: negándose a aceptar la fricción repetida como un coste inherente a las operaciones. La organización no necesita perseguir la IA por sí misma. Necesita identificar las tareas que no deberían ser tan difíciles y, a partir de ahí, decidir si la IA es el mecanismo adecuado para mejorarlas.

La transformación mediante IA no será creíble simplemente porque más personas la utilicen. Será creíble cuando el trabajo se desarrolle mejor gracias a ella: menos búsquedas innecesarias, menos aclaraciones repetidas, menos correcciones ocultas, menos casos reabiertos, mejor acceso a la verdad, manejo de excepciones más eficiente, gobernanza más sólida y más tiempo dedicado al análisis en lugar de a la recopilación de información.

Ese es el estándar. La fricción no es un concepto abstracto. Es el costo operativo del trabajo que no fluye. Las organizaciones que lo perciben tomarán mejores decisiones en materia de IA. Las que no, seguirán confundiendo actividad con progreso.

Preguntas y respuestas

P: ¿Qué significa la fricción en la transformación de la IA?

A: La fricción es el obstáculo que impide que el trabajo avance sin problemas desde la intención hasta el resultado. Incluye búsquedas, esperas, reelaboración, aclaraciones repetidas, cambios de sistema, comparaciones manuales, falta de claridad en la propiedad, reapertura de casos, manejo de excepciones y correcciones ocultas.

P: ¿Por qué la fricción es una mejor medida de valor que la adopción?

A: La adopción demuestra si las personas están utilizando una herramienta. La fricción demuestra si el trabajo está mejorando realmente. Un equipo puede usar la IA intensivamente y aun así experimentar las mismas demoras, retrabajos, correcciones y tareas de búsqueda. El uso demuestra el contacto con la herramienta, no su valor.

P: ¿Puede la IA generar más fricción?

R: Sí. La IA puede generar más fricción cuando los resultados requieren una verificación exhaustiva, cuando la información de origen no es confiable, cuando la lógica de las excepciones no está clara, cuando se agrega la gobernanza después de la implementación o cuando los empleados no confían lo suficiente en el sistema como para usarlo para un trabajo significativo.

P: ¿Toda fricción es mala?

R: No. Cierta fricción protege al negocio, como la revisión legal, los controles de calidad o los pasos de aprobación de alto riesgo. La clave está en diferenciar la fricción protectora de la fricción accidental. La fricción protectora debe diseñarse. La fricción accidental debe eliminarse o rediseñarse.

P: ¿Qué deberían medir los líderes para comprender la fricción?

A: Los líderes deben medir el tiempo de espera, el tiempo de búsqueda, el retrabajo, el esfuerzo de corrección, las tasas de reapertura, el volumen de escalamiento, las excepciones repetidas, los retrasos en la transferencia, la comparación manual y si los empleados están dedicando tiempo a recopilar contexto en lugar de crear valor.

P: ¿Cuál es el primer paso práctico?

A: Empiece por identificar dónde pierden tiempo los equipos antes de que comience el trabajo real. Analice las tareas de búsqueda, verificación, conciliación, clarificación y reconstrucción del contexto. A menudo, en estos aspectos la IA puede ser de gran ayuda, pero solo si primero se comprende el trabajo subyacente.