Cómo desbloquear un crecimiento predecible con la gestión de recursos habilitada por datos y GenAI

Lee la transcripción:

Estamos probando la transcripción de nuestros pódcast utilizando un programa de software. Disculpa cualquier error tipográfico ya que el bot no es preciso el 100% del tiempo.

Galen Low: Bienvenidos a nuestro panel de discusión sobre cómo usar los datos y la IA como tu bola de cristal para la gestión de recursos. Y no es por sobrevalorarlo, pero vamos a debatirlo. Vamos a profundizar. Vamos a descubrir de qué se trata realmente. Y esto es algo que nos gusta hacer todos los meses con nuestros miembros y nuestros invitados VIP.

Es una manera directa de involucrarnos con los expertos y con las personas que contribuyen y colaboran con nosotros aquí en The Digital Project Manager. Para quienes no me conocen, mi nombre es Galen, soy el cofundador de The Digital Project Manager y también seré su anfitrión hoy. Así que les tocará aguantarme un rato, pero también me acompaña un equipo asombroso formado por algunos de los mejores expertos en operaciones de agencias que conozco: Ann Campea, Marcel Petitpas y Grant Hultgren.

La gestión de recursos es un tema sumamente popular en el mundo de las agencias y, sinceramente, para muchas organizaciones. Y creo que hay una buena razón para ello: no contar con los recursos adecuados para cumplir con programas e iniciativas clave es un gran riesgo que puede poner en peligro el cumplimiento de tus objetivos, e incluso podría poner en riesgo algunos puestos de trabajo, tanto tuyos como de tus colegas dentro de tu organización.

Y creo que por eso la gestión de recursos se da en muchos niveles dentro de una organización, desde tener el equipo adecuado en tus proyectos hasta contar con el diseño de equipos y el talento apropiados para impulsarlos. Pero cuando se trata de predecir el futuro, los humanos como mucho estamos haciendo una suposición y, en el peor de los casos, partimos de hipótesis demasiado optimistas e idealizadas.

A veces, suponemos que alguien terminará una tarea tan rápido como lo haría otra persona —siempre que no se ausente inesperadamente por enfermedad. O asumimos que Kelvin puede trabajar en ocho proyectos diferentes ocho horas al día sin perder tiempo por cambiar de contexto. Y a veces pensamos que Elena y Leila tienen las mismas preferencias, habilidades y comprensión del trabajo simplemente porque tienen el mismo cargo.

Al final del día, la gestión de recursos es difícil, y lo es porque normalmente involucra variables que no controlamos: las personas. Sin embargo, aunque nuestro enfoque sobre la gestión de recursos no ha evolucionado radicalmente en las últimas décadas —al menos desde mi perspectiva— la tecnología sí lo ha hecho. Así que la pregunta que me surgió fue: considerando todas las herramientas que usamos y todo el dato que recolectamos, ¿no podríamos utilizarlos para hacer mejores predicciones sobre nuestros recursos y lo que sucederá en nuestros proyectos, iniciativas y metas? Eso es lo que exploraremos hoy.

Y, honestamente, quiero comenzar con la pregunta más grande y abierta para casi todos mis panelistas, que es: con todas estas organizaciones haciéndose cada vez más centradas en los datos y con la IA generativa en el panorama, ¿por qué la gestión de recursos no es ya algo automático y mágico?

Quizá se lo lance primero a Marcel. Te pongo en el punto caliente.

Marcel Petitpas: Claro. La respuesta sencilla es que los datos son desordenados y las personas son impredecibles. Es muy emocionante lo que GenAI puede hacer en términos de ayudarnos a obtener valor e interpretar datos, pero la suposición fundamental —y esto es lo que siempre me irrita de cada demo que vemos de una empresa diciendo: "Oh, mira, te automatizamos todo el reporte"— es que le alimentas datos perfectamente limpios, con una estructura consistente, esquema claro, convenciones de nombres uniformes, sin errores, sin valores atípicos. Obviamente, entonces GenAI podrá responder preguntas y procesar datos más rápido que un humano. Lo verdaderamente emocionante es que la manera en que interactuamos con los datos va a cambiar totalmente.

Creo que dentro de una década veremos como anticuado hacer clic en una tabla y aplicar filtros y ordenamientos para llegar a la visualización que queremos. Pero el problema que no desaparece es que necesitas datos buenos y limpios para que la IA pueda darte cosas útiles.

La realidad desagradable es que como gestores de producto y operaciones trabajamos con conjuntos de datos creados por seres humanos, así que, por naturaleza, serán imperfectos. Y tendremos que planearlo así al diseñar procesos y sistemas de datos.

Galen Low: Tremenda aclaración sobre la limpieza de datos. Y llegaremos luego al tema de la alfabetización de datos, qué significa hoy y quiénes deben adquirirla. Spoiler: probablemente todos.

Ann, ¿quieres agregar algo sobre por qué la gestión de recursos aún no es automática pese a tener tanta tecnología?

Ann Campea: En primer lugar, siguiendo lo que dijo Marcel, se trata de obtener buenos datos. Y está ese factor humano al intentar capturarlos. En mi experiencia, creamos herramientas, creemos tener bien los reportes, estamos viendo los indicadores correctos, pero volvemos al problema de los datos. Obtener buenos datos es como atrapar un rayo en una botella, ¿no?

Es complicado. A veces poco confiable porque tienes el elemento humano metido en eso. Los humanos son maravillosos, pero también impredecibles. Como en el ejemplo que diste al inicio: Susie puede tener 50 proyectos por sacar en una semana, pero Joe se tomó tres días de baja porque no se sentía bien.

Terminó menos proyectos que Susie. ¿Cómo realmente capturas ese componente humano en los datos? ¿Al registrar el tiempo? ¿Al considerar la complejidad de los proyectos o la capacidad de tu equipo para producir? Todos trabajan diferente.

Así que, retomando lo dicho por Marcel, conseguir esos buenos datos y construir la tecnología y la IA sobre esa base es clave. Y lanzo otro ejemplo: he estado en organizaciones que trabajan con tecnología antigua y otras con herramientas modernas. Ahora tienes la IA encima de eso.

¿Cómo lograr que todo eso funcione bien junto y mantener a la persona en la ecuación?

Galen Low: Me encanta.

Y eso se conecta con lo que decía Grant: la herramienta no es la solución mágica. Hay otras variables. Esto es buena transición para salir de: "Sí, esto es complicado". ¿Por qué no es más fácil? Pues por limpieza de datos y humanos. Y eso lleva a preguntar: ¿qué datos deberíamos recoger realmente? Sé que es un universo enorme, pero Grant, desde tu perspectiva, ¿qué puntos de datos deberían captar agencias u organizaciones para gestionar mejor los recursos?

¿Hay algo poco tradicional o polémico que recojan?

Grant Hultgren: Para enlazar, la pregunta es ¿en qué confiamos realmente? Y como dueños de agencias, cuando inicias ese camino —o te unes a una—, lo primero es que la agencia es autónoma, ¿no?

A menudo pensamos: "Lo haré mejor que la empresa anterior o que mi jefe pasado". Pero eso suele significar que definiré las cosas distinto. Y de repente, medimos puntos de datos de maneras distintas. Marcel diría: no hace falta definirlo diferente.

Puedes usar tu propio lenguaje, pero hablamos de lo mismo. Si ves indicadores clave, estoy totalmente de acuerdo. Del lado SaaS, por ejemplo, ves el ingreso por empleado facturable, ingreso por empleado total, márgenes a nivel de proyecto vs tu P&L trimestral y anual, costes completos, etc. Hay muchas similitudes ahí. Pero en gestión digital de proyectos, es todo un ecosistema que influye en esos indicadores de alto nivel.

Y hay múltiples herramientas, como decía Ann, desde las de los 90 hasta las modernas. Ahí está el reto, pero yo diría que más que nada es: ¿confiamos en esos sistemas internos para que modelos de IA tomen decisiones y logren resultados óptimos?

No creo que hayamos llegado a ese punto. Por eso la gente es clave. Nadie responsabilizará a la IA si se pierde margen en un proyecto. Todos miraremos al gestor de proyecto y diremos "¿qué pasó aquí?". A interpretar los datos. O como dijo Ann, alguien estuvo enfermo… Bueno, ¿por qué no hicimos nada?

La IA no lo detectó. Eso no es aceptable. Quizá algún día lleguemos, pero no creo que los indicadores cambien mucho, es cómo los alineamos a un tema común. Marcel, te veo asentir, ¿estás de acuerdo?

Marcel Petitpas: Sí, comento desde lo que hacemos en Parakeeto para incorporar a alguien a un sistema de previsión y cómo estructuramos esto, es muy sencillo.

Empezamos entendiendo cómo conciben la capacidad en su organización. Esto cambia entre organizaciones. Algunas lo ven según habilidades: esta persona tiene habilidades de diseño, gestión de proyectos, desarrollo, redacción...

Otras según tareas: esta persona hace tal tipo de trabajo. Categorías de tareas, roles, cargos... ¿Cuál es el modelo mental de la empresa sobre su capacidad y decisiones de contratación? Queremos crear una capa sencilla de abstracción entre contribuyentes individuales y grandes grupos en los que podemos reunirlos.

Y aquí introduzco un concepto recurrente: precisión y exactitud. Son cosas diferentes y creo que la mayoría de gestores de proyectos las confunden como lo mismo, suelen hasta estar en conflicto.

Veo muchos gestores de proyectos fracasar porque intentan sistemas muy precisos imposibles de mantener. Eso termina generando datos caóticos que no sirven para nada.

Así que en el primer paso intentamos crear un modelo simple, de cinco hasta, como mucho, ocho grupos de capacidad en los que pensamos, y luego planificar el trabajo igual. Mismos nombres, agrupamos el tiempo estimado del mismo modo.

Luego bajamos al control horario y decimos: ¿cómo garantizamos que todo registro de tiempo tenga un metadato que lo vincule con esos grupos? Si logramos datos estructurados así, y añadimos otros objetos —tipo de trabajo, cliente, servicio o producto, fases— y toda la metadatos que queramos, hacer álgebra lineal resulta fácil. Por ejemplo: por cada dólar de presupuesto de web, ¿cuánto tiempo de diseño hace falta en promedio? No se necesita mucho dato para trazar una buena recta que nos dé un valor bastante exacto y ver qué es predecible o no; lo que ayuda a identificar fallas de proceso.

Porque si no hacemos las cosas de modo consistente, predecir el futuro será difícil aunque los datos sean excelentes. Así que al estructurar la información, los datos clave son capacidad (modelo y esquema), trabajo planeado (modelo y esquema), y registrar el tiempo real igual para conectarlo sin traducir entre estructuras distintas.

Es fricción innecesaria que impide responder a lo que buscamos.

Galen Low: Me gusta ese enfoque de distinguir lo previsible y lo imprevisible. Aunque queremos solucionar el caos, quizá no podamos. Pero me resonó lo de que incluso con datos buenos, ahí es donde la tecnología ayuda. Yo recuerdo construir una matriz de habilidades en una agencia.

Preguntábamos: "En una escala del 1 al 10, ¿qué tal eres en Drupal?"; decían "10, supongo". Era mucho compilarlo, lo hacíamos en Google Sheets. Un desastre. Buena intención —organizar quién hace qué, sus preferencias, proyectos en su plan de carrera, etc.— pero el volumen de datos era demasiado para procesarlo como humanos. Los modelos son muchos, taxonomías… ¿Qué hacer? Y ahí la tecnología aporta.

Grant Hultgren: Además, puedes diseñarlo todo perfecto... pero va a cambiar en una hora. El cliente firma el acuerdo, cambia el alcance, llega el Covid, ¿necesitamos oficina?, ¿ese gasto fijo sigue? Como dice Marcel, lo armas y luego toca adaptarse. ¿Cómo lograr que los contribuyentes de primera línea ayuden a ajustar los datos poco a poco?

Todo lo que dijo Marcel explica por qué existe nuestra compañía. Sé que él es agnóstico, pero justo eso buscamos codificar en los datos, bajo el mismo razonamiento, pero midiendo entradas que alimentan las distintas soluciones. Puedes contratar consultores como Marcel, que ayuden, o Ann, que adapte el método al equipo, o intentar codificarlo tú mismo.

El problema sigue siendo: ¿cómo llevarlo de arriba a abajo? Que todos lo entiendan, dónde entra la precisión, la exactitud, y dónde está el valor.

Galen Low: Vayamos a eso, porque es interesante: datos limpios suena a mito, pero sobre todo por el lado humano. Ann, ¿cómo se logra que las personas adopten la idea de que registrar más datos es beneficioso?

A la gente ya le desagrada hacer registros de tiempo. Marcel, hace poco publicaste sobre utilización en LinkedIn, y son conceptos que afectan la moral. Ahora les pediremos registrar aún más cosas. ¿Cómo enfocarías lograr esa aceptación y motivación?

Ann Campea: Es una pregunta difícil, y realmente alinear todos los niveles es muy complicado. Quiero decir, Marcel, publicaste en LinkedIn sobre hallar esa fórmula mágica que haga que los accionistas la acepten para medir recursos, capacidad, etc.

Y Grant lo dijo: todo cambia todo el tiempo. ¿Cómo se controla esa variable? Lo esencial es lograr el acuerdo en una estructura, aunque sea diferente a lo que hacen otras agencias. Si el liderazgo y la cultura de la organización acuerdan el modelo para capturar los datos, aunque sea muy particular, logras el consentimiento, que suele ser el mayor obstáculo.

Puedes invertir todo el tiempo del mundo construyendo herramientas, reportes, registros de tiempo, pidiéndole a la gente que diga cuánto tarda en cada proyecto… pero sin aceptación, eso es tu bloqueo principal. El elemento humano, otra vez.

En mi experiencia, para lograr aceptación suele asumirse que tú promueves datos cuantitativos muy objetivos.

Pero siendo realistas sobre los datos, hay que hacer ver a los accionistas lo que realmente se tiene. Siempre presento los datos advirtiendo: este es un estudio de tiempos que tendrá variabilidad, porque quienes lo llenan son humanos.

Así que considera que habrá subjetividad incluso en lo cuantitativo. Al presentar esa información, hay que reconocerlo abiertamente. No decir: esto es lo que hay, es limpio y lo tomamos tal cual.

No puede ser 100% preciso, pero puede acercarse. Eso es clave para vender esa fórmula internamente.

Galen Low: Me encanta ese enfoque colaborativo. Lo importante es no imponerlo de arriba hacia abajo.

Pero también es la forma en que lo planteamos. Hay tendencia —sobre todo en gestión de recursos— a decir: esto es definitivo, todos deben sumar 40 horas, será perfecto. Pero si lo mostramos con esa variabilidad...

Marcel, ¿esto se conecta con precisión y exactitud?

Marcel Petitpas: Totalmente. En la industria se habla mucho de tácticas para mejorar el cumplimiento: gamificarlo, bots que forman equipos y muestran cumplimiento, herramientas que sugieren cómo llenar la hoja de tiempo. Todo eso ayuda, pero lo fundamental es lo que dijo Ann: crear aceptación.

Otro punto es el cierre del ciclo. Muchas veces, quienes llenan los registros nunca ven los reportes ni las decisiones que se generan desde ellos.

Y eso los lleva a inventar su propia historia sobre para qué sirven sus datos, muchas veces no positiva. No importa cuánto les digas, deben verlo para creerlo. Así que conviene involucrarlos en la conversación y mostrar para qué sirve.

Muchos equipos directivos dudan, pensando "los datos no son buenos aún", y se convierte en dilema. Lo que recomiendo es hacer la reunión aunque sepas que los datos son malos. Lo hemos experimentado con clientes.

¿Qué ocurre? A) Te das cuenta de que quizá los KPIs crean incentivos opuestos a los buscados, como centrarse en la utilización y obtienes una reacción indeseada. Vas a la junta y dices, por ejemplo, "¡Increíble! Estuvimos por debajo del presupuesto en todos los proyectos. Los clientes felices, no están tan ocupados. Puedo vender el doble el mes próximo y aún así no llegarían al límite. ¡Perfecto, felicidades!". De repente, el equipo reacciona: "Espera un segundo, quizá no registramos todas las horas, no podríamos con el doble de trabajo". Ahí, agradeces la sinceridad, porque esa es la información que usas para planear y no sobrecargar.

Luego puede irse al lado opuesto, con muchas horas registradas, y discutes si es sostenible. Pero, bien usado el dato y en tono sincero y de apertura, el equipo entenderá que esto les sirve y protege.

Y sobre precisión y exactitud: si pides que tu equipo registre el tiempo en el subtarea, de la subfase, del hito, del entregable, de la fase, del proyecto, etc.… Es demasiado, genera fricción. Simplifícalo. Tendrás agrupaciones de tiempo más grandes y valiosas, mayor cumplimiento y encontrarás significancia estadística antes. Lo mismo para la planificación de recursos.

Las asignaciones individuales no sirven para prever seis meses. Demasiada superficie, todo cambia constantemente. Ajusta la metodología al objetivo de cada pregunta.

Galen Low: Muy hábil esa técnica; así logras captar la parte cualitativa…

Y volviendo a lo que decía Ann: se parte del dato, pero no termina ahí. Sirve para conversar sobre lo que no está en los datos. Si logras esa cultura y rebajas la presión, mejor; nadie quiere dar municiones para que se las devuelvan, ni que digan: "¿Por qué solo tienes 70% de utilización?”, “¿Te tardaste 7 horas en una tarea de 5?”; nadie aporta esos datos voluntariamente. Pero sí, lo simple es bueno; mejor que complicar para intentar conseguir datos "perfectos".

Quisiera entrar en historias y mezclaré dos preguntas: cuéntame alguna historia de terror y alguna de éxito. ¿Tienen algún caso real donde lograron adoption, incrementaron la alfabetización de datos y mejoraron la gestión de recursos? Y por el lado contrario, algún fracaso donde un obstáculo echó todo para atrás.

Grant Hultgren: Tengo una de éxito. Dejé de imponer mis métodos en la agencia digital donde trabajé y seguí exactamente los consejos que Ann y Marcel acaban de dar: hay que confiar en el equipo. Les explicamos por qué calculábamos márgenes por proyecto, qué implica el coste por rol, les mostramos la diferencia entre un desarrollador senior y uno junior, por qué eso importa al asignar recursos.

Quizá te preocupa que eso te perjudique como líder, pero al implementarlo, lo mejor fue que —más allá de indicadores— tres personas formaron familia, dos compraron viviendas. El CEO me dijo: "Este ha sido el año más satisfactorio”. Eso era su objetivo, generar bienestar para el equipo.

El temor sobre "¿tendremos trabajo en tres meses?" jamás desaparece; es parte de liderar. Pero los mayores logros fueron esas decisiones vitales basadas en confianza. Tal vez esas personas luego se vayan, tal vez no aciertes siempre, pero en ese momento lo hice bien y aún lo recuerdo. Ahora, claro, tengo historias de terror, pero esa fue mi mayor satisfacción.

Galen Low: Me encanta, porque A) empecé preguntando por alfabetización de datos, pero resultó que lo importante no era entender los datos sino el para qué: crecer no es solo crecer como agencia, sino desarrollo personal y de carrera, para que nuestro bienestar mejore o se mantenga. Y ese sí que es un propósito sólido, aunque no valga en todas las culturas; algunos pensarán que es solo para llenar bolsillos, pero si eres genuino, funciona. Me gusta ese enfoque.

Grant Hultgren: El crecimiento no es lineal. No es hacer esto y obtienes esto. El mercado decide. Hay que adaptarse y ser iterativos —incluso con los datos y su implementación—, e ir aprendiendo y mejorando la eficiencia para no agotarnos.

Galen Low: De acuerdo.

Ann Campea: Es difícil seguir historias así, pero a veces logras ser un héroe cuando tomas los datos y cuentas una historia al público para lograr el objetivo: proteger a tu equipo de sobrecarga, justificar refuerzos, hacer ver la complejidad del trabajo y el desgaste humano, para mejorar el balance de cargas. Lograr transmitir eso con datos "suficientemente buenos" y convencer al liderazgo sobre lo que ocurre realmente es un logro cotidiano, que ayuda a cumplir los objetivos: ser rentables, atender clientes, entregar calidad. Los datos cuentan la historia de cómo están tus recursos.

Galen Low: Marcel, ¿tienes alguna historia?

Marcel Petitpas: Sí, una historia de giro total con un cliente. En la superficie, muchas agencias parecen triunfar: grandes logos, trabajo premiado y creativo, pero si miras por dentro, encuentras una cultura muy creativa pero con enorme desgaste. Ciclos de 150% de utilización, todos trabajando horas extra y fines de semana, seguidos de temporadas bajas y despidos.

Con los problemas típicos: PMs culpando a ventas, ventas a creativos por pasarse de presupuesto, expectativas desalineadas y una relación problemática entre tiempo y dinero en estimación y precios (tipo, el único modo de cambiar un factor era modificar el otro).

Entramos y lo primero fue separar eso, aclarar la estructura de datos, registrar lo que realmente sucedía. Así identificamos qué tipo de trabajo era más riesgoso y cuál daba más margen.

Descubrimos que la producción de video era una de las ofertas menos rentables y más exigentes (largos días de grabación, desgaste), pero otras áreas —branding, web, estrategia— eran más rentables y estables. Pudimos crear modelos para ventas que eliminaban la subjetividad: tomaban los datos del cliente, los ingresaban a una calculadora y obtenían una visión ajustada, incluían sólo retoques menores, y así se fijaban las expectativas.

Con el tiempo, la agencia pasó de todos esos problemas a crecer 60% y luego 90% anual, aumentando su margen de beneficio en más del 500%. Pero lo mejor: el equipo trabajaba menos horas extra, menos noches y fines de semana. Cosas que parecen incompatibles, pero si los gestores de operaciones emplean los datos bien, logran mucho beneficio para todos los interesados.

Galen Low: Boom. Una historia personal: hace semanas estuve con gente de educación superior y de agencias hablando sobre el registro de tiempos. Decían que no tenían modo de mostrar a su responsable que estaban sobrecargados, salvo anecdóticamente. Tener los datos no solo permite hacer algo, sino preguntarnos: ¿debemos seguir haciendo esto que agota y deja pocos márgenes? Con los datos, podemos abrir la conversación. Eso es valioso.

Quiero abordar algunas de las preguntas del público, porque llegan cuestiones sobre genAI, datos y ética y seguridad. Leo la pregunta y la extiendo: si metemos datos de proyectos en herramientas de IA generativa, ¿cómo garantizamos la seguridad de esos datos? ¿Hay que usar una herramienta homologada/comprada por la empresa, o cualquier otra? Y además: ¿cuál es el límite ético? ¿Hasta dónde recolectamos —con buena intención— preferencias, habilidades, historial de tiempos, etc.? ¿Dónde trazamos la línea? Fusioné dos preguntas, pero se las lanzo: seguridad de datos en herramientas, política, cumplimiento… y ¿hasta dónde llegar?

Grant, ¿qué opinas?

Grant Hultgren: Hay una agencia de marketing con la que trabajé, y ya vemos como la IA generativa impacta la producción en marketing: posts, redes sociales, etc. ¿La calidad? Quizá no lo suficiente, pero la cantidad está ahí. Primer paso: ¿informamos que la usamos?, ¿qué implica? Internamente, como equipo, hay que decidir: ¿usamos esto?, ¿estamos de acuerdo?, ¿sirve la calidad? Si sí, la aprovechemos; es otra herramienta. Pero debe haber debate interno, sobre todo si se usa para clientes. Si son datos internos, quizá es más seguro y controlado: cumplimos con SOC 2, GDPR… hay cosas que no podemos hacer, y eso lo firmamos. Pero también se puede anonimizar mucho y asegurarse de no identificar clientes, etc.

Lo recomiendo a cualquiera en una agencia: si el cliente no lo autoriza expresamente, asume que no puedes. No vale la pena arriesgar la relación —muchos trabajos surgen de la confianza personal. Así que siempre opto por la cautela. Hay IA en bots, chatbots, vi funcionalidades en ClickUp, por ejemplo: útiles, pero se aplican a fases iniciales/metodológicas, sin dar aún detalles privados.

Y así la IA ayuda a diseñar el proceso, pero luego uno lo ajusta y aplica la experiencia propia. En estas áreas, la IA informa, pero no da el paso exacto que llevas al cliente. Creo que la frontera moral está clara en mi mente. Es delicado; ChatGPT está en litigio, por usar datos fuente… Todos lo aprovechamos pero no está resuelto aún.

Galen Low: Me gusta que destaques el cumplimiento y que hay muchas herramientas, algunas seguras, otras son MVPs intentando hacerse hueco en el mercado…

Grant Hultgren: 100%. Hay que tener cuidado incluso internamente con lo que se puede y debe hacer; tener el dato no implica que puedes compartirlo con esas herramientas.

Galen Low: Boom. Me encanta.

Ann Campea: Quisiera tocar el límite ético. Ya mencionamos antes que la GenAI lleva algo de sesgo; hay que tener cuidado. Como Grant dijo, ChatGPT ha tenido problemas con sus fuentes. El PMI, por ejemplo, ya tiene su propia plataforma de IA con información proveniente de fuentes comprobadas. Pero el límite ético está en cómo utilizamos los datos.

¿Han estado ante un decisor que dice "me da igual ese dato, yo quiero el que me dé la razón"? Entonces, tenga cuidado, seas PM o no, cuando uses datos —más si provienen de IA generativa— pues sólo deben informar, no distorsionarse para justificar intereses. He estado en esa situación en que quieren sacar de contexto los datos y atraviesan la línea ética.

Galen Low: Eso es el otro lado del storytelling con datos: buscar el clavo para nuestro martillo…

Eso conecta con otra gran pregunta: ¿piensan que en el futuro las herramientas podrán acomodar el factor humano y la complejidad de proyectos, o siempre será necesaria la intervención manual?

Marcel Petitpas: Yo opino que es difícil imaginar una automatización total. Y me gustaría equivocarme, pero estamos muy lejos aún. Miren el coche autónomo: hace una década se decía que estaba a la vuelta de la esquina y aún falta mucho. El último 2% es dificilísimo de lograr. Siguen existiendo contables y gestores aún teniendo decenas de años de finanzas con tecnología, como QuickBooks. Puede hacerse el 98% automáticamente, pero falta el juicio final.

Eso mismo en IA, si tienes una estructura y pipeline de datos ordenada, puedes hacer el proceso hiper eficiente. Pero siempre habrá casos complejos donde el juicio humano será difícil de reemplazar. Incluso si automatizas todo, habrá que hacer verificación humana en casos límite. El gran reto con ChatGPT y otras IA generativas es que te da una respuesta pero no explica su razonamiento —es una caja negra, lo cual es problemático cuando tomas decisiones de transformación, interpretación de datos o juzgas si un registro de 99 horas es real o fue un olvido. Esos juicios son muy difíciles de automatizar y seguiremos queriendo una revisión humana para ver si es congruente con la realidad.

Grant Hultgren: Lo suscribo. Para mí, el meme es: "Pensé que la IA lavaría mis platos, no que hiciera arte". Empecemos por automatizar tareas y darnos avisos como: "¿Al agregar ésta tarea, deberías asignar más tiempo a Marcel?" Eso sí aporta eficiencia y la IA podrá aprender más a partir de ahí. Pero yo no confiaría mi empresa a la IA. ¿Cómo prevés el Covid? Hay eventos que cambian todo el modelo. Marcel lo expresó perfecto: no ocurren todas las semanas, pero sí hay casos importantes, incluso a nivel de proyecto, como decidir si se factura tiempo ineficiente o se asume como aprendizaje. Son cuestiones humanas y éticas muy difíciles de traducir a la IA.

Galen Low: Buen punto sobre mantener al humano en el asiento de conductor, pero quiero ir a una zona gris: si tu IA te aconseja: "¿Seguro que quieres a Tony en ese proyecto? Es lento. Sergio está disponible y es rápido, pero Tony pierde cada vez más espacio…", ¿queremos que la herramienta nos lo indique?

Marcel Petitpas: Lo veo así, como CEO: son decisiones que se toman, y es parte del trabajo. La cuestión es: ¿cuál es el proceso, los valores y criterios en esas decisiones, y cómo usar datos o IA para habilitar ese proceso? Es un regalo ser más objetivos, porque a veces cuesta afrontar esas conversaciones con emociones de por medio. Siempre que pongas límites intencionados y mantengas el sistema, puede ser una palanca útil: frenarte ante decisiones apresuradas, o guiarte hacia lo mejor para la organización. Es positivo si se implementa con reflexión.

Grant Hultgren: La gente no deja las empresas, deja a sus jefes. Si como gestor buscas el lucro a costa de la gente, ojalá todo el equipo renuncie. Si usamos la tecnología para mejorar y aclarar, perfecto. Por cada Tony, hay una Ann destacando y creciendo que necesita proyectos adecuados. Y debemos permitir ese aprendizaje para su realización y crecimiento. A veces llegan tiempos duros, pero hay que equilibrar según valores e intenciones reales. Así tendrás equipos fieles que valoren tu gestión.

Galen Low: Buen lente: son decisiones difíciles aunque tengas toda la tecnología. Adelante Ann.

Ann Campea: Solo añadir que GenAI está aquí para ser nuestro socio, no para dirigirnos. De hecho, el PMI promueve el "humano en el bucle": siempre debe haber una persona revisando los resultados de la IA. Curiosamente, le pregunté esto a una IA y destacó dos puntos: puede liberar a las personas de tareas aburridas para centrarse en lo creativo, y aunque el liderazgo cambia —de gestión dura a liderazgo empático—, la IA nunca podrá darte un abrazo o comprender tu mal día como una persona real.

Galen Low: ¡Una IA bien entrenada! Tiempo para una última pregunta. La leo y seguimos:

¿Presentar los datos como rangos en vez de absolutos ayudaría a mitigar el factor humano? La pregunta apunta a si decir "esto no es exacto, es un rango" ayuda a comprender mejor lo imprevisible.

Marcel Petitpas: Perfecto ejemplo de precisión vs exactitud. Siempre uso: ¿qué tiempo hará hoy? Puedo decirte 24,6 grados, o entre 22 y 26. Es menos preciso, pero más exacto como respuesta. Normalmente, cuanto más arriba vas en la organización, más incertidumbre y menos perfección hay en los datos —se toman decisiones más probabilísticas. Los rangos reflejan mejor la realidad y son una excelente forma de plantear conversaciones. Así lo aplicamos en Parakeeto para facilitar la toma de decisiones. Así que si es un modelo más exacto para lo que se discute, adelante, y observa cómo impacta la conversación.

Galen Low: Eso es.

Grant Hultgren: Intenta mantener una previsión exacta de cuatro semanas de trabajo y verás la diferencia. Ni hablar de 3 a 6 meses. La precisión en un rango es clave para entender los altibajos y así decidir con sentido sobre clientes y trabajos.

Galen Low: Exacto. No se puede planear con demasiada precisión.

Genial. Creo que llegamos al final. Gracias nuevamente Grant, Marcel, Ann —¡mil gracias por ofrecer su tiempo y estar hoy con nosotros!

Como siempre, si quieres unirte a la conversación con más de mil apasionados de la gestión de proyectos, súmate a nuestra comunidad. Ve a thedigitalprojectmanager.com/membership para saber más. Y si te gustó el encuentro de hoy, suscríbete y mantente al día en thedigitalprojectmanager.com. Hasta la próxima. ¡Gracias por escuchar!