Cómo convertir el conocimiento individual en activos organizativos mediante IA
Jang Hyeon-min, director de Team J-Curve, analiza cómo las empresas pueden transformar el conocimiento individual en activos colectivos mediante el uso de archivos Markdown (MD) y sistemas de compensación que reduzcan el temor de los empleados ante la inteligencia artificial.
Jang Hyeon-min, director de Team J-Curve, propone el uso de archivos MD para transformar el saber de los empleados en activos compartidos y evitar la pérdida de capacidad cognitiva al delegar tareas en la inteligencia artificial.
¿Cuál es el objetivo final de la transformación de la inteligencia artificial (AX)? Mientras muchas empresas se centran en la eficiencia, Jang Hyeon-min, director de Team J-Curve, señala un punto más provocador: lograr que el trabajo que realizaban 10 personas lo hagan ahora solo 3. Tras esta búsqueda de eficiencia, surge el dilema esencial para un líder: cómo gestionar a los 7 miembros que quedan en la organización.
El mensaje de Jang, transmitido por T Times TV, ofrece una visión práctica sobre cómo convertir el conocimiento laboral individual en un activo de la organización en la era de la IA, y cómo resolver la ansiedad y los problemas de compensación que surgen en este proceso entre los empleados.
De notas personales a activos de conocimiento: el uso de archivos "MD"
El uso de la IA se divide principalmente en dos funciones: la "memoria" individual y el uso de archivos "MD" (Markdown) organizativos. Jang señaló que la función de memoria de la IA pertenece a la cuenta individual, lo que conlleva riesgos de filtración de datos personales y dificulta su uso compartido. De hecho, mencionó que al revisar estas funciones de memoria, a menudo se encuentran datos no deseados, como la profesión, el lugar de residencia o incluso nombres de familiares, lo que impide compartirlos con otros.
Por el contrario, si el conocimiento laboral se estructura en archivos MD, se convierte inmediatamente en un "activo de conocimiento compartido" para el equipo. Una ventaja de los archivos MD es que permiten dividir y almacenar información para diversos fines sin necesidad de enviar grandes volúmenes de texto de una sola vez. Para una colaboración de equipo eficiente, Jang propuso dos tipos de archivos MD.
El primero es el "MD de índice" (Index MD), que actúa como un mapa que indica la ubicación de los archivos. Al permitir que los agentes de IA consulten solo este archivo de índice en lugar de rastrear cada carpeta individualmente, se ahorran tokens (costes de computación de la IA) y se aumenta la precisión de las respuestas.
El segundo es el "MD de registro" (Log MD). Este resuelve el problema de saber "quién, cuándo y qué se modificó" durante los procesos de "crianza conjunta" en los que varias personas colaboran con la IA. "Si se cuenta con un MD de registro, incluso si uno se reincorpora a un proyecto después de varios días, la IA puede resumir el trabajo realizado anteriormente, reduciendo drásticamente el tiempo de comunicación", explicó Jang. Esto también puede utilizarse como una función de "rollback" para revertir el estado anterior si los datos se contaminan por errores de un empleado nuevo. Jang añadió: "Es importante estructurar archivos MD adaptados a cada empresa para que la IA pueda trabajar dentro de ese entorno".
Sistemas de compensación para empleados temerosos de perder su puesto
Gestionar la resistencia psicológica de los empleados es más difícil que la implementación técnica. Desde la perspectiva de un trabajador, el proceso de entrenar a la IA con su propio conocimiento y saber tácito puede percibirse como "un acto para cortarse el cuello a sí mismo". Jang enfatizó que los líderes deben ir más allá del enfoque técnico y diseñar el ecosistema y la estructura de compensación de la organización. Advirtió que, si no se aborda con la intención de cambiar el ecosistema de la propia organización, las discordias persistirán.
De hecho, la propiedad de los activos de conocimiento de IA creados por empleados que dejan la empresa se está convirtiendo en un nuevo foco de conflicto corporativo. Jang citó el caso de un concurso de AX en una empresa fabricante de cosméticos. Cuando el miembro del equipo que obtuvo el primer lugar renunció, surgió la duda de si la empresa tenía derecho a poseer los activos de conocimiento creados por ese individuo utilizando herramientas como Claude en formato HTML. Jang aconsejó definir claramente desde el momento de la contratación el alcance de los activos de conocimiento acumulados por el individuo.
Utilizando como ejemplo a una empresa de medios japonesa, propuso un modelo de compensación específico. Dicha empresa opera un sistema que evalúa el valor de las ventas generadas por soluciones de IA o agentes creados mediante hackatones, y devuelve un porcentaje de ese valor como bonos de desempeño. "Debe existir un marco para medir la mejora de la productividad y la contribución a las ventas para que los empleados entreguen su conocimiento con gusto", afirmó Jang. "Solo creando este entorno podrán nacer 'estrellas' que manejen la IA dentro de la organización". También es posible compensar a alguien con la parte del ahorro de costes si desarrolla un agente capaz de sustituir un servicio externo (como un SI).
Combinar capital humano y capital de tokens: no detenga el "bucle de aprendizaje"
La "degradación de la capacidad cognitiva" que ocurre cuando se delega excesivamente el trabajo a la IA es una crisis que enfrentan tanto líderes como empleados. Jang confesó que, recientemente, cuando delegó totalmente la redacción de un borrador de propuesta a la IA, experimentó una disminución en su capacidad para analizar los requisitos del cliente y estructurar la propuesta. "No entiendo lo que la IA ha creado y no sé qué estructura o dirección tomar al presentar nuevas propuestas en el futuro", comentó sobre su retroceso cognitivo.
Para solucionar esto, sostuvo que se deben combinar tres conceptos destacados por Satya Nadella, CEO de Microsoft: el "capital humano" (la capacidad de las personas), el "capital de tokens" (el entorno donde la IA puede trabajar, como archivos MD o acceso a bases de datos) y el "bucle de aprendizaje" que conecta ambos.
Jang advirtió: "Si solo se delega incondicionalmente a la IA, el capital humano no crece y, en última instancia, el valor del capital de tokens también disminuye". Como alternativa, propuso un "bucle de aprendizaje intencional". En lugar de confiar directamente el borrador a la IA, los miembros del equipo deberían discutir primero la dirección mediante voz o conversación, para luego revisar y evaluar el borrador generado por la IA. Al crear una estructura donde los conocimientos humanos se reflejen nuevamente en la IA a través de este proceso, la capacidad de la organización podrá crecer de forma continua sin retroceder.
Fuente: vídeo original (YouTube)
0Comentarios
Los comentarios están desactivados por ahora.