Cuando empezamos a hablar con las Big Four sobre IA, las conversaciones avanzaron sorprendentemente rápido. No hubo una larga introducción ni necesidad de explicar por qué la IA importaba. Casi de inmediato, socios y consultores sénior empezaron a hablar de en qué se les iba realmente el tiempo. No en la toma de decisiones ni en la generación de insights, sino en la preparación. Extraer datos de distintos sistemas. Alinear cifras. Asegurarse de que los análisis cumplieran con los estándares internos antes siquiera de empezar a pensar en lo que significaban los resultados.
Lo que nos llamó la atención fue que nada de ese trabajo tenía poco valor. Era necesario. Pero también era agotador. Personas con muchísima experiencia estaban dedicando gran parte de su día simplemente a llegar a un punto en el que el pensamiento real pudiera comenzar.
A medida que continuaron las conversaciones, se identificaron más de decenas de procesos en los que la IA podía desempeñar un papel. Informes, cumplimiento, controles financieros, análisis fiscal, revisiones internas. En la superficie, parecía un problema clásico de automatización. No lo era.
La mayoría de estos procesos ya contaban con herramientas, plantillas y automatización parcial. Lo que ralentizaba todo estaba entre los pasos. Cambiar de contexto. Conciliar resultados. Aplicar el juicio de forma consistente sobre información fragmentada. El verdadero coste no era solo el tiempo, sino la carga cognitiva.
Fue entonces cuando cambió el enfoque.
En lugar de preguntarnos cómo podía la IA hacer el trabajo de principio a fin, empezamos a preguntarnos cómo podía apoyar a las personas que lo hacían. ¿Y si la IA pudiera encargarse de las partes que agotan la energía, sin quitar el control? ¿Y si pudiera preparar borradores estructurados, señalar inconsistencias y hacer visible su razonamiento, para que los expertos pudieran centrarse en el juicio en lugar de en la preparación?
Una vez que este enfoque se puso en marcha, el impacto se volvió tangible.
En todos los equipos, los tiempos de ciclo se redujeron entre un 80 y un 90 por ciento en el trabajo analítico recurrente. Los errores manuales, especialmente en los procesos con mucha conciliación, cayeron de forma pronunciada. Igual de importante, los resultados se volvieron más consistentes entre equipos que antes abordaban el mismo trabajo de maneras ligeramente distintas. En promedio, los consultores recuperaron alrededor de 40 a 50 horas al mes que ahora podían dedicar a un pensamiento de mayor valor.
Pero el cambio más interesante no estuvo en las cifras.
Estuvo en cómo la gente hablaba de su trabajo. Las revisiones se volvieron más tranquilas. Las discusiones, más enfocadas. Los revisores sénior dedicaban menos tiempo a comprobar si todo era correcto y más a debatir qué significaban realmente los resultados.
Con el tiempo, el sistema dejó de sentirse como una herramienta que la gente tenía que usar. Empezó a sentirse como una forma compartida de trabajar, que absorbía silenciosamente cómo se tomaban las decisiones y lo reflejaba en análisis futuros.
Esta experiencia también reforzó algo en lo que hemos creído desde hace mucho tiempo. El progreso hacia una inteligencia más general no vendrá de sistemas que intenten reemplazar a expertos en dominios complejos. Vendrá de sistemas que reduzcan la fricción alrededor del pensamiento experto y lo amplifiquen.
En estos proyectos, la IA creó valor no por ser autónoma, sino por ser colaborativa. No tomaba decisiones por las personas. Les ayudaba a tomar mejores decisiones, más rápido.
Si hay una señal temprana de dónde los sistemas similares a la AGI importarán primero, es aquí. No en la automatización total, sino en respaldar el juicio humano a escala.
Ese cambio, de la automatización al apalancamiento, fue lo que marcó la diferencia.
