Procter & Gamble: un caso práctico de medición del impacto de la IA en el trabajo en equipo

El impacto de IA en el trabajo colaborativo con una carga intensiva de gestión del conocimiento no es solo una cuestión de eficiencia, sino que también redefine la estructura de los equipos y la forma en que comparten saber y experiencia. Así lo ha descubierto un experimento realizado por Procter & Gamble que ha involucrado a 776 profesionales de la empresa, quienes participaron en un proceso de desarrollo de productos en condiciones controladas para identificar, con efecto sostenido en el tiempo, la relación entre las personas y la IAGen.

El estudio se ha estructurado en un diseño 2×2, en el que los participantes han sido asignados aleatoriamente a una de cuatro condiciones:

1. Individuo sin IA: trabajo individual sin asistencia de IA.
2. Equipo sin IA: dos profesionales colaborando sin IA.
3. Individuo con IA: trabajo individual con asistencia de IA generativa.
4. Equipo con IA: dos profesionales colaborando con asistencia de IA.

En cada equipo se integró a un profesional del área de Investigación y Desarrollo y a otro de la Comercial con el objetivo de asegurar que se canalizaba correctamente la colaboración auténtica entre funciones clave dentro de la empresa.

Objetivos del experimento

Con el estudio la organización quería dar respuesta a tres de las incógnitas más habituales que se hacen todas las empresas:

1. ¿Puede la IA mejorar el rendimiento individual hasta igualarlo con el trabajo en equipo tradicional?
2. ¿Permite la IA ampliar la experiencia de los participantes, ayudándolos a superar barreras funcionales?
3. ¿Puede la IA generar una experiencia social y emocional similar a la colaboración humana?

Metodología

Los pilares metodológicos del experimento son cuatro:

• Asignación aleatoria: Los participantes fueron distribuidos en los cuatro grupos de manera aleatoria dentro de ocho unidades de negocio diferentes.
• Tareas reales: Se les asignó el desarrollo de soluciones para desafíos de negocio reales dentro de sus unidades de trabajo.
• Uso de IA: Los participantes en condiciones con IA recibieron entrenamiento sobre cómo interactuar con el modelo de IA basado en GPT-4.
• Evaluación de resultados: Se midió la calidad de las soluciones propuestas, la capacidad de los participantes para superar barreras funcionales y sus respuestas emocionales al trabajo con IA.

Y el modelo de regresión que lo soporta se orienta a estimar el efecto causal de la adopción de IA y la configuración de los equipos en diversas métricas de desempeño:

Yi=β0+β1TeamNoAIi+β2AloneAIi+β3TeamAIi+γControlsi+δFEi+ϵiYi = β0 + β1TeamNoAIi + β2AloneAIi + β3TeamAIi + γControlsi + δFEi + ϵi

Donde:

• Yi representa las variables de resultado analizadas, como calidad del trabajo, intercambio de conocimientos y colaboración.
• TeamNoAIi, AloneAIi y TeamAIi son las variables de tratamiento que indican si el participante trabajó en equipo sin IA, solo con IA o en equipo con IA.
• Controlsi incluye características demográficas y profesionales de los participantes.
• FEi representa efectos fijos por unidad de negocio y fecha de participación.

La variable principal es Quality, que mide la calidad de las soluciones en una escala de 1 a 10, evaluada por expertos en negocios y tecnología. También se recopilaron datos sobre la novedad, viabilidad e impacto de las soluciones como medidas de robustez.

Además, se estimaron tres versiones del modelo:

1. Modelo 1: Solo incluye las variables de tratamiento.
2. Modelo 2: Agrega efectos fijos por unidad de negocio y fecha.
3. Modelo 3: Incorpora controles adicionales como nivel de experiencia, género y uso previo de IA.

Finalmente, además de comparar cada grupo con la categoría base (individuos sin IA), el ejercicio exploró diferencias entre los grupos experimentales:

• Equipos con IA vs. Equipos sin IA: Para evaluar si la IA mejora la colaboración en equipos ya establecidos.
• Individuos con IA vs. Equipos con IA: Para entender la complementariedad entre IA y trabajo en equipo, evaluando si aquélla IA podía compensar la falta de interacción humana en el trabajo individual.

Hallazgos clave

1. La IA puede replicar los beneficios del trabajo en equipo y contribuir a reconfigurar su dinámica: Los individuos que trabajaron con IA lograron resultados comparables a los equipos de dos personas sin IA, lo cual sugiere no sólo que la IA puede replicar ciertos beneficios de la colaboración humana, sino que las empresas podrían aprovechar esta condiciónpara  cambiar la forma en que organizan sus equipos.
2. Aporta mayor calidad y velocidad: Los equipos que utilizaron IA mejoraron su rendimiento en un 39%, generando soluciones más detalladas y de mayor calidad.
3. Contribuye a reducir las barreras funcionales: Sin IA, los expertos en tecnología tendían a enfocarse en soluciones técnicas, mientras que los expertos en ventas priorizaban el mercado. Con IA, ambos grupos generaron propuestas más equilibradas, ayudando a los profesionales de R&D a generar ideas comerciales y viceversa, y contribuyendo a superar barreras funcionales entre ambos departamentos.
4. Tiene un impacto emocional positivo: Los participantes reportaron emociones más positivas al trabajar con IA, de manera similar a la experiencia de colaboración humana, a la vez que constataron una reducción significativa de la ansiedad y la frustración.
5. Optimiza el trabajo en equipo: La IA permitió a los empleados con menos experiencia alcanzar el nivel de rendimiento de sus colegas más experimentados.
6. Democratiza el conocimiento: La IA facilita el acceso a información y habilidades que antes requerían colaboración humana, reduciendo la dependencia de expertos específicos.
7. Aporta nuevas métricas de gestión: Las empresas deberán desarrollar indicadores para medir la interacción entre humanos y agentes de IA, asegurando un equilibrio óptimo entre supervisión y automatización.