Lo que la historia de Lean puede enseñarnos sobre la adopción de la IA

Las capacidades de los modelos de IA avanzan rápidamente, pero su adopción en organizaciones consolidadas avanza con mucha mayor lentitud. En retrospectiva, no creo que esto sea una gran sorpresa.

Los debates técnicos en los medios suelen centrarse en lo que hará la próxima generación de modelos. No me cabe duda de que los modelos seguirán mejorando y que las herramientas serán más fáciles de usar. Sin embargo, las organizaciones aún deben decidir cómo se utilizará la tecnología. Esto implica capacitar al personal, rediseñar el trabajo, conectar sistemas, establecer permisos, gestionar riesgos y coordinar cambios entre distintas áreas funcionales. Según mi experiencia, nada de esto sucede automáticamente.

No es la primera vez que las organizaciones se enfrentan a una brecha entre un nuevo método poderoso y su capacidad para asimilarlo. La semana pasada reflexioné sobre la situación actual a la luz de más de un siglo de gestión científica y prácticas de mejora Lean. En mi opinión, tres preguntas destacan en cuanto a la adopción de la IA:

1. ¿dónde residirá la reflexión sobre el trabajo?
2. ¿por qué sigue siendo necesaria una profunda competencia técnica y de dominio para respaldar las prácticas visibles?
3. ¿cómo evolucionará la mejora desde las tareas individuales hacia los flujos de trabajo y, finalmente, hacia toda la empresa?

Mi conclusión es que los acontecimientos no avanzarán tan rápido como cabría pensar.

La gestión científica y la ubicación de la reflexión

Comencemos con una perspectiva histórica más amplia y consideremos la obra de Frederick Winslow Taylor a finales del siglo XIX y principios del XX. Su trabajo fue revolucionario en muchos aspectos. Intentó sustituir la costumbre, la intuición y las reglas empíricas por la observación y el análisis sistemáticos. Sus contribuciones reales fueron mucho más allá del simple uso de un cronómetro en el trabajo manual.

Taylor dedicó décadas a estudiar el corte de metales. Analizó la relación entre el material que se cortaba, la herramienta de corte, el tratamiento térmico, la geometría de la herramienta, la velocidad de corte, el avance, la profundidad de corte, la refrigeración, la potencia de la máquina y la vida útil de la herramienta. Sus experimentos contribuyeron al desarrollo de aceros para herramientas de alta velocidad y generaron conocimientos prácticos sobre velocidades y avances. Se trató de una aplicación sustancial del pensamiento científico a materiales físicos y maquinaria.[1]

Sin embargo, la contribución más conocida de Taylor fue el estudio sistemático del trabajo humano en la manufactura. Este trabajo tuvo un impacto organizativo diferente. Taylor transfirió explícitamente gran parte de la planificación del trabajo del operario a la dirección. Los departamentos de planificación desarrollaban métodos, establecían estándares de tiempo, seleccionaban herramientas y velocidades, y emitían instrucciones por escrito. Los trabajadores eran seleccionados y capacitados para realizar las tareas especificadas.

Ahora bien, para ser justos, Taylor también abogaba por la cooperación, la formación, una mejor instrucción a pie de fábrica, la responsabilidad compartida e incluso salarios más altos. Sin embargo, la división estructural permanecía clara: la dirección desarrollaba la ciencia y seleccionaba el método, mientras que el trabajador ejecutaba la tarea planificada.

La ingeniería industrial mantuvo parte de este patrón en la manufactura del siglo XX. Los ingenieros industriales solían estudiar métodos, medir el trabajo, establecer estándares laborales, equilibrar líneas de producción, diseñar la distribución de la planta y los sistemas de manipulación de materiales, además de apoyar la planificación de la producción y la reducción de costes en las actividades diarias.

En cambio, a partir de la década de 1950, Toyota optó por un enfoque organizativo diferente. Toyota cuenta, por supuesto, con ingenieros técnicos especializados en áreas concretas (abordaré su papel en la siguiente sección). No obstante, en el ámbito de las operaciones, Toyota decidió garantizar que las personas más cercanas al trabajo tuvieran un mayor grado de influencia en la planificación, ejecución y mejora de las tareas. Toyota formó a su plantilla en la observación del trabajo, la conciencia sobre tiempos y movimientos, la eliminación de desperdicios, el mapeo de procesos y otras técnicas básicas de mejora. La culminación más conocida de este enfoque se denomina trabajo estandarizado.

Es importante destacar que esta es una expresión práctica del respeto por las personas. Quien realiza el trabajo no es tratado únicamente como el ejecutor de un método diseñado por otra persona; el empleado tiene voz y voto en cómo se lleva a cabo el trabajo real.

Considero fundamental reconocer que la IA plantea la misma disyuntiva organizativa, pero con un conjunto de herramientas de análisis más reciente e igualmente potente. Una empresa puede concentrar la experiencia en IA en un grupo central que desarrolle agentes, analice el trabajo y luego indique a los demás cómo deben realizar sus tareas. Este enfoque puede generar algunas aplicaciones útiles, pero también recreará la antigua división entre pensar y ejecutar: los expertos piensan y el resto de la organización ejecuta. Mi predicción, basada en la historia de la metodología Lean, es que las empresas más exitosas a largo plazo permitirán a las personas utilizar la IA para analizar y mejorar su propio trabajo, manteniendo al mismo tiempo voz y voto sobre cómo se lleva a cabo.

Las herramientas visibles y el sistema técnico subyacente

El segundo paralelismo histórico sobre el que reflexioné se refiere a la verdadera profundidad técnica. La mayoría de las personas conocen la metodología Lean a través de elementos visibles en la planta de producción, como el trabajo estandarizado, el kaizen, los sistemas pull, el kanban, la organización del lugar de trabajo, los paneles visuales y las rutinas de resolución de problemas. Estas prácticas son importantes, pero por sí solas no explican el éxito de Toyota.

Por ejemplo, una visita de un día a la planta pone el énfasis en lo que los visitantes pueden ver: el movimiento de materiales, las señales andon, los gráficos de trabajo estandarizado y las reuniones de equipo. Estas prácticas pueden fotografiarse, enseñarse y copiarse. En cambio, las capacidades de Toyota en áreas como el desarrollo de productos, la ingeniería de producción, la coordinación de la cadena de suministro en todo el Grupo Toyota, el marketing, la investigación y el desarrollo, así como el Sistema de Producción Toyota en su conjunto, son menos visibles y requieren años —y a menudo millones de dólares— para desarrollarse. Gran parte de esa labor sigue sin comprenderse bien fuera de la empresa. Francamente, es simplemente más difícil de explicar; cuanto más específica es la materia, más técnica resulta y menos aplicable es para el público general.

Consideremos por un momento algo tan básico como un cigüeñal. Un motor de combustión interna genera procesos de combustión controlada en los que la temperatura máxima de los gases dentro del cilindro ronda los 2.000 °C. Las fuerzas resultantes se transmiten a través de los pistones y las bielas hasta un cigüeñal que gira a varios miles de revoluciones por minuto; al mismo tiempo, los muñones y otros elementos críticos deben fabricarse con tolerancias medidas en micras.

Por lo general, se requerían más de 300 pasos individuales para transformar una pieza forjada en bruto en un cigüeñal acabado. Las operaciones de eliminación de material están automatizadas. La intervención humana se centra principalmente en el cambio de herramientas, los controles de calidad, la limpieza de las máquinas, la resolución de problemas y tareas de apoyo relacionadas. La fabricación del componente exige controlar la composición química del acero, el forjado, el tratamiento térmico, el mecanizado de desbaste, los conductos de aceite, el endurecimiento, el rectificado, el pulido, la precisión dimensional, el acabado superficial, la resistencia a la fatiga y la medición de precisión. JTEKT, la empresa del Grupo Toyota que fabrica las rectificadoras de la marca, informó en 2019 que su pequeña rectificadora de cigüeñales con muelas de CBN (nitruro de boro cúbico) mantenía la redondez de la sección excéntrica del eje en 1 micra o menos y limita la variación dimensional a un máximo de 2 micras. Ese rendimiento requería maquinaria especializada, muelas abrasivas, rodamientos, sistemas de control, sistemas de medición, conocimientos del proceso y rutinas de mantenimiento específicas.[2]

Pasé la mayor parte de mi carrera en Toyota trabajando en la fabricación de motores en Japón, concretamente en la planta de motores de Kamigo. Por aquel entonces, considerábamos que se necesitaban unos siete años para adquirir competencia en estos fundamentos de ingeniería. El trabajo estandarizado, en cambio, se enseñaba en una sesión de formación de 10 horas. Ciertamente, el trabajo estandarizado del operario era importante, pero ninguna hoja de trabajo estandarizado podía determinar el material correcto, diseñar una rectificadora de cigüeñales, establecer las condiciones de un tratamiento térmico, definir una referencia y las cantidades de material a eliminar, diagnosticar un problema en el husillo o mantener la tolerancia de un muñón dentro de unos pocos micrómetros. No se trata de simples consideraciones de tiempos y movimientos humanos; son cálculos complejos de ingeniería mecánica, y dichas capacidades surgían de la colaboración entre distintas áreas técnicas de Toyota.

En Toyota, a este conjunto de documentación técnica lo llamamos estándares de trabajo, y no trabajo estandarizado. Los estándares más importantes para la fabricación de motores se desarrollan durante las actividades de ingeniería de preproducción, mediante un trabajo interdepartamental que involucra a desarrollo de producto, ingeniería de producción, proveedores de procesos, ingenieros de utillaje e ingenieros de fabricación de la planta. En las operaciones de tren motriz, el resultado de este trabajo son documentos altamente técnicos, como planos de operaciones, planos de disposición de utillaje, hojas de medición de calidad de precisión y tablas de precisión estática. Por ejemplo, cuando ayudé a poner en marcha la primera planta de mecanizado de motores de gran escala de Toyota en el extranjero, tuve que estandarizar unos 20 tipos de documentación específica para cada máquina. Sus nombres no le resultarían familiares, y ninguno es tan básico como el de trabajo estandarizado. Lo que quiero decir es que el conocimiento especializado que sustenta el TPS a menudo permanece oculto debido a su complejidad técnica, algo que ocurre en todos los departamentos funcionales de la empresa.

Además, parte de esa profundidad técnica crítica se extiende a todo el Grupo Toyota. Toyoda Machine Works, por ejemplo, surgió cuando Toyota Motor Corporation separó su división de máquinas-herramienta en 1941. Más tarde, en 2006, pasó a llamarse JTEKT; hoy en día, esta empresa sigue fabricando equipos especializados para el rectificado de cigüeñales y árboles de levas, así como otros tipos de maquinaria especializada. Del mismo modo, Denso —el mayor proveedor de componentes de Toyota— posee una gran capacidad en sistemas de control del tren motriz, inyección de combustible, sensores, encendido y electrónica asociada. Se trata de empresas independientes con clientes más allá de Toyota, pero su historia y sus capacidades forman parte de la base técnica que respalda a la compañía.[3]

El resultado no es simplemente una línea de producción estable; a menudo, se trata de un logro tecnológico en el propio producto. Por ejemplo, a finales de 2016, Toyota anunció el nuevo motor *Dynamic Force* de 2,5 litros basado en la arquitectura TNGA, cuya implementación comenzó en 2017. Toyota informó de una eficiencia térmica máxima del 40% para la versión convencional y del 41% para la híbrida.[4] En aquel momento, Toyota describió estas cifras como líderes mundiales en eficiencia térmica.

El kanban, el trabajo estandarizado y el kaizen a nivel de planta contribuyeron a producir el motor de manera fiable y a gran escala. Sin embargo, no fueron estos elementos los que crearon la ciencia de la combustión subyacente ni las tecnologías de producto y proceso. Alcanzar tal eficiencia requirió mejoras en la combustión de alta velocidad, el diseño del flujo de admisión, la inyección directa, la tecnología de asientos de válvulas, el control variable, la refrigeración, la reducción de la fricción y la disminución de las pérdidas por bombeo y escape. El motor, a su vez, formaba parte de un sistema vehicular más amplio; su fabricación exigía procesos y equipos capaces de transformar el diseño en miles de piezas fiables. Toyota detalló este avance en conferencias técnicas y diversas publicaciones especializadas. No obstante, el ámbito del Lean generalmente no muestra mucho interés por este tipo de mejoras; son demasiado específicas de un campo concreto para que la mayoría de las personas las comprendan.

La IA presenta un problema similar en cuanto a su estructura tecnológica. La capa accesible incluye chats, ingeniería de prompts, generación de imágenes, análisis de documentos y automatización de tareas sencillas. Estas herramientas permiten a casi cualquier persona obtener resultados útiles con rapidez, y dicha accesibilidad representa un avance real. Yo equiparo estos elementos a los aspectos más visibles del TPS, como el trabajo estandarizado, el kanban, el andon y las 5S.

Sin embargo, desarrollar aplicaciones fiables para la pila tecnológica de IA más profunda de la organización requiere ingeniería de software, arquitectura de datos, selección de modelos, diseño de contexto, evaluación, ciberseguridad, gestión de permisos, infraestructura, integración, monitorización y conocimientos del dominio. Estas competencias son más difíciles de desarrollar y menos visibles para la mayoría de las partes interesadas.

No pretendo decir que la IA deba permanecer exclusivamente en manos de especialistas técnicos; eso repetiría la división entre pensamiento y ejecución descrita en el primer paralelismo histórico. Mi argumento principal es que el simple hecho de ofrecer acceso a una interfaz de chat no genera una capacidad de IA empresarial. Las empresas que triunfen a largo plazo deberán desarrollar capacidades en toda su pila tecnológica.

Adopción a nivel de tarea, flujo y empresa

El tercer paralelismo histórico que he analizado se refiere a la escala. Las mejoras se vuelven más complejas a medida que trascienden los límites entre personas, procesos, sistemas y funciones.

Por lo general, la metodología Lean se adoptaba inicialmente mediante prácticas muy localizadas. Las personas y los equipos organizaban sus espacios de trabajo, documentaban procedimientos estandarizados, implementaban controles visuales y aplicaban kaizen a tareas específicas. Podían visualizar el trabajo e influir en su entorno inmediato. Aunque estos avances eran importantes, no conectaban automáticamente la planificación de la producción, las compras, los proveedores, la logística, la calidad, la ingeniería, el mantenimiento y otras funciones. Eso requería una coordinación y planificación de gestión adicionales.

La adopción de la IA en las organizaciones sigue una trayectoria similar. Una persona puede interactuar con un modelo mediante prompts, analizar material específico de un puesto, crear instrucciones reutilizables para un agente de IA (un archivo SKILL.md), resumir documentos, redactar comunicaciones, generar imágenes o automatizar una tarea acotada sin necesidad de rediseñar la organización circundante. Esto puede generar beneficios reales, pero a menudo resulta difícil agregar estos ejemplos aislados. Acelerar el trabajo en un punto concreto no garantiza un rendimiento global sincronizado con el takt time. Incluso a nivel de tarea, la organización debe decidir a qué datos puede acceder el sistema, qué acciones puede ejecutar, cómo se gestionan las excepciones, quién aprueba el resultado, cómo se detectan los errores y quién asume la responsabilidad final. La integración técnica y la capacidad organizativa son inseparables.

El nivel empresarial presenta, asimismo, mayores dificultades. Una empresa automotriz, por ejemplo, debe coordinar los mercados, la estrategia de producto, la investigación y el desarrollo, el desarrollo de productos, la ingeniería de producción, las compras, los proveedores, la fabricación, la distribución, las ventas, las finanzas, los recursos humanos y la dirección general. Un hospital, un minorista, un banco o una empresa de logística tienen un conjunto de funciones diferente, pero el problema de coordinación persiste.

A este nivel, cada función tiene sus propios objetivos, conocimientos especializados, métricas establecidas y autoridad sobre una parte del sistema. La mejora de negocio requiere que dichas funciones tomen decisiones compatibles entre sí a lo largo de distintos horizontes temporales. Una decisión sobre el producto puede modificar los requisitos de ingeniería. Una decisión de compra puede afectar a la calidad y a los plazos de entrega. Una decisión sobre métricas financieras puede alterar el comportamiento de la dirección. Una aplicación local de IA puede mejorar una decisión concreta, pero al mismo tiempo trasladar costes, riesgos o carga de trabajo a otra función. Por tanto, la coordinación forma parte del problema técnico, y no es simplemente un detalle administrativo que se añade una vez que la herramienta ya funciona.

La investigación original sobre Lean realizada por James P. Womack, Daniel T. Jones y Daniel Roos abordaba este enfoque más amplio. La máquina que cambió el mundo trataba sobre el diseño del automóvil, la coordinación de la cadena de suministro, el funcionamiento de la fábrica, la relación con los clientes y la gestión de la empresa. Sin embargo, como lamentaba a menudo el profesor Womack, los lectores solían recordarlo principalmente como una historia sobre fábricas, a pesar de que el capítulo dedicado a la fábrica ocupaba apenas 30 de las aproximadamente 270 páginas de la obra. Prácticas visibles como el kanban, el trabajo estandarizado, el mapeo del flujo de valor y los eventos kaizen acabaron dominando su adopción, mientras que el planteamiento empresarial más amplio recibió menos atención.[5]

Esta es mi advertencia más importante respecto a la adopción de la IA en las empresas: centrarse únicamente en lo que resulta fácil y visible de implementar no generará los mayores beneficios organizativos. Es posible desarrollar rápidamente —mediante técnicas de programación intuitiva o asistida— una aplicación de trabajo estandarizado, un sistema de instrucciones para cambios de ingeniería o un nuevo sistema de evaluación de proveedores. Pero eso no garantiza la coordinación empresarial ni una mejora a nivel de sistema. La actualización de un sistema ERP, por ejemplo, no mejora automáticamente el trabajo subyacente que dicho sistema respalda.

A escala empresarial, la IA debe conectarse al software, los datos, los permisos y las responsabilidades acumulados. Una aplicación aparentemente simple puede necesitar leer desde un sistema de planificación de recursos empresariales, recuperar el documento autorizado, respetar los controles de acceso, escribir en otra aplicación, conservar un registro de auditoría y notificar a la persona responsable de la próxima decisión. Cada conexión requiere decisiones sobre acceso, responsabilidad, control y falla aceptable. El modelo puede realizar bien su paso cognitivo mientras la aplicación falla porque los datos están incompletos, las interfaces son frágiles o la responsabilidad de las excepciones no está clara.

Las organizaciones establecidas generalmente agregan IA a los sistemas y responsabilidades que ya existen, a menudo a través de funciones del software existente. Por lo tanto, el uso individual ascendente se extenderá más rápido que la mejora entre los flujos, y las aplicaciones a nivel de flujo más rápido que el rediseño empresarial. Algunas organizaciones desarrollarán modelos operativos nativos de IA, pero la mayoría agregará herramientas útiles mientras persista el problema de coordinación más amplio.

Pensamientos finales

Desafortunadamente, la historia de mejoras no proporciona una fórmula para implementar la IA. Sin embargo, ofrece varias advertencias y ayuda a explicar por qué la adopción probablemente sea más lenta y más deliberada de lo que suelen afirmar los titulares.

Primero, decida dónde debería residir el pensamiento sobre mejoras laborales. Un grupo central de IA debería desarrollar profundidad técnica y capacidades comunes en toda la organización. Sin embargo, debe hacerlo sin asumir la responsabilidad de mejora de las personas que entienden y realizan el trabajo.

En segundo lugar, asegúrese de desarrollar juntos la inteligencia artificial y la experiencia en el dominio. El acceso a la IA no reemplaza el software, los datos, la ingeniería, la seguridad, la evaluación o el conocimiento técnico que se posee en todas las funciones empresariales. No diseña automáticamente un mejor producto o proceso. Le brinda una herramienta de análisis más grande y mejor.

En tercer lugar, haga coincidir el alcance de la mejora con la oportunidad. Los cambios a nivel de tarea son más fáciles, pero sus beneficios son limitados. Por el contrario, el rediseño empresarial y de extremo a extremo es más difícil porque abarca sistemas, funciones y responsabilidades. Sus recompensas potenciales también son mayores porque pueden eliminar traspasos, retrasos y desperdicios que las mejoras de tareas aisladas no pueden lograr.

Por último, sugiero utilizar métricas bien fundamentadas que reflejen el desempeño real del trabajo. El número de licencias, prompts, demostraciones, tokens consumidos y agentes dice poco sobre si la organización está generando más valor, resolviendo problemas con mayor eficacia o desarrollando a su personal. La IA es poderosa, pero si no se aplica con criterio, también puede automatizar el desperdicio y generar un trabajo de menor calidad a mayor velocidad y escala.

La historia de la metodología Lean ofrece contexto sobre por qué las organizaciones adoptan nuevas tecnologías más lentamente de lo que estas evolucionan. Las organizaciones asimilan nuevas capacidades a través de su personal, conocimientos, sistemas y prácticas de gestión existentes. Por tanto, el ritmo de adopción de la IA dependerá de algo más que la velocidad a la que mejoran los modelos de última generación; dependerá de la rapidez con la que las organizaciones aprendan a rediseñar el trabajo y a desarrollar las personas y los sistemas necesarios para utilizar estas tecnologías eficazmente.

[1] Frederick Winslow Taylor, "The Principles of Scientific Management" (1911), Project Gutenberg; Frederick W. Taylor y Maunsel White, patente estadounidense n.º 668.270, «Process of Treating Tool-Steel» (1901), Google Patents.
[2]«GF16S-25 CBN Small Crankshaft Grinder», *JTEKT Engineering Journal*, edición en inglés n.º 1016E (2019): 94–95, JTEKT.
[3] JTEKT Corporation, historia corporativa y línea de productos de rectificadoras; Denso Corporation, Powertrain Control Products (2015); Toyota Motor Corporation, formulario 20-F del año fiscal 2015.
[4] Toyota Motor Corporation, Toyota Develops TNGA-based Powertrain Units (6 de diciembre de 2016) y Toyota Unveils Completely Redesigned Camry (10 de julio de 2017), Toyota Global Newsroom. James P. Womack, Daniel T. Jones y Daniel [5] Roos, "The Machine That Changed the World" (1990; Free Press, 2007); Jim Womack, The Second P in LPPD, Lean Enterprise Institute, 11 de septiembre de 2020.