¿Sabe cómo sus equipos hacen el trabajo?

En un estudio de investigación realizado en cuatro empresas de la lista Fortune 500, cuando se preguntó a los directivos por el trabajo de sus equipos, en promedio no sabían o no podían recordar el 60% del trabajo que realizan sus equipos. Este es un problema importante porque puede llevar a objetivos de transformación digital poco realistas y a una mala asignación de los recursos. Pero en el mismo estudio, las herramientas de aprendizaje automático pudieron cerrar la brecha entre la intuición del gerente y la realidad. El estudio mostró que el empleo de algoritmos de aprendizaje automático redujo la brecha media de memoria laboral del 60 al 24%. Los directivos deberían implementar estas herramientas de aprendizaje automático, pero tomar medidas para garantizar que los empleados no se sientan vigilados: pueden anonimizar y agregar datos y comunicarse abiertamente con los empleados sobre lo que miden y lo que esperan lograr.

••• ¿Cuánto saben los directivos sobre cómo funcionan sus equipos? Hace poco realizamos un estudio de investigación en el que participaron 14 equipos compuestos por 283 empleados en cuatro empresas de la lista Fortune 500. Cuando se les preguntó a los directivos sobre el trabajo de sus equipos, de media no sabían o no podían recordar el 60% del trabajo que realizan sus equipos. En un caso extremo, un director de nuestro estudio solo podría describir el 4% del trabajo de su equipo. El coste de que los directivos no sepan que existe esta brecha puede ser elevado, incluso en equipos de tan solo cinco miembros, y por lo tanto se aplica a cualquier empresa, grande o pequeña. Los directivos y los principales responsables de la toma de decisiones de todos los niveles establecen objetivos de transformación digital sin entender lo suficiente cómo sus equipos hacen el trabajo ni cuáles son los puntos débiles. Por lo general, recurren a basarse en conjeturas para decidir qué inversiones ayudarán a sus equipos. En consecuencia, subestiman sistemáticamente la productividad de los empleados o asignan mal los recursos y las inversiones en tecnología, como la automatización. La COVID-19 y la transición al trabajo digital remoto no han hecho más que dificultar que los directivos entiendan cómo trabajan sus equipos. Pero nuestro estudio también mostró que el problema se puede solucionar con algoritmos de aprendizaje automático (ML) para aprender de la forma en que los equipos utilizan la tecnología para hacer su trabajo, siempre y cuando se establezcan medidas de seguridad para proteger la privacidad de los empleados. ## **Lo que encontramos** En el estudio, hicimos que los gerentes enseñaran a un sistema de software los procesos que pensaban que ocupaban la mayor parte del tiempo de sus equipos. Mediante una interfaz similar a la que utilizan las personas cuando etiquetan fotos suyas en Facebook, los directores ejecutaban muestras de cada proceso en sus máquinas de la manera en que esperaban que sus equipos hicieran el trabajo. A continuación, etiquetaron estos procesos en categorías como «gestión de pedidos», «procesos de contabilidad» y «operaciones de la cadena de suministro». No había límite en el número de procesos que un gerente podía enseñar al sistema. Los directivos se basaron en su intuición, juicio y experiencia para preseleccionar y enseñar los procesos que, según ellos, ocupaban la mayor parte de los esfuerzos de sus equipos. Estos datos se recopilaron en un «gráfico de trabajo», un mapa de cómo estos equipos realizan el trabajo. Mediante los procesos enseñados por el director, nuestros algoritmos de aprendizaje automático intentaron encontrar patrones de trabajo similares que realizaban los miembros del equipo. Luego medimos la fracción del día de cada equipo en la que los miembros del equipo demostraron patrones similares de los procesos enseñados. Se trata, en esencia, de una medida de hasta qué punto la intuición del gerente tiene en cuenta el trabajo diario del equipo. Un aspecto clave de estos estudios era mantener la privacidad de los usuarios: nos aseguramos de que todas las herramientas y la recopilación de datos anonimizaran al usuario final, agregaran los datos a un equipo y proporcionábamos a los equipos las herramientas para definir y filtrar la información confidencial de identificación personal. Todos los análisis se realizaron únicamente a nivel de equipo agregado, sin identificar a ninguna persona. Suponimos que, en un escenario ideal, el entrenador debería poder realizar al menos el 80% del trabajo diario de sus equipos. Basamos ese umbral nominal en una encuesta que realizamos entre los directivos, en la que les pedimos que valoraran qué parte del trabajo diario de sus equipos esperaban entender. Definimos el _brecha de recuerdo laboral_ como la fracción del trabajo diario del equipo que un gerente no podría gestionar, suponiendo un límite del 80%. Esto también es una medida por la falta de exhaustividad en la comprensión del gerente sobre el trabajo que su equipo realiza a diario. Descubrimos una brecha considerable en la memoria laboral en los 14 equipos (para sorpresa de sus gerentes) en funciones que iban desde las operaciones de la cadena de suministro, la gestión de proyectos, las interacciones con los clientes, la gestión de datos maestros, las finanzas y la contabilidad y los recursos humanos.  [Ver más gráficos de HBR en Datos y imágenes](https://www.hbr.org/data-visuals) Un ejemplo ayuda a ilustrar los problemas específicos que descubrió nuestro estudio: en una empresa, el equipo de la cadena de suministro se enfrentaba constantemente a quejas de los empleados por una mala implementación de la planificación de los recursos empresariales (ERP). Aunque técnicamente era correcta y suficiente, la implementación carecía de varias funciones para procesar los datos. Como resultado, para las transacciones comunes, los empleados se vieron obligados a dedicar tiempo a copiar los datos del sistema ERP a Excel, a crear tablas dinámicas y a iterar los datos. Cuando por fin tuvieron respuestas, volvieron a copiar los datos en el sistema ERP. Cuando este esfuerzo adicional se sumó a varias transacciones, representó una gran parte del trabajo mensual del equipo. Todos los miembros del equipo sabían que se trataba de un problema hasta cierto punto; sentían la fricción todos los días, pero nadie entendió lo grave que estaba la situación hasta que les ayudamos a medir la brecha de subestimación de su entrenador. ## **¿Qué pueden hacer los líderes?** La buena noticia es que nuestro estudio demostró que la brecha entre la memoria laboral se puede cerrar con el uso del aprendizaje automático (ML). En el estudio, empleamos una clase de algoritmos de aprendizaje automático que no requerían _cualquier_ información de la dirección para detectar los patrones de trabajo de los equipos. Excluimos los patrones que se superponían con los patrones descritos por el entrenador y, a continuación, medimos la fracción incremental del día de un equipo que podía explicarse utilizando los patrones detectados íntegramente por los algoritmos de aprendizaje automático y sin intervención humana. En resumen, estos algoritmos de aprendizaje automático encuentran ráfagas breves de actividades repetidas en los patrones de trabajo de un equipo. Luego, combinan las actividades que se repiten con más frecuencia para formar una cadena de actividades más larga. Y repita este proceso hasta que no puedan combinar más actividades. En nuestro estudio, descubrimos que el empleo de algoritmos de aprendizaje automático redujo la brecha media de memoria del trabajo del 60 al 24%. En el equipo en el que los procesos descritos por el gerente representaban solo el 4% del trabajo diario del equipo, los algoritmos de aprendizaje automático podían representar un 48% adicional del trabajo diario del equipo en actividades productivas (se redujo la brecha del 76 al 28%) . * En términos generales, a los algoritmos les fue mejor que a los gerentes en nuestro estudio por dos razones. En primer lugar, los directivos tenían una visión anticuada o incompleta de los patrones de trabajo de su equipo. Los algoritmos de aprendizaje automático, por el contrario, podrían encontrar patrones sin basarse en intuiciones preexistentes sobre el trabajo que se está realizando. En segundo lugar, los algoritmos de aprendizaje automático pueden dar cuenta de forma escalable de multitud de formas en las que se realiza el mismo trabajo. Vimos casos en los que el director solía dar algunos ejemplos de cómo pensaba que debía realizarse el trabajo, pero el equipo ejecutaba el mismo trabajo de una manera diferente a la que el director esperaba. Por ejemplo, al realizar una conciliación comercial, varios miembros experimentados de un equipo encontraron vías más cortas para lograr la conciliación y, por lo tanto, se desviaron de los procedimientos operativos estándar prescritos. ******* Sin el uso de herramientas de aprendizaje automático para compensar, es probable que las brechas de los directivos a la hora de recordar el trabajo básico de sus equipos no hagan más que aumentar en el futuro, dada la tendencia hacia el trabajo remoto. Y sin intervención, es probable que los directivos no sepan lo que no saben. En nuestro estudio, los directivos se sorprendían de forma rutinaria cuando les revelábamos nuestros resultados. El futuro de _cualquier_ el entorno de trabajo, no solo los entornos de trabajo remotos, depende, por lo tanto, de equipar a los gerentes con nuevas herramientas y técnicas para entender y gestionar sus equipos de manera más eficaz. El uso de estas herramientas requerirá estándares de privacidad abiertos y coherentes, como el anonimato de los usuarios, la agregación de datos y una comunicación coherente por parte de los líderes, de modo que los empleados entiendan sus intenciones. Todo nuestro estudio se centró únicamente en los equipos y no permitió identificar a ninguna persona. Nuestro consejo para cambiar a los líderes y directivos es que traten la experiencia de su equipo en el trabajo como datos. Es probable que estos datos revelen lo que aflige a sus equipos y lo que, siendo realistas, es posible con las inversiones en la transformación digital y otras iniciativas nuevas. Entonces, todos los cambios con los directivos mejor intencionados serán mensurables. Por el contrario, a falta de esos datos, los objetivos de arriba hacia abajo se fijan sin que se conozcan los hechos y los equipos no tienen más remedio que apuntarse a los planes sin entender sus implicaciones, lo que genera una enorme presión sobre los equipos. Esperamos que, si los directivos entienden mejor las características específicas del trabajo de sus equipos, se fijen objetivos más realistas y ayuden a sus equipos a ser más productivos. * _Nota del editor: Hemos actualizado el texto para corregir las cifras que indican en qué medida se redujo la brecha media de memoria laboral con los algoritmos de aprendizaje automático. La brecha se redujo del 76 al 28%._