Cómo usar IA para identificar el trabajo que no debería existir en tu empresa y eliminarlo
En la mayoría de empresas hay trabajo que no debería existir. No porque las personas que lo hacen sean incompetentes o perezosas, sino porque ese trabajo se creó en otro momento para otro contexto y nunca nadie se detuvo a preguntar si seguía siendo necesario. Informes que se generan semanalmente y que solo leen dos personas que dicen necesitarlos pero que en realidad no toman ninguna decisión basada en ellos. Reuniones de seguimiento heredadas de cuando el equipo era la mitad y la coordinación era más difícil. Procesos de validación que se crearon para evitar un error que ocurrió una vez hace cuatro años y que desde entonces no han vuelto a ocurrir. Automatizar ese trabajo no es eficiencia: es institucionalizar el desperdicio.
El debate sobre IA en empresa suele girar en torno a qué automatizar, cómo automatizar y con qué herramienta. Ese es un debate útil pero que parte de una premisa que nadie cuestiona: que el trabajo que existe merece ser automatizado. La pregunta previa es si merece existir. Y esa pregunta, respondida con datos en lugar de con opiniones, es donde la IA puede generar más valor antes de invertir un euro en ningún proyecto de automatización.
Por qué el trabajo inútil es tan difícil de ver desde dentro
El trabajo que no aporta valor tiene una propiedad notable: es casi invisible para las personas que lo hacen. No porque esas personas no sean inteligentes, sino porque llevan tiempo haciéndolo, porque hay cierta inercencia organizativa que lo justifica y porque cuestionar el trabajo propio o el de un colega tiene un coste social que la mayoría prefiere evitar.
Hay tres mecanismos que hacen que el trabajo inútil se perpetúe. El primero es la herencia: cuando alguien deja la empresa o cambia de rol, las tareas que tenía asignadas suelen transferirse sin revisión a otra persona o quedar en un limbo donde nadie las reclama pero tampoco nadie las elimina formalmente. El segundo es la precaución: cuando algo sale mal, la respuesta organizativa habitual es añadir un paso de control o un proceso de validación. Con el tiempo, esos pasos se acumulan y el error original que los justificaba ha quedado tan atrás que nadie recuerda por qué está ese paso en el proceso. El tercero es la comodidad: hay trabajo que se sigue haciendo porque siempre se ha hecho así y porque cambiar requiere energía que se prefiere invertir en otro sitio.
El resultado es que en una empresa de cincuenta personas puede haber fácilmente entre el quince y el veinticinco por ciento del tiempo dedicado a trabajo que no genera ningún valor reconocible para ningún cliente ni para ninguna decisión relevante de la empresa. Ese porcentaje no es una cifra que nadie diga en voz alta, pero emerge cuando se hace el ejercicio sistemático de mapear qué hace cada persona y para qué sirve lo que produce.
Qué puede hacer la IA que el análisis manual no hace
El problema de identificar el trabajo inútil con métodos convencionales es que requiere dos condiciones que rara vez se dan al mismo tiempo: alguien con suficiente autoridad para preguntar sin que la pregunta se interprete como una amenaza, y suficiente tiempo para analizar el trabajo de toda la organización con la profundidad necesaria para distinguir lo que aporta de lo que no aporta.
La IA cambia esa ecuación de dos formas. La primera es la velocidad de análisis. Un sistema de IA puede procesar en horas la descripción detallada del trabajo de un equipo de veinte personas, identificar los patrones de duplicación, mapear qué outputs produce cada proceso y quién los consume, y generar una lista priorizada de candidatos a eliminar o reducir. Ese análisis manual tomaría semanas de entrevistas, observación y síntesis que pocos directivos tienen tiempo de hacer mientras gestionan el negocio.
La segunda es la neutralidad. Cuando la identificación de trabajo inútil la hace un consultor externo o un directivo interno, hay dinámicas de poder y de relación que distorsionan el resultado. El consultor no quiere señalar el trabajo del equipo que tiene más influencia en la decisión de renovar el contrato. El directivo no quiere señalar el trabajo de las personas con las que se lleva mejor. Un sistema de IA analiza con los mismos criterios el trabajo del equipo de administración que el del equipo comercial, sin que le importe el organigrama ni las relaciones interpersonales.
Cómo hacer el diagnóstico en la práctica
El punto de partida es recopilar información real sobre cómo se emplea el tiempo en la organización. No la descripción de los puestos ni el organigrama, que es cómo debería funcionar la empresa. La información real de cómo funciona efectivamente: qué reuniones se celebran, con qué frecuencia y quién asiste; qué informes se generan, con qué periodicidad y quién los recibe; qué procesos de aprobación existen para qué tipos de decisiones; y qué tareas recurrentes realiza cada persona en una semana tipo.
Esa información puede recopilarse de formas distintas según la organización. En algunas empresas hay suficiente trazabilidad en las herramientas de gestión (calendarios, sistemas de tickets, plataformas de proyectos) para extraerla directamente. En otras hay que hacer un ejercicio estructurado de recogida de información, con un cuestionario específico para cada rol que pregunte no solo qué hace sino para qué sirve lo que produce y quién lo usa. La calidad del diagnóstico depende de la calidad de esa información de partida. Un mapa incompleto produce un análisis incompleto.
Con esa información recogida, el sistema de IA puede hacer cuatro cosas que juntas producen el diagnóstico relevante. Primero, identificar duplicaciones: trabajo que produce outputs similares en diferentes partes de la organización sin que haya una razón clara para que existan en paralelo. Segundo, detectar orfandad: outputs que nadie consume, informes que nadie lee, análisis que no alimentan ninguna decisión. Tercero, mapear la cadena de valor: para cada proceso, trazar quién lo inicia, quién lo ejecuta, quién lo recibe y qué hace con él, para identificar dónde la cadena se rompe o termina sin impacto. Cuarto, priorizar por volumen de tiempo: calculando cuánto tiempo total consume cada proceso recurrente y ordenando los candidatos a eliminar por impacto potencial.
El resultado de ese análisis no es una decisión: es una lista de hipótesis. Hipótesis sobre qué trabajo podría eliminarse, reducirse o consolidarse, con la justificación de por qué se sospecha que no aporta valor y con los datos de cuánto tiempo liberaría su eliminación. Cada hipótesis requiere una validación humana antes de actuar, porque hay trabajo que parece inútil desde fuera y tiene una razón de ser que no es obvia en el análisis inicial.
Las tres categorías de trabajo que aparecen en casi todas las empresas
Cuando se hace este análisis en organizaciones de diferente tamaño y sector, emergen sistemáticamente tres categorías de trabajo candidato a eliminación.
La primera son las reuniones que son informes. Reuniones de seguimiento semanales o quincenales donde el contenido es básicamente una actualización de estado que se podría consumir en cinco minutos leyendo un documento pero que ocupa una hora de seis personas porque siempre se ha hecho así. La IA puede identificar esas reuniones analizando los patrones de agenda, la frecuencia y el perfil de los asistentes. La solución no siempre es eliminarlas: a veces el valor real de la reunión es la coordinación informal que ocurre alrededor, no el contenido formal. Pero saberlo con datos permite tomar esa decisión conscientemente en lugar de por inercia.
La segunda son los informes que son archivos. Reportes periódicos que se generan con regularidad, se envían por correo o se suben a una carpeta compartida y se archivan sin que nadie los comente, cuestione o utilice para tomar una decisión diferente a la que habría tomado sin ellos. Detectar esos informes es sencillo si tienes acceso a los metadatos de apertura de archivos o a los registros de lecturas de correo. Si el informe mensual de ventas por región lleva seis meses sin que nadie lo abra más de veinte segundos, la hipótesis de que nadie lo lee y nadie lo necesita merece ser explorada antes de seguir invirtiéndole tiempo.
La tercera son los procesos de aprobación redundantes. En muchas empresas, el proceso de aprobación de un gasto, de una contratación o de una propuesta comercial implica la firma o el visto bueno de personas que en la práctica siempre aprueban lo que les llega porque confían en el criterio del nivel anterior. Eso no significa que los controles no sean necesarios: significa que el nivel de granularidad o el número de niveles puede no estar calibrado con el riesgo real de las decisiones que se aprueban. La IA puede analizar el historial de aprobaciones para identificar qué porcentaje de solicitudes se aprueba sin modificaciones, qué tipos de solicitudes generan más fricciones reales y dónde el proceso de aprobación está añadiendo tiempo sin añadir criterio.
Qué hacer con lo que encuentras
El diagnóstico produce un mapa de candidatos a eliminar. El paso siguiente no es eliminar directamente sino hacer el análisis de consecuencias: qué pasa si esto deja de existir, quién lo nota, qué riesgo real existe y si hay una versión reducida que preserve el valor real sin el trabajo que no aporta.
La forma más eficaz de validar si algo se puede eliminar es dejar de hacerlo temporalmente. No comunicarlo, no anunciarlo como un experimento: simplemente dejar de producirlo durante cuatro semanas y ver qué pasa. Si nadie pregunta por ello, la hipótesis de que no era necesario queda bastante confirmada. Si alguien pregunta, esa persona es la que puede explicar para qué sirve realmente, y esa conversación produce más información de calidad que cualquier entrevista estructurada.
Hay trabajo que no se puede eliminar silenciosamente porque tiene requisitos legales, contractuales o de auditoría que lo hacen obligatorio con independencia de si alguien lo usa o no. Esos casos hay que identificarlos al principio para no incluirlos como candidatos en el análisis. El resto es una conversación sobre opciones, no sobre obligaciones.
El objetivo final no es maximizar el tiempo eliminado ni reducir el headcount. Es que el tiempo que las personas de tu empresa dedican al trabajo esté generando valor reconocible, ya sea para un cliente, para una decisión o para el desarrollo del negocio. Automatizar primero y preguntarse si el trabajo debería existir después es el orden habitual en los proyectos de IA de empresa. Invertir ese orden, aunque sea una vez al año como ejercicio sistemático, puede liberar más capacidad que todos los proyectos de automatización juntos.