Equipos híbridos humano-IA: una mirada desde la teoría de sistemas
Cuando leo marcos de gestión para equipos de ingeniería, lo primero que pido son pruebas. No me basta con «esto funciona porque lo dicen profesionales con experiencia»: quiero saber qué decisión se apoya en qué base empírica o teórica. La mayoría de la literatura ágil no pasa esa prueba. Los principios son sensatos; la justificación, casi siempre a posteriori.
El paper reciente Management of organisations and teams with human and AI employees: A Systems-Theoretic Approach to the Honey Badger Framework (Fradelos, enero de 2026) hace justo lo contrario. Cada decisión de diseño se apoya en una base teórica concreta, con sus citas: teoría de la agencia, capacidades dinámicas, teoría de los stakeholders, economía conductual, economía de los costes de transacción, visión basada en los recursos. Es una lente útil aunque no adoptes el framework, porque obliga a hacerse la pregunta: ¿cuál es el mecanismo real por el que se supone que funciona una práctica concreta?
Merece la pena analizarlo, porque los equipos híbridos humano-IA siguen siendo lo bastante raros como para que la mayoría de las decisiones operativas se estén tomando por intuición. La intuición no es mala; la intuición con respaldo teórico tiende a fallar de forma menos sorprendente.
Seis pilares, cada uno con un mecanismo detrás
Quitada la marca, el HBMF — como la mayoría de los enfoques defendibles de gestión de equipos híbridos — se sostiene sobre seis fundamentos teóricos.
Teoría de la agencia
La teoría de la agencia describe el conflicto entre principales (propietarios/stakeholders) y agentes (trabajadores/managers) cuando sus incentivos divergen. En equipos híbridos el problema se vuelve más complejo: hay múltiples agentes, y uno de ellos es un asistente de IA cuyos «incentivos» son los que dicte la función de recompensa o el system prompt.
La respuesta del framework es centralizar la responsabilidad en el rol de Manager, con el Guru como contrapeso estructural con derecho de escalado al nivel directivo. El mecanismo es sencillo: separar los roles de forma explícita reduce la ambigüedad sobre quién es responsable de qué, y eso reduce la divergencia de incentivos.
La lección para cualquier equipo híbrido: la «agencia» de la IA es real aunque no sea autónoma. Si la IA produce trabajo que un humano valida con su firma, los incentivos de ese humano — y la fricción de firmar — condicionan lo que acaba en producción. Si no separas estructuralmente el rol que aprueba el trabajo del rol que responde de la entrega, acabas con aprobaciones automáticas, firmar sin mirar: la versión del problema de agencia en la era de la IA.
Capacidades dinámicas
La teoría de las capacidades dinámicas sostiene que la ventaja competitiva nace de la capacidad de reconfigurar recursos con rapidez ante los cambios del entorno. En equipos híbridos, para eso sirven los sprints cortos y cancelables: los lotes pequeños preservan el valor de las opciones reales, y la integración de la IA acelera la reconfiguración porque la IA asume tareas nuevas más rápido de lo que se recualifica a una persona.
El mecanismo: ciclo corto + flexibilidad de la IA = alta velocidad de reconfiguración. El riesgo es el de toda práctica de alta velocidad: puedes reconfigurar más rápido de lo que aprendes, y eso produce vaivén, no progreso. La respuesta del framework es la disciplina de dashboard: telemetría visible que detecta la reconfiguración que no está produciendo aprendizaje.
Teoría de los stakeholders
La teoría de los stakeholders explica por qué el ESG no es una capa de cumplimiento aparte en los marcos serios para equipos híbridos. El argumento: el éxito a largo plazo depende de alinearse con todos los stakeholders, incluidos el medio ambiente y el contexto social amplio, y resulta más fiable integrar esa alineación en el modelo operativo que añadirla a posteriori, cuando toca presentar informes.
En los equipos híbridos en particular, la huella energética de la IA es una cuestión ESG de primer orden. También lo es el efecto social de automatizar trabajo cognitivo que antes sostenía las carreras junior. Los marcos que no piensan en esto no son «ESG-neutros»: son ESG-implícitos, lo que casi siempre significa ESG-ciegos.
Economía conductual
Las declaraciones semanales obligatorias de lagunas de conocimiento son el nudge de economía conductual del framework. El mecanismo es explícito: declarar lo que no sabes reduce el coste social de admitirlo, eso reduce el acaparamiento de conocimiento y eso, a su vez, mejora el ritmo de aprendizaje entre equipos.
Es uno de los ejemplos más limpios del framework de un nudge conductual con un mecanismo detrás. La mayoría de las intervenciones de «seguridad psicológica» en la literatura de gestión son vagas en cuanto al mecanismo. Esta es concreta: una declaración semanal, pública y de bajo riesgo de una laguna reduce el coste marginal de admitirla durante el resto de la semana.
Economía de los costes de transacción
La economía de los costes de transacción explica por qué el framework especifica sus eventos con tanto detalle. Standups diarios, preparación del sprint, revisión del sprint, presentación a stakeholders: cada uno es un evento estructurado de flujo de información, con entradas y salidas definidas.
El mecanismo: los eventos estructurados reducen el coste de transacción del intercambio de información, tanto dentro del equipo como en su frontera. El riesgo es la inflación de reuniones: más eventos con más estructura pueden encarecer el intercambio de información en lugar de abaratarlo. La respuesta del framework es el time-boxing y la disciplina de dashboard: los eventos están acotados, y la mayor parte del flujo de información pasa por el dashboard, no por reuniones síncronas.
Para los equipos híbridos en concreto, el asistente de IA cambia el cálculo de costes de transacción: la síntesis rutinaria de información (resúmenes de fin de sprint, actualizaciones de estado, análisis de lagunas de conocimiento) puede asumirla la IA a un coste muy inferior al de humanos sintetizando esa misma información en reuniones. Bien hecha, es una mejora operativa de primer orden.
Visión basada en los recursos
La visión basada en los recursos sostiene que la ventaja competitiva viene de recursos únicos, inimitables y específicos de la organización. En equipos híbridos, el recurso inimitable no es el asistente de IA — eso es una commodity —, sino la integración de la IA en el flujo de trabajo concreto del equipo y el conocimiento institucional sobre qué problemas puede resolver la IA con fiabilidad y cuáles no.
Esto conecta con una observación práctica: el valor de la IA en un equipo se concentra de forma desproporcionada en la fase de integración. Dos equipos con las mismas herramientas de IA y el mismo talento producirán resultados radicalmente distintos según lo bien que la IA esté integrada en sus flujos de trabajo concretos.
Qué revela este framework sobre la gestión de equipos híbridos
Si nos alejamos del framework concreto, tres cosas quedan claras al mirar la gestión de equipos híbridos con la lente de la teoría de sistemas.
La IA es una variable de primera clase del sistema
En la mayoría de los marcos de gestión, la IA es implícita: una capa de productividad, no un componente del sistema. En cuanto la tratas como variable de primera clase, el comportamiento del sistema cambia. La fiabilidad de la IA pasa a ser una métrica de rendimiento del equipo. Su coste energético, una métrica de sostenibilidad. Sus modos de fallo, entradas de riesgo. Sus límites de acceso, entradas de gobernanza.
En esto la mayoría de la literatura de gestión todavía no se ha puesto al día. Los marcos diseñados para equipos cien por cien humanos producen predicciones sistemáticamente erróneas sobre el comportamiento de los equipos híbridos porque tratan la IA como una constante del entorno y no como un componente del sistema.
La gobernanza es la restricción vinculante
En los seis pilares teóricos, el riesgo que se repite es el fallo de gobernanza. Divergencia de agencia, reconfiguración sin aprendizaje, desalineación de stakeholders, acaparamiento cuando falla la seguridad psicológica, inflación de costes de transacción, integración sin captura institucional: todos aparecen cuando la gobernanza es débil.
Y coincide con lo que veo en la práctica. Los equipos híbridos que funcionan han invertido fuerte en gobernanza de proceso — no burocracia, sino mecanismos concretos, ligeros y de mucho apalancamiento: fronteras de rol claras, dashboards visibles, cadencias de auditoría obligatorias para el trabajo producido por IA. Los equipos que sufren tienen, casi siempre, lagunas de gobernanza en puntos concretos.
Los ciclos cortos habilitan, no sustituyen
El patrón de sprint cancelable de siete días es habilitador, no constituyente. Habilita la reconfiguración rápida, el aprendizaje rápido, la corrección de rumbo rápida. Por sí solo, no produce ninguna de las tres. Un equipo que corre sprints de siete días con bucles de feedback débiles, telemetría débil y gobernanza débil correrá más deprisa en la dirección equivocada.
Por eso los marcos centrados solo en la cadencia — «pásate a sprints de dos semanas», «pásate a sprints de una semana» — dan resultados inconsistentes. La cadencia es el habilitador. El mecanismo es el feedback y la gobernanza que esa cadencia hace asequibles.
Dónde se acaba la justificación
Una justificación desde la teoría de sistemas no convierte un framework en universalmente correcto. Tres límites honestos:
Justificación teórica no es validación empírica. Cada pilar tiene citas a la teoría, pero la integración de todos los pilares en un contexto organizativo concreto no equivale a la suma de las partes validadas. (Es la «falacia LEGO» que el propio paper de continuación del framework se toma en serio.)
El framework asume un asistente de IA con capacidad real. Si tu asistente de IA produce resultados poco fiables en el trabajo que se le asigna, los beneficios de productividad y reconfiguración no se materializan. Las carencias de capacidad de la IA se convierten en bloqueos estructurales del framework.
El contexto cultural y regulatorio importa. Los nudges conductuales funcionan en culturas donde su coste es aceptable. La práctica con el ESG integrado funciona donde el ESG es una prioridad organizativa de primer orden. Un marco que funciona en Ginebra o Barcelona puede necesitar adaptación en otros contextos culturales y regulatorios.
Qué haría yo este trimestre
Dos movimientos para cualquier CTO que dirija equipos híbridos:
-
Audita tus prácticas de gestión contra los seis pilares. Para cada práctica operativa, pregúntate: ¿cuál es el mecanismo teórico por el que se supone que funciona? Si no sabes articularlo, esa práctica es intuición, no diseño. La intuición puede acertar igualmente, pero conviene etiquetarla como lo que es.
-
Dedica una atención desproporcionada a la gobernanza. En equipos híbridos, el fallo de gobernanza es el modo de fallo que se repite en todos los pilares teóricos. La inversión en gobernanza ligera y de mucho apalancamiento — roles claros, dashboards visibles, cadencias obligatorias — se amortiza antes que cualquier inversión equivalente en herramientas.
La lente de la teoría de sistemas es útil incluso cuando discrepas del framework concreto. El ejercicio de preguntarse «cuál es el mecanismo» es la parte que aguanta.
Fuente: Fradelos, G. Management of organisations and teams with human and AI employees: A Systems-Theoretic Approach to the Honey Badger Framework (Ginebra, 5 de enero de 2026). SSRN 6306443.
Si gestionas un equipo de ingeniería híbrido humano-IA y tus prácticas de gestión van por intuición y no por diseño, habla con un CTO sobre cómo desplegar capacidad de ingeniería nearshore que ya opera en este régimen.
