Carolina Trinidad Morera, experta en IA de PayFit: «La clave no es preguntarse si la IA puede hacer una tarea, sino qué ocurre si se equivoca»
La inteligencia artificial se consolida como una herramienta cada vez más presente en el ámbito laboral, donde su uso continúa creciendo tanto entre los profesionales como en las empresas. En España, un 63% de los trabajadores ya emplea estas tecnologías, mientras que más del 36% de las compañías recurren a la IA para automatizar procesos operativos, según datos de InfoJobs . Esta evolución está transformando la forma de trabajar de las organizaciones, que encuentran en estas soluciones una oportunidad para agilizar tareas, optimizar recursos y mejorar la gestión diaria de sus equipos. PayFit es un ejemplo de esta tendencia. La compañía ofrece una solución tecnológica basada en la nube para gestionar las nóminas y los recursos humanos, dirigida especialmente a pequeñas y medianas empresas. Su plataforma ha evolucionado desde el software de gestión tradicional hasta incorporar una inteligencia artificial contextual propia, que desempeña un papel fundamental en sus funcionalidades y en la automatización de procesos. Carolina Trinidad Morera, Product Management en PayFit , analiza este cambio y el impacto de la IA en la gestión empresarial durante una entrevista con ABC de Sevilla.- Más allá del revuelo mediático sobre los chatbots y los generadores de texto, ¿qué tareas ejecuta ya la IA con solvencia en las empresas y en cuáles sigue siendo necesaria la supervisión humana?- La IA ya ofrece resultados sólidos en tareas frecuentes, acotadas y verificables: clasificar información, extraer datos de documentos, resumir, preparar un primer borrador, generar informes o detectar anomalías. También puede ejecutar acciones sencillas cuando trabaja dentro de un sistema con reglas y permisos claros. En Payfit, por ejemplo, la aplicamos para ayudar a detectar posibles anomalías, preparar análisis de RR. HH. o responder dudas contextualizadas. La supervisión humana sigue siendo imprescindible cuando existe ambigüedad, una excepción normativa o una decisión con impacto económico, legal o personal. La clave no es preguntarse si la IA puede hacer una tarea, sino qué ocurre si se equivoca.- Superada la fiebre inicial por el prompt engineering, ¿qué competencia marca hoy la diferencia en un profesional no informático que quiere utilizar la IA como ventaja competitiva?- La capacidad de formular bien el problema. Un buen profesional no se limita a pedir una respuesta; sabe dividir el trabajo, aportar el contexto adecuado, definir qué significa un resultado correcto y comprobarlo. También identifica qué parte conviene automatizar y cuál exige criterio humano. El conocimiento del negocio cobra, de hecho, más valor; cuanto mejor entiende una persona el proceso, sus excepciones y sus riesgos, mejor puede dirigir a la IA. La ventaja competitiva ya no consiste en conocer una fórmula mágica para escribir prompts, sino en rediseñar una forma de trabajar con la IA.- Uno de los grandes riesgos de trabajar con copilotos y agentes es la validación de los resultados. ¿Cómo debe organizarse un equipo para evitar que el ahorro de tiempo derive en errores?- La validación debe formar parte del diseño del sistema. Existen agentes capaces de comprobar la coherencia de su propio trabajo y agentes evaluadores cuya función es revisar la calidad de las respuestas de otros agentes. Son una capa de control útil, pero no una garantía suficiente; pueden compartir sesgos o pasar por alto el mismo error. Cada caso de uso necesita además un responsable, criterios de calidad y un nivel de supervisión proporcional al riesgo. También hay que recoger feedback de forma sistemática y medir no solo la satisfacción, sino las correcciones, los errores, las derivaciones a una persona y el resultado final de la tarea. En decisiones de impacto económico, legal o personal, debe mantenerse una aprobación humana explícita.- ¿La diferencia entre las empresas que utilizan modelos genéricos en la nube y las que desarrollan arquitecturas privadas con sus propios datos está marcando realmente la productividad?- Sí, puede marcarla, aunque no por el simple hecho de disponer de una arquitectura privada. La diferencia aparece cuando la IA tiene acceso seguro a datos de calidad, conoce el contexto del negocio y está integrada en procesos reales. Payfit pertenece a este segundo grupo. Payfit AI está integrado en nuestra plataforma y accede de forma controlada a la información necesaria de cada empresa, como sus datos de nómina, su estructura o su convenio colectivo. Esto le permite ofrecer respuestas contextualizadas y realizar gestiones concretas, algo que un modelo genérico no podría hacer sin que el usuario tuviera que proporcionarle toda esa información. No es necesario desarrollar un modelo fundacional desde cero. La ventaja está en construir una arquitectura segura y especializada alrededor de los modelos, con datos propios, permisos, conocimiento experto y controles adecuados. Es esa integración, y no únicamente la tecnología utilizada, la que se traduce en productividad.- En el tejido productivo español, ¿qué departamentos están integrando mejor la IA y dónde persisten los principales obstáculos?- No diría que haya un departamento ganador. Sí hay áreas en las que resulta más fácil empezar. Atención al cliente, marketing, programación y análisis de datos suelen avanzar rápido porque concentran tareas repetitivas y permiten comprobar enseguida si el resultado es útil. La IA puede preparar una respuesta, un contenido, una consulta o un análisis, y una persona lo revisa antes de utilizarlo. Finanzas y logística también ofrecen oportunidades interesantes, por ejemplo para detectar desviaciones, preparar informes, anticipar necesidades u optimizar rutas. En estos casos, los controles suelen ser más exigentes y la calidad de los datos resulta especialmente importante. Los mayores obstáculos aparecen en procesos legales y de recursos humanos. No porque tengan menos potencial, sino porque un error puede afectar directamente a una persona, incumplir una norma o generar un coste importante. Su adopción será probablemente menos visible, pero también más rigurosa.- ¿Cuáles son las limitaciones técnicas de la IA que todavía protegen el valor del criterio humano?- Los modelos pueden producir respuestas muy convincentes sin distinguir siempre si son verdaderas. Tienen dificultades para calibrar su incertidumbre, comprender todas las excepciones de un contexto, razonar de forma causal de manera consistente o incorporar información que no se les ha proporcionado. También pueden reproducir sesgos presentes en los datos. El criterio humano sigue siendo esencial para interpretar situaciones ambiguas, comprender las consecuencias para las personas, equilibrar objetivos en conflicto y asumir la responsabilidad de una decisión. La IA reconoce patrones; no comparte nuestra experiencia del contexto ni responde por el resultado.- ¿Qué reglas básicas de seguridad debería conocer cualquier trabajador que utilice asistentes digitales?- La primera es utilizar únicamente herramientas autorizadas por la empresa y no introducir datos personales, financieros, estratégicos o de clientes sin garantías claras sobre su tratamiento. La segunda es considerar cualquier resultado como información pendiente de verificación, especialmente si incluye cifras, referencias legales o instrucciones. Antes de permitir que un asistente envíe, publique, modifique o elimine información, hay que comprobar los destinatarios, los permisos y la posibilidad de revertir la acción. Payfit AI, por ejemplo, permite trabajar con información de nómina y RR. HH. dentro de un entorno diseñado para proteger los datos de la empresa; la información se aloja en Europa, el servicio cuenta con la certificación ISO 27001 y las conversaciones no se utilizan para entrenar modelos. En cualquier caso, la seguridad no puede depender únicamente de la prudencia individual. La empresa debe proporcionar herramientas adecuadas, definir permisos y responsabilidades y establecer un canal claro para comunicar errores o incidentes. La seguridad depende tanto del diseño del sistema como de los hábitos de quienes lo utilizan.- ¿Dónde está la frontera entre delegar una tarea operativa a un flujo automatizado y permitir que un sistema tome decisiones en la empresa?- La frontera está en el impacto y la reversibilidad. Podemos delegar acciones cuando las reglas son claras, existe trazabilidad, los permisos están limitados y un error se puede detectar y corregir. Por ejemplo, un sistema puede preparar un informe, recopilar variables o señalar una anomalía. No debería decidir por sí solo sobre una contratación, un despido, un cambio salarial, un pago relevante o una interpretación legal controvertida. Una buena automatización se ejecuta dentro de unos límites; una decisión empresarial implica elegir entre alternativas, asumir consecuencias y rendir cuentas. Esa responsabilidad debe seguir teniendo un propietario humano.- ¿Qué diferencia a un buen supervisor de IA de alguien que acepta el primer resultado que le devuelve la herramienta?- Un buen supervisor empieza definiendo qué espera antes de ver la respuesta. Comprueba las fuentes, contrasta las afirmaciones importantes, busca omisiones y plantea casos en los que el resultado podría fallar. También sabe pedir alternativas y no confunde una redacción convincente con un análisis correcto. Pero supervisar no significa desconfiar indiscriminadamente ni rehacer todo el trabajo; significa conocer el nivel de riesgo y aplicar la comprobación adecuada. La pregunta más útil no es «¿suena bien?», sino «¿qué evidencia tengo de que esto es correcto y qué consecuencias tendría si no lo fuera?».- Para un estudiante o recién graduado que quiera entrar en el mercado laboral en 2026, ¿qué proyecto práctico con IA le recomendaría presentar a un reclutador?- Le recomendaría resolver un problema real de principio a fin. Por ejemplo, crear un asistente que clasifique solicitudes de clientes, consulte una base de conocimiento, prepare una respuesta con sus fuentes y derive a una persona los casos dudosos. Utilizaría datos públicos o sintéticos para evitar problemas de privacidad. Lo importante no sería únicamente la demostración técnica, sino explicar el proceso anterior, el tiempo ahorrado, cómo se evaluó la calidad, qué errores aparecieron y qué controles se incorporaron. Ese proyecto demostraría algo más valioso que saber utilizar una herramienta: capacidad para convertir la IA en un resultado útil, medible y responsable.
