OKRs amb IA : És possible? Com utilitzar la intel·ligència artificial per definir objectius estratègics

Què passaria si la teva IA pogués dissenyar els OKRs del teu equip? Sona temptador, però compte: sense filtres estratègics, corres el risc de quedar-te amb objectius buits i mètriques de vanitat.

Quan parlem d’entrenar un model d’IA, la conversa acostuma a girar al voltant de dades, algorismes i eines. Però l’experiència ens ensenya una cosa crucial: no és l’eina allò que marca la diferència, sinó l’estratègia que la sosté .

De la mateixa manera que passa amb la implantació d’ OKRs en equips àgils, entrenar un model de IA sense un propòsit clar és com remar en una barca sense rumb. Pots avançar, sí, però difícilment arribaràs a bon port.

En aquest article explorarem com connectar els OKRs amb la IA per assegurar que el teu model no es deixi atrapar per mètriques de vanitat i compti amb sanity checks que reforcin l’estratègia. Comencem.

Com crear OKRs amb IA?

Els OKRs (Objectives and Key Results) , són un sistema de gestió per objectius nascut als 70 a Intel i popularitzats per Google des de 1999, alineen equips al voltant d’ objectius ambiciosos i mesurables.

On entra la IA en tot això? En dos moments:

• Disseny inicial: Suggereix objectius i resultats clau ( KRs) a partir de la teva estratègia, informes i dades.
  
• Refinament: Detecta si cada KR és mesurable, realista i connectat amb impacte de negoci .

Si necessites una base ràpida sobre OKRs, revisa l’article Implementa OKRs en 4 passos als teus equips. Aquí expliquem com estructurar OKRs duna manera fàcil i ràpida en els equips.

Com et pot ajudar la IA a centrar els teus OKRs?

Usada amb criteri, la IA actua com un copilot estratègic. Alguns usos concrets:

• Proposar objectius inspiradors: La IA pot analitzar documents estratègics per suggerir objectius que s’alineïn amb la visió de l’empresa.
• Reformular KRs difusos: Podeu transformar frases abstractes com “millorar la comunicació” en KRs mesurables com “augmentar un 20% la participació en reunions setmanals”.
• Prioritzar mètriques rellevants: En analitzar les teves dades, la IA et pot ajudar a identificar quines mètriques realment aporten valor i descartar les mètriques de vanitat .
• Validar la viabilitat: Amb accés a dades històriques, la IA pot validar si un objectiu és assolible en un marc de temps definit i justificar-ne el raonament pas a pas.
• Automatitzar validacions ( sanity checks ): La IA pot verificar automàticament que cada KR compleix els requisits d’un bon objectiu, com l’alineació estratègica, la mesura i la viabilitat.

La clau és que la IA no substitueix la reflexió humana, sinó que accelera el procés de disseny i redueix el biaix d’“ocurrències” poc validades.

Vanity metrics vs. Sanity checks: el filtre essencial

Un dels riscos més grans en definir OKRs amb IA és acabar amb mètriques que llueixen bé en un informe, però que no tenen un impacte real en el negoci. Per evitar-ho, necessites implementar sanity checks .

Un sanity check és una validació simple que assegura que el teu objectiu o mètrica té sentit en el context estratègic. Els teus sanity checks haurien de considerar:

• Rellevància estratègica → comprovar que lobjectiu o KR ​​està alineat amb la missió o prioritats del negoci.
• Medibilitat objectiva → assegurar-se que el resultat clau es pot quantificar amb dades clares i verificables.
• Viabilitat realista → validar que, encara que ambiciós, l’objectiu és assolible dins del marc temporal definit (normalment un trimestre).

Exemples de sanity checks útils:

• Cada OKR està connectat amb un impacte estratègic real (com ara vendes, retenció o satisfacció del client)?
• ¿L’indicador és mesurable amb dades fiables i sense dependre de percepcions subjectives?
• El nivell d’ambició és alt però assolible en el període definit (ex. un trimestre)?

Si vols aprofundir en mesurar el que importa, passa per OKRs per a la transformació Agile i recorda que la inspecció i adaptació són principis nuclears a la Scrum Guide oficial.

Com entrenar la teva IA per crear OKRs útils

Entrenar una IA perquè t’ajudi en la creació d’OKRs no vol dir reprogramar models complexos. Es tracta de ensenyar-li amb exemples i validacions el que vols obtenir.

1. Defineix un dataset base: Reuneix exemples d’OKRs ben redactats de la teva organització o casos d’èxit. Mostra’l a la IA el que esperes.
   • Prompt d’exemple: “Aprèn l’estil d’aquests OKRs. Assenyala el patró de redacció i estructura. No generis res, només resumeix patrons.”
2. Ajusta el prompt amb context: Dóna a la IA informació sobre el teu sector, model de negoci i restriccions. Demana-li que estructuri els OKRs com a “Objectiu inspirador + 3 resultats clau mesurables i estratègics”.
   • Prompt d’exemple: “Som una scale-up B2B SaaS. Genera 1 objectiu i 3 KRs mesurables per a l’equip de Customer Success. Fes servir el model après.”
3. Introdueix els sanity checks a la instrucció: Demana a la IA que autovalidi cada KR amb preguntes com “és mesurable?” o “està connectat a un impacte estratègic real?”.
   • Prompt d’exemple: “Per a cada KR, afegeix una validació de sanity check : (1) alineació estratègica, (2) mesurabilitat amb font de dades i (3) viabilitat trimestral. Si falla, reformula.”
4. Itera amb feedback humà: Corregeix i realimenta el model amb el teu coneixement del sector. La IA és un copilot; tu poses el coneixement de lorganització.

Igual que en gestió del product backlog , la clau és prioritzar i refinar contínuament.

Exemple pràctic: OKRs amb IA per a Customer Success

Imagineu una scale-up B2B SaaS amb oficines a Madrid i Berlín que ofereix una plataforma d’analítica per a empreses de retail. El negoci està creixent ràpidament i ja gestiona més de 500 comptes a Europa.

L’últim trimestre, l’ equip de Customer Success va detectar un problema seriós en el segment mid-market : la taxa de churn (pèrdua de clients) augmentava un 15% més que en altres segments. En analitzar-ho, van veure que:

• El NPS (Net Promoter Score) es mantenia baix (36 punts).

• El temps mitjà de resolució (TMR) en suport superava les 40 hores i generava frustració.

• El percentatge de resolució en primer contacte (FCR) era molt baix, cosa que multiplicava els tiquets oberts.

Per resoldre la situació, l’equip va decidir recolzar-se a la IA, entrenant el model d’OKRs IA amb dades històriques de Zendesk, CRM i enquestes de clients. El resultat, aquí:

• Objectiu (O): Incrementar la satisfacció i la lleialtat del client al segment mid-market durant Q1.
• Resultats Clau (KRs):
  • KR1: Augmentar l’NPS a +8 punts (de 36 a 44).
  • KR2: Reduir el TMR de 42 hores a 24 hores.
  • KR3: Assolir un 85% de FCR (resolució en primer contacte).

• Sanity checks automàtics de la IA (post-training):

  • Alineació (✔️): Tant el NPS com el FCR estan directament connectats amb la retenció i, per tant, amb els ingressos.

  • Medibilitat(✔️): Els indicadors provenen de fonts fiables: enquestes NPS, Zendesk i CRM.

  • Viabilitat(✔️): L’històric suggereix que millorar entre +6 i +9 punts de NPS en un trimestre és factible.

  • Vanity metric descartada(✖️): “nombre de respostes del chatbot” (no mesura impacte real en satisfacció ni en retenció).

Aquest exemple demostra com la IA per a OKR pot transformar dades disperses en un focus estratègic real i tangible, permetent que un equip passi de la reacció a l’acció.

Estratègia per sobre de l’eina

Usar IA per definir OKRs no és futur: és present. Entrena-la amb exemples, exigeix sanity checks , evita vanity metrics i alinea cada KR amb impacte real. L’eina accelera; l’estratègia decideix .

Recorda: la IA és un copilot, no el pilot .

Suma’t a The Smart Drop i rep guies pràctiques com aquesta cada setmana.