La IA no sirve para todo: aconsejan a las empresas elegir tareas y no perseguir modas
A veces, la decisión más sensata en materia de inteligencia artificial es reconocer que no hace falta. Cada vez más empresas intentan averiguar dónde mejorará realmente la IA su trabajo y dónde solo añadirá costes, demoras y complejidad técnica.
Gregg Aldana, vicepresidente sénior y responsable de consultoría global de soluciones en Appian, cree que es un error empezar con la pregunta: «¿Dónde podemos aplicar la IA?». Ese enfoque antepone la tecnología al problema empresarial. Primero hay que determinar qué intenta resolver la empresa: qué procesos se alargan, dónde hay demasiado trabajo manual, dónde se producen errores y dónde aparecen cuellos de botella.
En el análisis deben participar especialistas en TI, empleados de las áreas de negocio y directivos. Tienen que averiguar qué decisiones se quieren mejorar, en qué datos se basan, qué límites regulatorios se aplican y en qué casos es imprescindible que intervenga una persona.
El criterio principal es sencillo: la IA no solo debe ser capaz de hacer algo, sino mejorar el proceso de forma cuantificable. Si una tarea se rige por reglas claras y tiene un resultado definido de antemano, la automatización convencional o las reglas de negocio suelen resolverla con más rapidez, menos coste y mayor previsibilidad.
Por ejemplo, una aseguradora puede distribuir las solicitudes en línea según el tipo de seguro que haya elegido el cliente: las de automóvil a un departamento y las de vivienda a otro. Para eso no hace falta un agente de IA. Pero si el sistema recibe correos de texto libre, un agente puede reconocer palabras como «autopista», «colisión» y «pasajero», deducir que probablemente se trata de un accidente y dirigir la consulta a los especialistas adecuados.
La IA resulta especialmente útil cuando se necesita razonamiento adaptativo, análisis de datos no estructurados, investigación y respuesta a información cambiante. Sin embargo, sustituir cada regla por IA solo porque suena más moderna es una forma cara de crear un problema donde ya había una solución que funcionaba.
El coste de implantación no se limita al precio del modelo. El agente necesita acceso a datos y sistemas, supervisión, seguridad, control de permisos, registro de acciones y un mecanismo para gestionar las excepciones. La empresa debe entender por qué tomó una decisión, qué hizo exactamente y quién responde por el resultado.
Sin un entorno de gestión unificado, los costes de auditoría, seguridad y tramitación manual de casos atípicos pueden superar los beneficios de la automatización. Por eso hace falta un modelo mixto: reglas para las operaciones repetitivas y de gran volumen, agentes de IA para el análisis y la clasificación dinámicos, y personas para las decisiones complejas y arriesgadas.
La supervisión humana es especialmente importante en el sector financiero, los seguros, la industria farmacéutica, los ensayos clínicos y la administración pública. No hace falta que un empleado apruebe cada acción del agente, pero sí hay que fijar de antemano los límites de su autonomía: qué puede hacer por su cuenta, a qué datos tiene acceso y cuándo debe pasar la tarea a una persona.
El futuro no consiste en tener un agente universal al que se encomiende todo el proceso. Un modelo realista es la orquestación, es decir, la colaboración entre personas, automatización convencional e IA. Cada componente se encarga de la parte del trabajo para la que es más adecuado.
La eficacia no debe medirse contando cuántos procesos llevan la etiqueta «con IA», sino mirando los resultados: si se ha reducido el tiempo de ejecución, si han bajado los costes y si ha mejorado la calidad de las decisiones. En uno de los ejemplos citados, la incorporación de clientes en un banco pasó de dos semanas a unos minutos. Al mismo tiempo, el banco automatizó el 96 % de los trámites y aumentó en un 900 % el número de nuevos clientes.
A los directivos les aconsejan empezar por los tres cuellos de botella más caros y lentos, y después encontrar la combinación adecuada de reglas, agentes de IA y experiencia humana. Una estrategia acertada no consiste en usar IA en todos los procesos, sino en lograr que, tras implantarla, funcionen realmente mejor.
PEREC.RU
El artículo aborda un enfoque práctico para implantar inteligencia artificial en las empresas. La idea central es que no deben empezar buscando procesos a los que incorporar IA. Primero tienen que identificar un problema concreto: dónde se tarda demasiado, dónde el personal realiza un exceso de tareas manuales, dónde se producen errores y qué decisiones se pueden mejorar.
Gregg Aldana, vicepresidente sénior y responsable de consultoría global de soluciones en Appian, subraya que la mera capacidad de la IA para realizar una tarea no demuestra nada. Lo importante es si la tecnología mejora el proceso de forma cuantificable. Para evaluarlo hay que tener en cuenta la duración del ciclo, el coste de la operación y la calidad del resultado.
Las tareas predecibles y regidas por reglas claras suelen resolverse mejor con la automatización tradicional. Por ejemplo, una aseguradora puede repartir solicitudes en línea entre departamentos según el tipo de seguro que haya elegido el cliente. Incorporar IA a ese caso podría aumentar el coste, las demoras y la imprevisibilidad sin aportar una mejora apreciable.
Los agentes de IA son más útiles cuando trabajan con datos no estructurados y contextos complejos. Pueden analizar el texto libre de los correos, relacionar palabras clave y deducir de qué trata una consulta. En el ejemplo de la aseguradora, un agente podría detectar, a partir de palabras relacionadas con una autopista, una colisión y un pasajero, que probablemente se ha producido un accidente de tráfico y derivar la solicitud al departamento correspondiente.
Una parte importante del gasto no corresponde al modelo en sí, sino a la infraestructura que lo rodea. La empresa necesita acceso a los datos y sistemas necesarios, seguridad de la información, supervisión, gestión de permisos, registro de acciones y normas para tratar las excepciones. La organización debe entender por qué el agente tomó una decisión, qué acciones llevó a cabo y quién responde del resultado.
También es fundamental limitar su autonomía. Hay que fijar de antemano sus atribuciones, los datos disponibles, las acciones permitidas y las condiciones para pasar la tarea a una persona. En sectores regulados —servicios financieros, seguros, industria farmacéutica, ensayos clínicos y administración pública— la supervisión humana resulta necesaria para las decisiones arriesgadas, atípicas o delicadas.
El artículo propone no sustituir todo el proceso por un único agente, sino orquestar el trabajo: las reglas de negocio gestionan la lógica repetitiva, los agentes de IA se ocupan de casos dinámicos y complejos, y las personas toman las decisiones en las que equivocarse tendría un coste elevado. Así se emplea la tecnología cuando realmente encaja.
Las empresas no deberían medir el éxito contando los procesos que llevan la etiqueta «usa IA». Lo que importa son los efectos reales: reducir el tiempo y los costes, y mejorar la calidad de las decisiones. El artículo cita el caso de un proceso de incorporación de clientes bancarios que pasó de dos semanas a unos minutos; el banco automatizó el 96 % de los trámites y aumentó en un 900 % el número de nuevos clientes.
El consejo práctico para los directivos es localizar los tres cuellos de botella operativos más costosos y elegir para cada uno la combinación adecuada de reglas, IA y supervisión humana. Una estrategia acertada no consiste en extender la IA al máximo, sino en mejorar de forma cuantificable el funcionamiento de la empresa. A veces, lo más sensato es prescindir de la IA y optar por una regla sencilla y fiable.
