Automatiza el patrón, no el juicio: dónde termina la IA y empieza el experto

¿Qué parte del trabajo de un experto puede hacer una IA y qué parte debería permanecer en manos de una persona?

La respuesta no empieza escogiendo un modelo, una plataforma o una arquitectura. Empieza observando el trabajo humano.

Antes de construir un agente deberíamos ser capaces de responder preguntas mucho más simples: ¿qué hace hoy la persona?, ¿qué pasos repite?, ¿qué decisiones toma?, ¿qué excepciones enfrenta? y, sobre todo, ¿en qué momento deja de seguir un proceso y empieza a ejercer criterio?

Ahí aparece una distinción fundamental.

Una cosa es ejecutar un patrón. Otra muy distinta es ejercer juicio.

El patrón puede automatizarse. La excepción cambia el juego.

Gran parte de nuestro trabajo tiene patrones.

Recibimos información, la clasificamos, verificamos determinados datos, consultamos una fuente, generamos una respuesta y pasamos al siguiente paso.

Cuando ese flujo es suficientemente estable, la IA puede convertirse en una herramienta extraordinaria para acelerarlo.

El problema aparece cuando confundimos el proceso completo con sus partes repetitivas.

Pensemos en una aseguradora que utiliza un agente de IA para recopilar el primer reporte después de un accidente automovilístico.

Para un choque menor, el proceso puede funcionar perfectamente: ubicación, vehículo, fecha, daños, datos del asegurado.

Pero el escenario cambia radicalmente cuando el accidente incluye una muerte o una lesión grave.

La tecnología puede seguir haciendo las mismas preguntas. El formulario puede seguir necesitando los mismos datos. El workflow incluso puede ser técnicamente correcto.

Y, sin embargo, la solución deja de ser adecuada.

No porque la IA haya fallado.

Porque cambió el contexto.

La decisión inteligente no sería eliminar el agente, sino establecer una frontera: utilizar automatización para los casos rutinarios y transferir las situaciones sensibles o complejas a una persona.

Ese diseño tiene además un efecto interesante: al encargarse la IA de los casos repetitivos, el especialista recupera tiempo para aquellos donde su experiencia realmente importa.

El éxito no tiene que significar 100% de automatización

Existe una tentación frecuente en los proyectos de IA: considerar que automatizar una parte del proceso es insuficiente.

Si no llegamos al 100%, parece que algo salió mal.

Pero la realidad empresarial rara vez funciona así.

En un proyecto de onboarding internacional, por ejemplo, un mismo proceso podía automatizarse en determinados países donde las reglas y prácticas eran relativamente consistentes.

En otros, las diferencias locales hacían mucho más difícil establecer un único patrón.

¿Significa eso que el proyecto fracasó?

No necesariamente.

Si una solución consigue resolver de manera consistente una parte importante de los casos y permite que el equipo humano concentre su tiempo en las excepciones, puede estar generando exactamente el valor que necesitaba la organización.

Quizá la mejor pregunta no sea:

¿Cuánto conseguimos automatizar?

Sino:

¿Cuánto trabajo de poco valor eliminamos y cuánto tiempo devolvimos a las personas para resolver lo complejo?

El experto no desaparece: se reubica

Otro caso resulta especialmente interesante.

Una organización que trabajaba con programas educativos utilizó IA para apoyar a profesores que debían revisar numerosos ensayos.

El objetivo no fue entregar la decisión final al sistema.

La IA ayudaba a acelerar el análisis, mientras el profesor conservaba la evaluación y la responsabilidad final.

Una actividad que podía tomar aproximadamente tres horas se reducía a unos 45 minutos.

Nadie perdió autoridad.

Alguien recuperó tiempo.

Y esa diferencia es importante.

Cuando una herramienta permite que un experto dedique menos tiempo a clasificar, buscar, comparar o preparar información, no necesariamente disminuye su relevancia.

Puede ocurrir exactamente lo contrario.

El valor del especialista se desplaza hacia aquello que resulta más difícil de convertir en reglas: interpretar, contextualizar, cuestionar, decidir y asumir responsabilidad.

El riesgo de construir demasiado

También existe el problema contrario: enamorarnos de la solución tecnológica.

Un proyecto puede tener desarrollo personalizado, integración de datos, guardrails, modelos sofisticados y una experiencia cuidadosamente diseñada… y aun así no tener sentido económico.

Uno de los casos analizados involucraba un chatbot que permitía interactuar con una representación de una celebridad utilizando información previamente aprobada.

Funcionaba.

Las personas incluso conversaban durante largos periodos con el sistema.

Y precisamente allí apareció el problema: el consumo de tokens creció hasta un punto en que resultaba difícil justificar el retorno de inversión.

La tecnología hacía lo que se esperaba de ella.

El negocio no cerraba.

Esto debería recordarnos algo sencillo:

Una solución de IA no crea valor por ser técnicamente impresionante.

Crea valor cuando resuelve una fricción suficientemente importante a un costo razonable.

Lo que debería preguntar un Project Manager

Por eso, la primera conversación de un proyecto de IA no debería girar únicamente alrededor de arquitectura, proveedores o modelos.

Antes necesitamos entender el trabajo.

¿Qué proceso estamos intentando mejorar?

¿Qué patrón existe dentro de ese proceso?

¿Qué parte puede automatizarse de manera confiable?

¿Qué excepciones conocemos?

¿Qué ocurre cuando aparece una situación que no estaba prevista?

¿Cuándo debe intervenir una persona?

¿Quién mantiene la responsabilidad final?

¿Y qué métrica nos permitirá decir que la solución genera valor?

Responder esas preguntas exige que especialistas del negocio y especialistas tecnológicos trabajen juntos.

El desarrollador conoce lo que la tecnología puede hacer.

El experto conoce aquello que sucede cuando el proceso real deja de parecerse al diagrama.

Y el Project Manager tiene un papel fundamental conectando ambos mundos y evitando que el proyecto confunda una posibilidad tecnológica con una necesidad de negocio.

Human + AI

Probablemente, la conversación más productiva sobre inteligencia artificial no sea Human vs. AI.

Es Human + AI.

No se trata de proteger artificialmente cada tarea que hoy realiza una persona ni de automatizar todo simplemente porque podemos hacerlo.

Se trata de diseñar deliberadamente esa frontera.

Automatizar lo repetitivo.

Acelerar la búsqueda y el análisis.

Apoyar al experto.

Detectar las excepciones.

Y devolver la decisión a una persona cuando el contexto, el impacto o la responsabilidad así lo requieran.

Ideas que me llevo

• El patrón se automatiza; el juicio se acompaña.
• Una implementación de IA no necesita llegar al 100% para generar valor.
• Las excepciones deberían diseñarse desde el inicio, no descubrirse cuando el sistema ya está en producción.
• El ROI importa tanto como la capacidad técnica.
• Liberar a un experto de tareas repetitivas puede aumentar, y no reducir, el valor de su experiencia.

La mejor IA quizá no sea la que consigue hacer todo sola.

Puede ser la que está diseñada para saber hasta dónde debe llegar.

Nota: Este artículo parte de ideas y casos compartidos por Joy Marie Curtis en el webinar “AI Beyond the Sales Pitch”, presentado para PMI. A partir de ellos desarrollo esta reflexión sobre gestión e implementación de soluciones de inteligencia artificial.

Si mañana tuvieras que incorporar un agente de IA en tu organización, ¿qué parte del trabajo automatizarías primero y qué decisión mantendrías necesariamente en manos de una persona?