Cómo implementar IA en los procesos de tu empresa

Industria de empaques en Brasil, 420 personas, tres plantas. La dirección aprobó un proyecto de IA en febrero con una frase que parecía razonable: empezar por el proceso más crítico, que era el de cotización para clientes especiales. Siete meses después el proyecto había consumido presupuesto, producido tres demostraciones y ninguna cotización más por semana.

El diagnóstico, cuando por fin se hizo, no tenía nada de tecnológico. El proceso de cotización pasaba por cinco áreas, tenía dos etapas que existían solo para revisar la etapa anterior, y nadie sabía decir cuánto tiempo llevaba — las estimaciones internas iban de dos a nueve días. No había qué mejorar porque no había qué medir.

01El orden correcto es antiguo #

Michael Hammer publicó en la Harvard Business Review, en 1990, un artículo cuyo título ya era la tesis: 'Don't Automate, Obliterate'. El argumento es que informatizar un mal proceso solo mecaniza el desperdicio, y que la ganancia relevante viene de rediseñar el trabajo antes de aplicarle tecnología. Treinta y seis años después cambiamos la palabra 'informatizar' por 'poner IA' y el error sigue siendo idéntico.

Thomas Davenport, en The AI Advantage (MIT Press, 2018), llegó al mismo punto por otro camino. Estudiando adopciones corporativas, defiende lo que llama un enfoque incremental: en vez de apostar por un proyecto transformador, acumular usos pequeños y bien delimitados que entren en producción. En el artículo que escribió con Rajeev Ronanki en la HBR, también en 2018, los autores registran que los proyectos con menor tasa de fracaso eran los de automatización de tareas administrativas estructuradas, y no los de predicción sofisticada.

La síntesis de ambas fuentes cabe en una secuencia: mapear el proceso, quitar el desperdicio, medir la línea de base, y solo entonces poner IA en un alcance pequeño, con responsable y criterio de éxito definidos antes de encender nada.

02Los cuatro errores clásicos #

1. Empezar por el caso más difícil. El proceso más crítico es el que tiene más excepciones, más áreas involucradas y más gente dispuesta a bloquear. Es el peor lugar para aprender a hacerlo.
2. No tener línea de base. Sin el número de antes, el resultado de después se vuelve opinión. Y la opinión sobre un proyecto de IA suele ser generosa los primeros tres meses y cruel a partir del sexto.
3. No tener responsable. Un proyecto de IA sin una persona responsable por el proceso — no por la herramienta — no sobrevive a la primera excepción. El área de tecnología no puede ser dueña de un proceso comercial.
4. No decidir qué hacer cuando el agente se equivoca. Se va a equivocar. La pregunta es si el error se detecta, quién lo detecta, en cuánto tiempo, y qué se revierte.

El cuarto error es el que más cuesta en reputación interna. Un agente que falla en el 4% de los casos puede ser excelente si ese 4% se detecta el mismo día y se revierte sin perjuicio. El mismo agente es inaceptable si el error solo aparece en la factura del cliente 40 días después. La diferencia no está en el modelo: está en el diseño de la verificación.

03La hoja de ruta de 90 días #

Las semanas 8 a 10 son las que suelen saltarse, y son las más valiosas. Correr en sombra cuesta poco, no expone al cliente y revela en dos semanas si el agente está entendiendo el problema — incluidos los casos en que acierta la respuesta por el motivo equivocado.

¿Querés ver cómo queda dentro de una operación real? Conocé la plataforma.

04La cuenta del piloto, con premisas a la vista #

Escala de la industria de empaques — una empresa mediana brasileña (cifras en reales) — después de reelegir el proceso: pasaron de la cotización especial al triaje de pedidos de compra recurrente. Premisas declaradas; rehágala con sus números:

Con esas premisas, el alcance cubre cerca de 748 pedidos por mes y libera algo próximo a 75 horas mensuales de triaje. No es una revolución: es una persona y media de capacidad devuelta a la parte del trabajo que exige criterio. El punto de la hoja de ruta no es prometer más que eso — es garantizar que ese número exista y pueda verificarse, en vez de volverse una estimación de presentación.

05Lo que sostiene el segundo caso #

El primer caso enseña a la empresa a hacerlo; el segundo decide si eso se vuelve práctica. Tres cosas sostienen la continuidad: registro del trabajo donde ocurre, para que la línea de base del próximo proceso ya exista; documentación del alcance y de los permisos, en el espíritu de las funciones de gobernanza y medición del NIST AI Risk Management Framework 1.0, de 2023; y una revisión trimestral que compare lo prometido con lo observado, incluso para apagar lo que no rindió.

Conviene también elegir el próximo caso con el mismo criterio del primero, y no por el entusiasmo de quien vio la demostración. Volumen alto, regla estable, consecuencia reversible. Los procesos difíciles llegan después, cuando la empresa ya sabe medir y ya sabe apagar.

En Relevanti, mapear el proceso, medir la línea de base y poner el agente dentro de él ocurren en el mismo lugar — vale releer qué es un agente de IA — y qué no lo es antes de elegir el piloto; vea cómo en la plataforma, en el recorte por área en soluciones, o traiga un proceso específico a una conversación.

El consejo de Hammer sobrevive intacto: no automatice, rediseñe. Y el de Davenport lo completa: empiece pequeño, pero póngalo en producción. Entre los dos cabe un trimestre de trabajo poco glamoroso, que es exactamente lo que separa un piloto de un resultado.