INTRODUCCIÓN
La palabra “IA” es tan amplia que puede esconder una mala pregunta.
Preguntar “¿dónde podemos meter inteligencia artificial?” suele llevar a demos interesantes pero difíciles de sostener. Una pregunta mucho más útil es:
“¿qué tarea repetimos, qué parte exige interpretación y qué pasaría si pudiéramos resolverla mejor?”
Ahí empieza un caso de uso real.
1. Primero separa lo repetitivo de lo variable
Hay tareas repetitivas que no necesitan IA.
Si la regla es: “cuando el formulario esté completo, crea una tarea y avisa al responsable”,
una automatización convencional puede resolverla con gran claridad.
La IA empieza a tener sentido cuando la entrada cambia y hace falta interpretar:
- correos redactados libremente;
- documentos con formatos distintos;
- fotografías;
- solicitudes que deben clasificarse;
- búsqueda de conocimiento por significado.
¿Regla o IA?
¿Regla o IA?
2. Un buen caso tiene una acción al final
Clasificar un correo no crea valor por sí solo.
La pregunta es: ¿qué ocurre después de la clasificación?
- ¿se asigna a una persona?;
- ¿cambia de prioridad?;
- ¿se extraen datos?;
- ¿se responde con un borrador?;
- ¿se crea un registro?;
- ¿se escala?
Si la salida de la IA no cambia ninguna decisión o proceso, probablemente el caso todavía no está bien definido.
Ejemplo: facturas de proveedores
Las facturas llegan en formatos diferentes. Una herramienta puede ayudar a extraer campos y asignar un nivel de confianza. Las reglas verifican importes y campos obligatorios. Los casos inciertos pasan a una persona.
Ahí la IA no “automatiza todo”. Se utiliza exactamente donde aparece variación.
3. Datos suficientes no significa datos útiles
Una carpeta con miles de archivos no garantiza un buen caso.
Importa:
- si están actualizados;
- si tienen permisos claros;
- si representan el problema;
- si existe una fuente de verdad;
- si los usuarios saben qué hacer con la salida.
Más información desordenada puede aumentar la dificultad.
4. Evalúa el costo de equivocarse
No es lo mismo clasificar una consulta de ventas que tomar una decisión de alto impacto.
Cuanto mayor sea la consecuencia de un error, más importante se vuelve:
- supervisión;
- trazabilidad;
- límites;
- pruebas;
- posibilidad de revertir;
- escalamiento a una persona.
| Caso | Variabilidad | Impacto de error | Enfoque inicial |
|---|---|---|---|
| Clasificar consultas | alta | bajo/medio | IA + revisión de muestra |
| Extraer datos de documentos | alta | medio | IA + validaciones |
| Mover estado de CRM | baja | medio | reglas |
| Aprobar una acción sensible | variable | alto | controles + humano |
5. El primer piloto debe ser pequeño
No intentes “automatizar el departamento”.
Escoge:
- un proceso;
- un grupo de usuarios;
- una fuente de información;
- una salida;
- un criterio de calidad.
Después mide.
6. Una buena decisión también puede ser no usar IA
Si una regla simple y auditable resuelve el problema, usar IA puede añadir costo e incertidumbre sin beneficio real.
Eso no es “quedarse atrás”. Es elegir la herramienta adecuada.
Del contexto a una decisión.
mapear el proceso y diseñar piloto
Diseñar proyecto↗Respuestas con el contexto completo.
¿Qué procesos son buenos candidatos para IA?+
Los que reciben información variable, requieren interpretación y tienen una salida concreta que puede medirse y revisarse.
¿Cuándo basta con una automatización tradicional?+
Cuando entradas, reglas, estados y acciones están suficientemente definidos y no hace falta interpretación flexible.
¿Necesito muchos datos?+
Necesitas datos relevantes, utilizables y con permisos adecuados. La cantidad por sí sola no garantiza un buen proyecto.
¿Dónde debe existir revisión humana?+
Especialmente cuando el impacto de un error es alto, existe incertidumbre o la acción no debe ejecutarse automáticamente.
FUENTES Y REFERENCIAS3
Referencias consultadas para esta revisión editorial.
- AI Risk Management FrameworkNIST
- NIST AI RMF PlaybookNIST AI Resource Center
- AI Risk Management and Human-AI InteractionNIST AI Resource Center
