La IA no arregla procesos rotos: los hace más rápidos

Durante los últimos meses he dedicado una parte importante de mi tiempo a integrar agentes de inteligencia artificial en actividades que van desde desarrollo y revisión de código hasta automatización de procesos.

La imagen que acompaña este artículo es parte de ese trabajo: un control plane desde el que distintos agentes pueden ejecutar tareas especializadas, colaborar, revisar resultados y avanzar dentro de un flujo definido.

Pero, después de trabajar con este tipo de arquitecturas, hay una conclusión que considero mucho más importante que cualquier modelo, agente o plataforma:

La inteligencia artificial no convierte un mal proceso en uno bueno.

Puede hacerlo más rápido. Puede automatizarlo. Incluso puede ocultar temporalmente algunas de sus deficiencias.

Pero si el proceso está mal diseñado, tiene demasiadas excepciones, depende de conocimiento que nunca fue documentado o contiene cuellos de botella, automatizarlo con IA no resolverá el problema.

En algunos casos simplemente conseguiremos que un proceso deficiente falle a mayor velocidad.

Antes de automatizar, hay que entender el proceso

Hay una pregunta que considero fundamental antes de implementar agentes de IA:

¿Este proceso funciona correctamente cuando lo realizan personas?

Si la respuesta es no, probablemente todavía no sea momento de automatizarlo.

Antes necesitamos entender dónde se genera la información, quién toma las decisiones, qué dependencias existen, cuáles son las excepciones, dónde están los cuellos de botella y, sobre todo, qué conocimiento utilizan las personas para hacer correctamente el trabajo.

Porque automatizar no significa únicamente sustituir pasos manuales por llamadas a un modelo.

Un buen proceso debería tener, entre otras cosas:

• entradas claramente identificadas;
• criterios de decisión definidos;
• responsables y límites de autoridad;
• manejo de excepciones;
• controles y mecanismos de validación;
• resultados medibles;
• trazabilidad;
• puntos de intervención humana cuando realmente son necesarios.

Cuando esas condiciones existen, la IA puede convertirse en un acelerador extraordinario.

Cuando no existen, la IA hereda el problema.

Los agentes cambian la forma de desarrollar software

Esta misma idea puede aplicarse al desarrollo.

Un agente puede analizar código, desarrollar una funcionalidad, ejecutar pruebas, revisar seguridad, validar arquitectura o cuestionar el trabajo producido por otro agente.

Eso cambia de manera importante la velocidad a la que podemos construir software.

Pero no elimina la ingeniería.

De hecho, en mi experiencia ocurre exactamente lo contrario: mientras más capacidad entregamos a los agentes, más importante se vuelve tener buena arquitectura, estándares, controles y conocimiento técnico.

Un agente puede generar una enorme cantidad de código en muy poco tiempo. Eso no significa que ese código deba llegar a producción.

Por eso resulta interesante pasar de utilizar la IA exclusivamente como un asistente individual a diseñar sistemas de agentes especializados, cada uno con un propósito, herramientas, contexto y responsabilidades determinadas.

Un agente desarrolla.
Otro revisa.
Otro analiza arquitectura.
Otro verifica seguridad.

Y el sistema establece cuándo una tarea puede continuar, cuándo debe regresar a revisión y cuándo necesita intervención humana.

La velocidad deja entonces de depender exclusivamente de qué tan rápido puede escribir código una persona.

El reto pasa a ser otro: qué tan bien somos capaces de diseñar el sistema que produce, revisa y gobierna ese trabajo.

Del desarrollo a los procesos de negocio

El mismo concepto puede extenderse prácticamente a cualquier área de una organización.

Compras, ventas, operaciones, soporte, administración, finanzas, recursos humanos, gestión documental o atención a clientes tienen procesos que pueden beneficiarse de agentes capaces de analizar información, ejecutar tareas y colaborar con otros sistemas.

Pero existe una diferencia importante entre automatizar tareas y automatizar procesos.

Una tarea puede ser relativamente sencilla: clasificar un documento, generar un resumen, revisar información o preparar una respuesta.

Un proceso completo normalmente involucra decisiones, dependencias, excepciones, sistemas diferentes y responsabilidades distribuidas entre varias personas.

Ahí es donde la arquitectura se vuelve fundamental.

No basta con conectar un modelo y esperar resultados.

Es necesario definir qué puede hacer cada agente, qué información puede utilizar, qué acciones puede ejecutar, qué decisiones requieren aprobación y qué ocurre cuando el resultado no cumple con los criterios establecidos.

La autonomía útil no consiste en dejar que la IA haga cualquier cosa.

Consiste en darle el nivel correcto de autonomía dentro de límites claramente definidos.

El conocimiento sigue siendo humano

También existe una preocupación recurrente cuando se habla de inteligencia artificial: qué va a pasar con las personas.

Creo que estamos formulando mal la pregunta.

La IA puede aprender patrones, procesar grandes cantidades de información y ejecutar determinadas actividades a una velocidad extraordinaria. Pero el conocimiento real de una organización no está solamente en sus documentos.

Está también en sus personas.

Está en quien sabe por qué una excepción existe.
En quien reconoce que un requerimiento aparentemente sencillo tendrá consecuencias en otra área.
En quien conoce la historia detrás de una decisión.
En quien sabe cuándo seguir el procedimiento y, también, cuándo detenerlo.

Ese know-how es uno de los activos más importantes de cualquier empresa.

Por eso no creo que nuestra misión deba ser simplemente reemplazar personas con agentes.

Deberíamos utilizar la IA para multiplicar la capacidad de las personas que ya poseen ese conocimiento.

Un buen desarrollador con agentes puede ampliar considerablemente su capacidad de ejecución.

Un arquitecto puede evaluar alternativas con mayor rapidez.

Un especialista de seguridad puede ampliar el alcance de sus revisiones.

Una persona experta en un proceso puede convertir años de experiencia en instrucciones, criterios, controles y conocimiento reutilizable por agentes.

Ahí está, para mí, una parte fundamental de esta transformación.

No se trata de competir contra la IA

Durante años hemos utilizado la tecnología principalmente para ejecutar instrucciones.

Ahora comenzamos a trabajar con sistemas capaces de interpretar contexto, proponer alternativas y ejecutar cadenas completas de actividades.

Eso requiere aprender una nueva forma de trabajar.

Tenemos que saber delegar a los agentes.
Tenemos que saber proporcionar contexto.
Tenemos que aprender a establecer límites.

Y, quizá más importante, tenemos que saber revisar y cuestionar sus resultados.

La ventaja no estará necesariamente en quien utilice más inteligencia artificial.

Estará en quien sepa qué delegar, qué automatizar, qué conservar bajo criterio humano y cómo diseñar correctamente la colaboración entre personas, agentes y sistemas.

Primero ingeniería. Después automatización.

Existe una tentación comprensible de comenzar un proyecto de IA preguntando qué modelo utilizar, cuántos agentes necesitamos o qué plataforma debemos implementar.

Yo comenzaría antes.

• ¿Qué problema estamos resolviendo?
• ¿Cómo funciona actualmente el proceso?
• ¿Dónde están los cuellos de botella?
• ¿Qué conocimiento utiliza una persona para tomar las decisiones correctas?
• ¿Qué puede automatizarse y qué debe permanecer bajo supervisión humana?

Después podemos hablar de agentes, modelos y automatización.

Porque un proceso bien diseñado puede convertirse en un excelente proceso aumentado por IA.

Uno mal diseñado seguirá siendo un mal proceso, aunque ahora tenga agentes, automatización y el modelo más avanzado disponible.

La inteligencia artificial es una herramienta extraordinariamente poderosa.

Pero el conocimiento, el criterio y la responsabilidad continúan siendo nuestros.

No deberíamos competir contra la IA. Deberíamos aprender a construir con ella.

Y quizá esa sea una de las habilidades profesionales más importantes que tendremos que desarrollar durante los próximos años.