Inteligencia artificial aplicada: de la idea a la operación

Cómo elegir el primer proyecto de IA

Empieza por una tarea que alguien pueda describir de principio a fin. ¿Quién recibe la solicitud? ¿Qué información consulta? ¿Qué entrega? ¿Quién la revisa? Una descripción como preparar el borrador de una respuesta comercial es más útil para empezar que automatizar todo el proceso comercial.

Compara el proceso actual con la propuesta antes de elegir un modelo. Si la regla es estable y los datos ya están organizados, una integración convencional puede resolverlo. La IA se convierte en una opción cuando la tarea implica interpretar lenguaje, localizar contexto o producir un borrador que será revisado.

Mi recomendación es priorizar una tarea con ejemplos disponibles, una persona responsable definida y la posibilidad de volver al proceso anterior. Sin estos tres elementos, el primer trabajo consiste en organizar la operación. La automatización viene después.

• Escribe en una frase cuál es la entrada y la salida esperadas.
• Registra el tiempo de ejecución y de revisión del proceso actual.
• Define el error que haría inaceptable la entrega.
• Elige quién puede aprobar cambios e interrumpir el piloto.

¿Automatización, RAG o agentes de IA?

Estos enfoques pueden coexistir. Una automatización sigue etapas conocidas. Un flujo con RAG busca información de referencia para apoyar la respuesta del modelo. Un agente elige acciones durante la ejecución, dentro de las herramientas y los permisos que ha recibido.

Anthropic distingue entre flujos predefinidos y agentes, y recomienda empezar por la solución más sencilla que funcione. La documentación de retrieval de OpenAI describe la búsqueda semántica sobre documentos. Esto ayuda a elegir la arquitectura, pero por sí solo no resuelve la calidad de la fuente ni el permiso para consultarla.

Anthropic: Building effective agentsOpenAI: Retrieval

Dónde puede ayudar la IA a un equipo

Los ejemplos siguientes son diseños hipotéticos de software, no resultados atribuidos a clientes. Ayudan a separar lo que prepara el sistema de lo que una persona debe decidir.

En el área comercial, la aplicación puede organizar las notas de una reunión y sugerir campos para el CRM. En el ámbito jurídico, puede localizar documentos y destacar fragmentos para el análisis profesional. En compliance, puede reunir evidencias con su origen registrado. En RR. HH., puede orientar la consulta de políticas internas, sin seleccionar candidatos ni tomar decisiones sobre personas.

El límite debe aparecer en la interfaz. Una sugerencia debe poder reconocerse como tal, con acceso al material utilizado. Cuando falta información, el flujo debe permitir solicitar contexto o derivar la solicitud. Una respuesta plausible no demuestra que la tarea se haya resuelto.

Qué medir antes de ponerlo en producción

Define los criterios de aceptación antes de la prueba. Prepara una muestra con situaciones habituales, excepciones y solicitudes incompletas. Conserva una parte de los ejemplos para verificar cambios futuros. Las buenas prácticas de evaluación de OpenAI refuerzan la necesidad de realizar pruebas específicas para la tarea y una evaluación continua, en lugar de confiar únicamente en la impresión de una demostración.

Para una extracción de documentos, comprueba los campos correctos, los campos ausentes y la información inventada. Para una búsqueda interna, verifica si el fragmento citado respalda la respuesta y si el usuario podría acceder a la fuente. Para un flujo que propone una acción, comprueba los parámetros y el punto de aprobación.

Cuenta también el trabajo que queda para el equipo. El tiempo hasta la entrega aprobada, el retrabajo, el coste por tarea y la frecuencia de derivación a una persona son posibles medidas. No existe un objetivo único que sirva para todas las operaciones. La persona responsable del proceso debe definir qué es aceptable y en qué casos debe detenerse el piloto.

OpenAI: Evaluation best practices

Qué forma parte de la implementación

El modelo es una parte de la aplicación. También hay integración con sistemas, control de acceso, validación de datos, registro de acciones, gestión de fallos y una forma de corregir el resultado. Quien mantiene la fuente de información debe saber cuándo un cambio afecta al flujo.

Al ponerla en operación, explica qué hace la herramienta, cuándo suele necesitar ayuda y cómo registrar un problema. Un informe de error útil reúne la entrada, la salida observada, el resultado esperado y el contexto permitido para la investigación. Ese registro puede convertirse en un caso de prueba.

Adoptar IA también implica decidir qué seguirá siendo manual. Una revisión que detecta errores importantes puede formar parte del producto. Si el equipo tiene que rehacer casi todas las entregas, vuelve a revisar el alcance, la calidad de los datos o el enfoque elegido antes de ampliar el uso.