Automatización inteligente vs automatización ciega
Automatizar un proceso disfuncional produce disfunción más rápida. Por qué la IA aplicada sin diagnóstico previo de procesos genera costos que no aparecen en el business case.
La promesa de la automatización con inteligencia artificial es atractiva: reducir costos, eliminar errores humanos, acelerar procesos, liberar a las personas para trabajo de mayor valor. La promesa se cumple — cuando se automatiza lo correcto. Cuando se automatiza lo incorrecto, el resultado es un proceso disfuncional que ahora opera más rápido y a mayor escala, produciendo los mismos errores con mayor eficiencia y menor visibilidad, porque el humano que antes podía detectar y corregir anomalías ya no está en el loop.
Hammer (1990), en el artículo “Reengineering Work: Don’t Automate, Obliterate,” advirtió hace más de tres décadas que automatizar un proceso existente sin cuestionarlo primero es la forma más costosa de perpetuar ineficiencias. La advertencia sigue siendo pertinente porque el patrón se repite con cada ola tecnológica. En los 90s fueron los ERPs: las organizaciones automatizaron procesos manuales sin rediseñarlos y terminaron con sistemas rígidos que replicaban la complejidad burocrática en software. En los 2010s fue el RPA (Robotic Process Automation): bots que replicaban clicks humanos sobre interfaces diseñadas para humanos, automatizando secuencias de pasos sin cuestionar si los pasos eran necesarios. Ahora, con la IA generativa y el ML, el riesgo se amplifica porque la capacidad de automatización es más potente — lo cual significa que las consecuencias de automatizar lo incorrecto son proporcionalmente mayores.
La distinción entre automatización inteligente y automatización ciega no es tecnológica — es metodológica. La automatización ciega toma un proceso existente y lo automatiza tal cual: los mismos pasos, la misma lógica, las mismas reglas de negocio. Si el proceso tiene pasos redundantes, se automatizan los pasos redundantes. Si el proceso tiene aprobaciones que no agregan valor, se automatizan las aprobaciones. Si el proceso tiene excepciones que ocurren el 40% del tiempo y que el operador humano resolvía con juicio, la automatización o las ignora (produciendo errores) o las escala (creando colas de excepciones que requieren más personas que antes). La automatización inteligente comienza con un diagnóstico del proceso: ¿qué pasos agregan valor? ¿cuáles son controles necesarios vs controles heredados? ¿dónde están las fuentes de variabilidad? ¿qué excepciones son legítimas y cuáles son síntomas de un diseño deficiente?
Davenport y Kirby (2016), en “Only Humans Need Apply,” propusieron cinco modelos de relación entre humanos e IA: step up (tomar decisiones de mayor nivel), step aside (hacer lo que las máquinas no pueden), step in (monitorear y ajustar las máquinas), step narrowly (especialización en nichos), y step forward (construir las máquinas). Lo relevante para la conversación sobre automatización es el modelo “step in”: la capacidad de supervisar la automatización, detectar cuando produce resultados incorrectos, y saber cuándo intervenir. Este modelo requiere que la organización mantenga competencia en los procesos que automatiza — lo cual es precisamente lo que no ocurre cuando la automatización se implementa para “eliminar” puestos de trabajo en lugar de para reconfigurarlos.
El business case de la automatización típicamente cuenta los beneficios y subestima los costos ocultos. Los beneficios son visibles y cuantificables: reducción de FTEs, reducción de tiempo de procesamiento, reducción de errores manuales. Los costos ocultos son difusos y difíciles de cuantificar: el costo de mantenimiento del sistema automatizado (que requiere actualización cuando cambian las reglas de negocio, los sistemas upstream o los formatos de datos), el costo de gestionar las excepciones que la automatización no maneja, el costo de la pérdida de conocimiento institucional cuando las personas que entendían el proceso ya no están, y el costo de la rigidez — la dificultad de cambiar un proceso automatizado cuando las condiciones de negocio cambian.
Willcocks, Lacity y Craig (2015), en su investigación sobre RPA en servicios financieros, documentaron que las implementaciones exitosas de automatización compartían una característica: el proceso fue optimizado antes de ser automatizado. Las organizaciones que primero simplificaron el proceso — eliminando pasos innecesarios, estandarizando excepciones, clarificando reglas de negocio — y luego automatizaron el proceso simplificado obtuvieron entre 3x y 5x más beneficio que las que automatizaron el proceso tal como estaba. La razón es directa: automatizar un proceso de 15 pasos con 8 excepciones es significativamente más complejo — y más costoso de mantener — que automatizar un proceso de 7 pasos con 3 excepciones que produce el mismo resultado.
En el contexto de Panamá y Centroamérica, la automatización con IA enfrenta una complicación adicional: la informalidad de los procesos. Muchas organizaciones no tienen documentación actualizada de sus procesos — el proceso real difiere del proceso documentado (si existe documentación), y las variaciones entre personas que ejecutan el mismo proceso son significativas. Automatizar un proceso que no está estandarizado produce uno de dos resultados: o se automatiza una versión del proceso que no refleja todas las variaciones reales (produciendo errores cuando se encuentran los casos no contemplados), o se intenta automatizar todas las variaciones (produciendo un sistema tan complejo que su mantenimiento consume los beneficios de la automatización).
La secuencia que produce resultados es: documentar el proceso real (no el diseñado), analizar qué agrega valor y qué no, rediseñar para simplificar, estandarizar para reducir variabilidad, y luego automatizar. Cada paso de esta secuencia tiene un costo y un tiempo que el entusiasmo por la IA tiende a comprimir o eliminar. La presión por mostrar resultados rápidos — “necesitamos un caso de éxito de IA para el board del próximo trimestre” — lleva a automatizar lo primero que se puede automatizar en lugar de lo que más conviene automatizar. Este patrón es una de las razones por las que la mayoría de las transformaciones organizacionales fracasan — no por falta de voluntad sino por falta de diagnóstico previo. Para empresas medianas que buscan una ruta realista, una guía práctica de IA para empresas de 50-500 personas puede ayudar a separar los casos de uso con ROI demostrable del hype. Lo primero que se puede automatizar frecuentemente es lo más simple — procesos manuales y repetitivos con reglas claras — cuyo beneficio existe pero es marginal comparado con lo que se obtendría al rediseñar y automatizar los procesos complejos que realmente consumen recursos.
La IA agrega una capa adicional de complejidad a esta conversación porque sus capacidades van más allá de la automatización basada en reglas. Un sistema de ML puede detectar patrones en datos que un sistema basado en reglas no puede, puede procesar información no estructurada (texto, imágenes, voz) que el RPA tradicional no maneja, y puede adaptarse a variaciones que un workflow rígido no contempla. Pero estas capacidades son útiles solo cuando se aplican a problemas que las merecen. Usar un modelo de lenguaje para clasificar emails que podrían clasificarse con tres reglas de negocio es como usar un bisturí láser para cortar pan — técnicamente funciona, pero el costo de adquisición y mantenimiento del instrumento no se justifica por la complejidad de la tarea.
El criterio para decidir qué automatizar — y con qué nivel de sofisticación — debería basarse en tres variables: el volumen del proceso (¿cuántas veces se ejecuta?), la complejidad de las decisiones involucradas (¿se basa en reglas claras o en juicio?), y el costo del error (¿qué pasa si la automatización se equivoca?). Procesos de alto volumen, baja complejidad y bajo costo de error son candidatos ideales para automatización basada en reglas. Procesos de alto volumen, alta complejidad y alto costo de error son candidatos para IA con supervisión humana. Procesos de bajo volumen y alta complejidad probablemente no deben automatizarse — el costo de construir y mantener la automatización excede el costo de mantener el proceso manual.
La automatización inteligente no es anti-tecnología — es pro-diagnóstico. Dice que antes de aplicar una solución sofisticada, hay que entender el problema con suficiente profundidad para saber si la solución es correcta. Este principio es obvio en medicina (no se prescribe tratamiento sin diagnóstico) y en ingeniería (no se construye sin planos), pero se viola sistemáticamente en proyectos de automatización donde la presión por demostrar que “estamos adoptando IA” supera la disciplina de entender primero qué se está automatizando y por qué.
Referencias
- Davenport, T. H., & Kirby, J. (2016). Only Humans Need Apply: Winners and Losers in the Age of Smart Machines. Harper Business.
- Hammer, M. (1990). Reengineering work: Don’t automate, obliterate. Harvard Business Review, 68(4), 104-112.
- Willcocks, L. P., Lacity, M. C., & Craig, A. (2015). The IT function and robotic process automation. The Outsourcing Unit Working Research Paper Series, 15(05). LSE.