Enseñe a la IA a trabajar como un miembro de su equipo

En una empresa minorista del Fortune 500, la dirección proporcionó a un equipo encargado de redactar los contratos de negociación con los proveedores una herramienta de IA destinada a agilizar su trabajo. Impulsada por un gran modelo de lenguaje (LLM) ampliamente utilizado, la dirección esperaba que la herramienta agilizara el trabajo del equipo resumiendo documentos, respondiendo a preguntas sobre el contenido, comparando contratos y mucho más.

Sin embargo, a pesar de las altas expectativas, el resultado del equipo no cambió. Aunque la herramienta podía generar un texto genérico -por ejemplo, un borrador del contrato-, el equipo tenía que personalizar después ese texto para cada proveedor. Para cada contrato, seguían teniendo que incorporar manualmente al contrato detalles críticos como la información del proveedor, las condiciones, el historial de pedidos y otros matices. Como tal, la herramienta tuvo un impacto mínimo en la reducción de la carga de trabajo del equipo.

Esta historia refleja un patrón de cómo las herramientas de IA no cumplen sus promesas. En una encuesta reciente que realizamos a 30 empresas de distintos sectores (incluido el equipo de contratos mencionado anteriormente), los encuestados informaron de que las herramientas genéricas de IA a menudo no ayudan a los usuarios a completar las tareas específicas requeridas en flujos de trabajo únicos porque son genéricas. Incluso cuando las herramientas de IA se adaptaban a ámbitos específicos como las finanzas o los recursos humanos, no conseguían añadir suficiente valor porque seguían sin estar lo suficientemente especializadas: no se adaptaban a las necesidades y normas específicas de una organización, un equipo o un proceso. De ahí que los usuarios informaran de que regularmente encontraban que las herramientas y modelos de IA “no funcionaban” o “eran demasiado genéricos”.

Esta brecha entre las capacidades genéricas de la IA y las necesidades específicas y cambiantes de los equipos apunta a un reto más profundo: las herramientas actuales no están construidas para comprender cómo se hace realmente el trabajo. En este artículo, ofrecemos dos conceptos clave que pueden ayudar a salvar esa brecha: los gráficos de trabajo (mapas digitales de cómo trabajan los equipos) y la localización mecanicista inversa (adaptar los modelos de IA a los equipos). Estas ideas ayudan a explicar por qué la IA tradicional a menudo se queda corta y cómo las organizaciones pueden diseñar sistemas de IA que se adapten a los flujos de trabajo reales, a los usuarios reales y al contexto real.

Por qué la herramienta de IA no creaba valor

Consideremos este problema en el contexto de un proceso concreto ejecutado por el equipo de contratos. Tradicionalmente, al redactar un nuevo contrato para un proveedor, el equipo debía

• Accedía a múltiples sistemas
• Recuperar, analizar y examinar los datos del proveedor
• Revisar las cotizaciones del proveedor y las condiciones de negociación de proveedores similares (o relacionados)
• Examinar cualquier historial de pedidos relevante del proveedor
• Redactar manualmente un contrato que incorpore todos estos elementos

Cuando el equipo de contratos adoptó por primera vez la herramienta de IA, su proceso comenzó con la generación de un contrato básico. A partir de ahí, dedicaron un tiempo considerable a perfeccionarlo manualmente. El resultado de la herramienta de IA se basaba en gran medida en contenido disponible públicamente en Internet y carecía de los matices y las perspectivas específicas del contexto que necesitaban para sus contratos. Aunque la herramienta de IA les pareció interesante, les costó ver un impacto real en términos de reducción del esfuerzo.

Este es un ejemplo de la “paradoja de la productividad” de la IA en acción: una tecnología increíble que, sin una adaptación contextual profunda, no consigue traducirse en mejoras tangibles de la productividad, un fenómeno que recuerda a la observación del economista Robert Solow de que “se puede ver la era informática en todas partes menos en las estadísticas de productividad”.

Los potentes modelos de IA sobresalen porque se entrenan en amplios conjuntos de datos genéricos, pero su universalidad es un arma de doble filo. Aunque estos modelos pueden realizar una amplia gama de tareas, a menudo pasan por alto el contexto único de los flujos de trabajo específicos y los requisitos de los equipos, lo que hace que se pierdan ganancias de productividad.

El contexto lo es todo

La IA estaba fallando por la misma razón por la que un recién contratado podría tener dificultades para rendir de inmediato: No sabía cómo realizaba su trabajo el equipo, dónde encontrar la información o qué -exactamente- debía hacer con ella. Carecía del contexto adecuado para contribuir realmente.

Mientras la empresa experimentaba con esta IA, también trabajaba en lo que se convertiría en una solución a ese problema de contexto, desplegando herramientas para mapear sus procesos y crear un “gráfico de trabajo”: una visión dinámica y en tiempo real de cómo los equipos ejecutan los flujos de trabajo en todos los sistemas. Estos mapas captaban algo más que tareas:revelaban cómo se tomaban las decisiones, a qué datos se hacía referencia y qué sistemas estaban implicados. Esto era fundamental porque, aunque dos equipos puedan utilizar las mismas herramientas, su forma de trabajar suele ser muy diferente.

Los datos necesarios para redactar cada contrato no estaban centralizados ni eran estáticos, variaban según el proveedor y estaban dispersos en múltiples sistemas. Los miembros del equipo tenían que localizar, interpretar, verificar y sintetizar esta información para elaborar contratos precisos. Mientras lo hacían, sus acciones -navegar por los sistemas, revisar los datos, tomar decisiones- se capturaban automáticamente de forma agregada en el gráfico de trabajo.

Y aquí es donde surgió la verdadera oportunidad: El gráfico de trabajo -que incluía dos meses de actividad vetada y rica en contexto- podía utilizarse para entrenar la herramienta de IA. Como recogía todo lo que el equipo consideraba importante, proporcionó a la herramienta de IA un contexto validado por humanos en tiempo real, lo que permitió a la herramienta empezar a trabajar de una forma que se ajustaba a cómo trabajaba realmente el equipo. Con esta aportación, la herramienta de IA pudo producir un primer borrador significativamente más completo, reduciendo las iteraciones y acelerando el camino hacia un contrato final utilizable. Este enfoque redujo a más de la mitad el esfuerzo manual del equipo en la redacción de cada contrato. Aunque siguieron revisando y verificando el resultado generado por la IA, necesitaron muchas menos iteraciones y mucho menos trabajo de reelaboración. Como resultado, el rendimiento global del equipo en la generación de contratos aumentó casi un 30%.

Para que esto funcionara, sin embargo, se necesitaba algo más que los datos adecuados: se necesitaba el enfoque adecuado. Mientras que la automatización tradicional a menudo pretende sustituir el trabajo humano, el objetivo aquí era personalizar la IA para que funcionara mejor para los equipos reflejando su forma de trabajar. Para ello, aplicamos un enfoque denominado localización mecanicista inversa (RML). Para entender cómo funciona una IA, lo habitual es hacer ingeniería inversa desde una perspectiva humana. La RML da la vuelta a esa idea: Hace ingeniería inversa de cómo trabajan los humanos analizando en profundidad los flujos de trabajo, las decisiones y el contexto reales de un equipo, y lo utiliza para adaptar la IA para que sirva mejor al equipo. Es un modelo de colaboración, no de sustitución.

Se puede pensar que RML hace por la IA lo que la personalización hace por las plataformas de software. Pero mientras que personalizar el software suele significar cambiar lo que ve el usuario, el RML cambia lo que entiende la IA. Es más profundo, más contextual y, en definitiva, más potente.

La puesta en práctica del RML para el equipo de contratos implicó los siguientes pasos.

1. Mapear el gráfico de trabajo.

Empezamos por capturar cada paso e interacción hombre-máquina que los miembros del equipo de contratos realizaban en su trabajo: cómo recuperaban información sobre un proveedor, cómo realizaban comprobaciones cruzadas, cómo integraban manualmente diversas fuentes de datos en archivos Excel. Todos estos pasos capturan tanto las acciones explícitas (por ejemplo, leer el perfil de un proveedor) como los patrones tácitos de toma de decisiones que sustentan el flujo de trabajo (por ejemplo, comprobar si el proveedor tiene una mala calificación crediticia). Estos datos granulares de alta fidelidad son la esencia del contexto local de un equipo: las pistas en las que se basan, qué información consideran más importante y cómo se adaptan en diferentes escenarios.

Estos datos, en todas las organizaciones, proporcionan los detalles granulares de cómo funciona realmente un equipo. Cuando este rico tapiz se introduce en la herramienta de IA, permite transformar un modelo genérico en una herramienta altamente especializada que entiende el lenguaje local del trabajo. Por lo tanto, es importante que los líderes piensen en invertir en la recopilación de estos datos y en utilizarlos como fuente para transformaciones posteriores, incluido el suministro de contexto a los modelos de IA.

2. Afinar con el gráfico de trabajo.

Una vez que trazamos el gráfico de trabajo del equipo de contratos, utilizamos su información detallada como contexto y la utilizamos para afinar el modelo que alimentaba la herramienta de IA. Para ello fue necesario alimentar el modelo (por debajo de la herramienta de IA) con patrones de trabajo y datos (por ejemplo, información sobre los proveedores). Este es el paso clave: integrar el contexto local de un equipo en la herramienta de IA. Al integrar los patrones de trabajo específicos y las pistas contextuales de las operaciones diarias del equipo, la herramienta de IA genera un primer borrador del contrato que incluye varios detalles del proveedor, los matices en torno a sus calificaciones crediticias, etc. Por tanto, se trata de un borrador más completo.

3. Perfeccionamiento continuo.

Las organizaciones evolucionan continuamente. Los procesos cambian, se incorporan nuevas tecnologías y las situaciones y prioridades cambian (por ejemplo, los equipos empiezan a trabajar con nuevos proveedores en nuevas geografías). Por ello, las empresas necesitan actualizar continuamente el gráfico de trabajo e introducir los patrones emergentes en el modelo para mantener actualizadas las herramientas de IA.

Por ejemplo, el equipo de contratos recibe periódicamente comentarios sobre la calidad de los contratos generados mediante RML (por ejemplo, el contrato no refleja con exactitud la implicación de una mala calificación crediticia para un proveedor). Este tipo de retroalimentación, denominada aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés), se utiliza para seguir afinando y refinando el modelo en la herramienta de IA. Como resultado, la herramienta de IA sigue adaptándose a las necesidades del equipo, garantizando una alta precisión sostenida en el tiempo.

Los equipos de empresa funcionan con conocimientos tribales: conocimientos implícitos sobre la forma en que cada equipo ejecuta el trabajo y las soluciones específicas a los retos a los que se enfrenta el equipo al realizar su trabajo. Al excavar este conocimiento y afinar los modelos sobre esta información, podemos producir modelos más precisos y contextualizados que sirvan a los equipos con mayor exactitud.

Un uso apasionante de los modelos de IA es conseguir que actúen como “agentes”,es decir, que operen de forma autónoma para ejecutar patrones de trabajo. El reto, sin embargo, es que es probable que estos modelos sufran el mismo problema de universalidad, ya que se basan en potentes modelos generalizados. Para que los agentes tengan éxito, necesitan operar y ejecutar con precisión dentro del contexto de un equipo. De ahí que el RML sea fundamental para potenciar a los agentes para que aprendan de los equipos y, por tanto, sirvan a los equipos con mayor precisión.

¿Qué pueden hacer los CXO?

Los modelos genéricos, aunque impresionan por su amplitud, a menudo no logran captar el matizado contexto local que impulsa la eficacia y la precisión reales. Los CXO deben reconocer que la IA no es una tecnología de “configúrela y olvídese”. Por el contrario, su valor se desbloquea cuando el sistema se alinea con los patrones de trabajo específicos y los procesos de toma de decisiones de la organización.

Al invertir en un enfoque a medida, las empresas pueden reducir significativamente las tasas de error, recortar los costes operativos y, en última instancia, lograr un ROI mucho mayor de sus iniciativas de IA. En el panorama competitivo actual, descuidar la integración de esta capa de conocimiento contextual significa dejar dinero -y ventajas estratégicas- sobre la mesa.

En resumen, si su estrategia de IA se basa únicamente en soluciones estándar, corre el riesgo de perderse una transformación que impulse una verdadera productividad y reducción de riesgos. Por lo tanto, una estrategia completa de IA debe incluir un perfeccionamiento continuo a través de conocimientos localizados para garantizar que las inversiones en tecnología aporten valor tanto inmediato como a largo plazo.