Qué procesos empresariales pueden beneficiarse de inteligencia artificial

Hay una diferencia importante entre "usar IA" y "resolver un problema con IA". La primera produce demostraciones impresionantes que no llegan a producción. La segunda produce procesos que funcionan todos los días sin que nadie los celebre.

Este artículo trata de la segunda.

El filtro previo: cuándo la IA es la herramienta correcta

Antes de evaluar casos concretos, conviene aplicar un filtro. La IA aporta valor cuando el problema tiene estas características:

• La entrada no es estructurada. Texto libre, documentos, correos, transcripciones. Si tus datos ya están en una tabla ordenada, probablemente una consulta SQL o una regla resuelve mejor y más barato.
• Las reglas son difíciles de enumerar pero los ejemplos abundan. Nadie puede escribir todas las reglas para clasificar un reclamo, pero cualquiera reconoce uno al leerlo.
• Un margen de error es tolerable o verificable. Si el proceso exige exactitud absoluta sin posibilidad de revisión, la IA necesita una capa de validación determinística encima.
• El volumen justifica el esfuerzo. Veinte documentos al mes se revisan a mano. Dos mil, no.

Análisis y extracción documental

Es el caso con mejor relación esfuerzo/retorno en la mayoría de empresas, porque el trabajo manual que reemplaza es puramente mecánico.

Qué se puede extraer de forma confiable

De un contrato: partes involucradas, vigencia, montos, cláusulas de renovación automática, penalizaciones, jurisdicción. De una factura: emisor, NIT, fecha, líneas de detalle, impuestos, total. De un expediente: fechas clave, documentos faltantes según una lista de requisitos.

El patrón de implementación que funciona

La clave está en forzar una salida estructurada. En lugar de pedirle al modelo un resumen en prosa, se le exige devolver un objeto que cumpla un esquema definido:

Ese último punto es esencial. Los cálculos no se le confían al modelo: se validan con aritmética normal. El modelo extrae, el código verifica. Esa división de responsabilidades es lo que hace que el sistema sea auditable.

Clasificación y enrutamiento

Correos que llegan a una casilla general y alguien distribuye. Reclamos que deben ir al área correcta. Solicitudes que se priorizan según urgencia. Documentos que se archivan en la carpeta que corresponde.

Es un caso donde la IA supera claramente a las reglas por palabras clave, porque entiende el contenido y no solo la coincidencia literal. Un correo que dice "llevo tres días sin poder ingresar" se clasifica como incidencia técnica urgente aunque no contenga ninguna de las palabras que un filtro tradicional buscaría.

Cómo medirlo

Antes de poner un clasificador en producción hay que establecer una línea base. Se toma una muestra de entre 200 y 500 casos ya clasificados manualmente, se pasa por el sistema y se compara. Lo que interesa medir:

• Exactitud por categoría, no global. Un clasificador con 92% de exactitud general puede estar fallando sistemáticamente en la categoría más crítica.
• Costo asimétrico del error. Clasificar un reclamo grave como consulta rutinaria cuesta mucho más que lo contrario. El umbral debe reflejar esa asimetría.
• Tasa de derivación a humano. Un sistema que deriva el 40% de los casos no está ahorrando lo que promete.

Asistentes sobre conocimiento interno

Un asistente que responde preguntas sobre las políticas, procedimientos, manuales y contratos de la empresa. Es el caso que más entusiasmo genera y el que más frecuentemente se implementa mal.

El error típico: conectar un modelo de lenguaje general y esperar que sepa de tu empresa. No la conoce, y cuando no sabe, tiende a inventar respuestas plausibles. En un contexto empresarial eso es inaceptable: una respuesta incorrecta sobre una política de crédito o una condición contractual tiene consecuencias reales.

La arquitectura RAG, explicada

La solución estándar se llama RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación). En lugar de confiar en lo que el modelo "sabe", se le entrega el fragmento relevante de tus documentos junto con la pregunta.

Los detalles que deciden si funciona

• La fragmentación. Cortar los documentos en trozos demasiado pequeños pierde contexto; demasiado grandes diluyen la búsqueda. Respetar la estructura natural del documento —por sección o artículo— funciona mejor que cortar por número fijo de caracteres.
• Las citas son obligatorias. Toda respuesta debe indicar de qué documento y sección salió. Sin esto, el usuario no puede verificar y el asistente no es confiable para decisiones.
• El paso 5 es el más importante. El sistema debe poder decir "no sé". Un asistente que siempre responde algo es un asistente que a veces inventa.
• Permisos. Si el asistente indexa documentos de recursos humanos y de finanzas, debe respetar quién puede ver qué. Este requisito se diseña desde el inicio, porque agregarlo después implica rehacer la arquitectura.

Predicción y detección de anomalías

Aquí la IA es aprendizaje automático clásico más que modelos de lenguaje, y es un terreno donde las expectativas suelen estar mal calibradas.

Casos que funcionan bien

• Detección de anomalías en transacciones. Identificar lo que se sale del patrón habitual. No requiere predecir el futuro, solo reconocer lo inusual, que es un problema mucho más tratable.
• Predicción de demanda con historia suficiente. Necesita al menos dos o tres años de datos limpios para capturar estacionalidad. Con menos historia, los métodos estadísticos simples suelen rendir igual o mejor.
• Priorización de cobranza. Estimar qué cuentas tienen mayor probabilidad de pago para enfocar el esfuerzo. Aunque el modelo sea impreciso, ordenar mejor que al azar ya genera valor.

Casos donde conviene ser escéptico

Predecir eventos raros con pocos ejemplos históricos, o pronosticar en mercados que cambiaron estructuralmente respecto al periodo de entrenamiento. Un modelo entrenado con datos previos a un cambio de regulación o de mercado aprende un mundo que ya no existe.

Riesgos que hay que gestionar desde el diseño

Confidencialidad de la información

Si usas un servicio de IA en la nube, tus documentos salen de la empresa. Hay que verificar las condiciones del proveedor sobre retención y uso de datos para entrenamiento, y decidir qué información puede salir y cuál no. Para datos especialmente sensibles existen opciones de despliegue con mayor aislamiento, a mayor costo.

Trazabilidad de las decisiones

Si un sistema con IA participa en decisiones que afectan a personas —crédito, contratación, precios— debes poder explicar por qué decidió lo que decidió. Esto favorece arquitecturas donde la IA aporta insumos y las reglas de negocio explícitas toman la decisión final.

Degradación silenciosa

Un modelo no falla con un error visible: simplemente empieza a acertar menos a medida que la realidad se aleja de sus datos de entrenamiento. Sin monitoreo continuo de la calidad, esa degradación pasa desapercibida durante meses. Hay que definir desde el inicio qué métrica se vigila y con qué frecuencia.

La IA no reemplaza el criterio: reduce el volumen de trabajo mecánico para que el criterio se aplique donde de verdad importa.

En resumen

Los casos que llegan a producción comparten un patrón: entrada no estructurada, volumen alto, salida verificable y una decisión concreta que cambia. Los que se quedan en demostración suelen fallar en el último punto.

Si tu caso involucra documentos, probablemente el punto de partida sea la extracción estructurada con validación determinística, que es la más rápida de poner en producción y la más fácil de medir.