La IA en la práctica: cómo 3 equipos convirtieron la IA en verdaderos logros operativos
Punto de control humano: Los estudios de caso de IA exitosos mantienen la revisión humana y trasladan la supervisión hacia las excepciones en lugar de eliminar la responsabilidad.
Clasificación de contactos: Chime automatizó la clasificación y auditoría de llamadas, lo que ayudó a los agentes a centrarse en los clientes mientras se supervisaban la precisión y las regresiones del modelo.
Mejoras en las previsiones: La IA agéntica de Amazon redujo en un 80 por ciento el tiempo dedicado a planificar la demanda y en un 40 por ciento el error de las previsiones mediante datos más limpios y visibles.
Integración del flujo de trabajo: ACV Auctions redujo en dos tercios el tiempo del ciclo de venta de vehículos al conectar la recepción, la valoración, la comercialización, las transacciones y el cumplimiento.
Creación de confianza: Los equipos lograron la adopción empezando poco a poco, mostrando resultados medibles, simplificando datos desordenados y manteniendo la responsabilidad de las partes interesadas durante todo el despliegue.
Los estudios de caso sobre IA suelen presentarse de dos formas: historias de éxito vagas sin cifras que las respalden, o artículos promocionales que pasan directamente por alto la parte difícil.
El evento reciente de DPM, IA en la práctica, se creó para evitar ambas. Tres líderes —uno de una organización de atención al cliente de tecnología financiera, otro del área de planificación de la demanda de Amazon y otro de un mercado en línea donde los concesionarios compran y venden automóviles usados— explicaron los sistemas de IA que realmente construyeron, los problemas que encontraron y las cifras que obtuvieron al final.
Chris Hernandez, gerente sénior de operaciones de IA en Chime, abrió la sesión explicando cómo su equipo automatizó la clasificación de los motivos de contacto en las llamadas de atención al cliente. Aniket Ghonge, gerente sénior de la cadena de suministro en Amazon, continuó con la plataforma de IA agéntica que construyó por su cuenta para solucionar la planificación de la demanda. Y Anika Banakh, directora de gestión de programas tecnológicos en ACV Auctions, cerró la sesión con el motor de operaciones digitales integral que su equipo creó para modernizar la venta de vehículos.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
En apariencia, los tres proyectos tienen poco en común. Pero todos compartían un tema: ninguno de estos equipos trató la IA como algo que se configura y luego se abandona. Todos los sistemas mantuvieron un punto de control humano, incluso después de que desapareciera el trabajo manual.
Liberar la atención del personal de primera línea con IA
El equipo de Hernandez comenzó estudiando lo que realmente hacían los agentes del centro de llamadas durante una llamada de cliente, y era más que resolver el problema del cliente. Los agentes también tomaban notas e intentaban etiquetar la conversación con el motivo de contacto correcto —de entre más de 1.500 categorías posibles— mientras la llamada seguía en curso.
"Teníamos más de mil quinientas variaciones diferentes de motivos de contacto entre las que debían seleccionar", dijo Hernandez. "Y saber cuál era la correcta siempre resultaba difícil." El proceso era manual, inconsistente y propenso a errores, y desviaba la atención del miembro que estaba al otro lado de la línea.
El equipo creó un clasificador que utilizaba un LLM para revisar las transcripciones de las llamadas y aplicar automáticamente el motivo de contacto. Ese trabajo dio lugar a un segundo proyecto no planificado: el equipo de Hernandez ahora dedicaba mucho tiempo a verificar que el clasificador no estuviera alucinando y funcionara como se esperaba. Por eso construyeron una segunda canalización de IA únicamente para auditar la primera. Ese sistema "agrupa los fallos recurrentes, detecta los errores, también realiza sus pruebas y presenta los resultados a mi equipo", en lugar de exigir que una persona revisara cada caso.
Llegar hasta ahí no fue sencillo. Hernandez dijo que cada decisión sobre el modelo se reduce a tres factores: velocidad, precisión y coste. Un modelo más pequeño y barato producía resultados rápidos, pero con menor precisión; un modelo más grande que pudiera gestionar la complejidad implicaba un precio más elevado. Cuando la ingeniería de instrucciones alcanzó su límite, el equipo recurrió a enfoques basados en recuperación y al procesamiento por lotes para controlar los costes. También tuvieron que crear y mantener continuamente un "conjunto de datos de referencia": una fuente fiable de verdad con la que medir la precisión del clasificador, incluso mientras los motivos de contacto subyacentes seguían cambiando.
El apoyo llegó al cuestionar la propia taxonomía, no solo el modelo. "A veces pensamos que podríamos poner IA en cada solución y que eso sería la solución definitiva", dijo Hernandez. "Pero si entran buenos datos, salen buenos datos. Y si entran malos datos, van a salir malos datos." Eso llevó al equipo a simplificar su lista de más de 1.500 motivos de contacto, en lugar de pedirle al modelo que trabajara en torno a ella.
Los resultados incluyeron un ahorro de tiempo en la gestión de llamadas y una mejora del trabajo posterior a las llamadas, pero Hernandez dejó claro qué era lo más importante: devolverles tiempo a los agentes para que pudieran centrarse en el miembro, no en el papeleo. "Cada vez que estamos automatizando tareas, en realidad no eliminamos el punto de control, sino que lo trasladamos", dijo. "La IA es un multiplicador para eliminar el trabajo rutinario, pero la persona que participa en el proceso es lo que hace que ese multiplicador sea realmente confiable."
Ese equilibrio se refleja directamente en la forma en que funciona hoy la canalización de auditoría. En lugar de confiar en que el sistema envíe los cambios directamente a producción, genera un informe semanal que señala dónde se produjeron regresiones o fallos en las pruebas, para que el equipo de Hernandez sepa exactamente dónde debe centrarse. "Ahí es donde encontramos el equilibrio", dijo, "intentando aprovechar el LLM como juez y distintas capacidades para poder ampliar y asumir más sin introducir ningún riesgo para el negocio".
Automatizar la planificación de la cadena de suministro con IA agéntica
El equipo de Ghonge trabaja con miles de proveedores y socios, y los datos necesarios para pronosticar la demanda de cada uno estaban dispersos entre programas de CRM, herramientas de gestión de proyectos y hojas de Excel, sin coherencia en la forma en que se etiquetaban de un sistema a otro. "No había control sobre los datos porque las canalizaciones de datos procedían de diferentes programas, con distintos responsables y usuarios", dijo.
Reconciliarlo todo manualmente le llevaba a Ghonge entre 16 y 20 horas a la semana, en un momento en que el negocio todavía era relativamente pequeño. "Eso era una locura para mí", dijo. Así que empezó a experimentar, primero con un prototipo en Excel para comprobar si el enfoque podía funcionar. Ayudó, pero no por completo. Fue entonces cuando recurrió a la IA agéntica y construyó él mismo el sistema, con experiencia en paneles de control y requisitos de producto, pero sin formación formal en ingeniería.
La adopción empezó a pequeña escala — Ghonge era el único usuario — y creció a través de canales informales: reuniones de revisión empresarial, sesiones informales de aprendizaje durante el almuerzo y el boca a boca. Cuatro meses después, la plataforma tenía más de 75 usuarios y miles de visualizaciones.
Los resultados fueron sustanciales. Lo que antes llevaba 20 horas ahora lleva dos, una reducción del 80 % en el tiempo necesario para generar una previsión de la demanda, junto con una reducción del 40 % en el error de previsión. "La principal es una reducción del 80 % en el tiempo necesario para generar la demanda y una alta precisión", dijo Ghonge. "También observamos una reducción de aproximadamente el 40 % en el [error] de previsión". El sistema también proporcionó al equipo una visibilidad que nunca había tenido antes: la capacidad de desglosar exactamente qué atributos de los proveedores estaban impulsando miles de cambios mensuales, en lugar de tener que adivinar.
La confianza no surgió de la etiqueta de IA. Surgió de la transparencia. Cuando los datos de gestión de proyectos se exportaban como 18.000 filas que en realidad representaban solo entre 600 y 700 tickets reales, el sistema de Ghonge analizaba y consolidaba ese caos en una tabla limpia que los usuarios podían revisar directamente, en lugar de tener que revisar la herramienta de origen ticket por ticket. "En vez de ir a la herramienta cada vez para cada ticket, ahora pueden ver fácilmente todo en un solo sistema", dijo. Los usuarios también podían consultar cualquier semana anterior y compararla con la actual, observando cómo los errores de previsión disminuían con el tiempo — una prueba de que el sistema realmente funcionaba, no solo de que automatizaba.
Ghonge también atribuyó a la IA algo que no había planeado originalmente: la documentación. Una vez que empezó a pedirle a la IA que registrara sus propias implementaciones y el tiempo dedicado, pudo cuantificar a posteriori su propio proceso de desarrollo, hasta llegar al número de indicaciones que necesitó para conseguirlo.
Construcción de un motor digital de operaciones impulsado por IA
El equipo de Banakh se propuso reinventar todo el recorrido de venta de vehículos — cómo se llevan los vehículos al mercado, se valoran, se comercializan, se emparejan con compradores, se venden, se entregan y se transportan — como un único proceso digital conectado, en lugar del modelo tradicional del sector: un cliente lleva un coche a una subasta física una vez a la semana y espera que se venda ese mismo día.
"Recientemente hemos creado un flujo de trabajo digital inteligente integral para uno de nuestros socios principales, que incluye: recepción de datos del vehículo, inspección, valoración, comercialización, búsqueda de compradores, transacción y cumplimiento", dijo Banakh. "En realidad, todo se ha transformado en un único proceso continuo".
La parte más difícil no fue la tecnología. Fue el propio sector. "El factor humano tiene una conocida aversión a lo digital en este sector", dijo Banakh. "Todavía veo a concesionarios caminando con bolígrafo y papel para documentar". Eso significaba que el proyecto requería algo más que un cambio de proceso: necesitaba lo que Banakh denominó un cambio de paradigma en los comportamientos fundamentales, algo que es fácil hacer mal.
Con un plazo ajustado, el equipo de Banakh utilizó IA para simular una variedad de personalidades de las partes interesadas y conversar sobre cómo debía articularse el flujo de trabajo. "Básicamente terminamos cocreando el borrador del flujo de trabajo", dijo. "Y después se lo presentamos a nuestro socio para que lo validara. Y eso realmente agilizó las conversaciones" — sustituyendo las lentas reuniones de validación individuales por un borrador al que el socio podía responder directamente.
El proyecto todavía se encuentra en una fase piloto inicial, por lo que Banakh solo pudo compartir cifras limitadas, pero el resultado principal destacó: el tiempo de ciclo ya se ha reducido en dos tercios, antes incluso de que el sistema se haya optimizado por completo. "El tiempo de ciclo se ha reducido en dos tercios por ahora, y ni siquiera lo hemos optimizado por completo", dijo, añadiendo que se espera que después se produzcan reducciones en los costes, la depreciación de los activos y la mano de obra.
Conseguir que las partes interesadas escépticas se sumaran no requirió un discurso contundente. "Hablas de la justificación y del ROI, y las verdaderas personas de negocios se convencen cuando ven el resultado", dijo Banakh. Para los concesionarios que prefieren seguir haciendo las cosas a la antigua, eso también está bien: el sistema está diseñado para socios que quieren crecer a escala nacional, no para sustituir todos los flujos de trabajo que ya funcionan para alguien.
El hilo conductor
Diferentes sectores, diferentes herramientas, diferentes escalas, pero la misma disciplina subyacente. El equipo de Hernandez construyó un segundo sistema de IA solo para mantener la integridad del primero. Ghonge incorporó visibilidad a su plataforma para que los usuarios pudieran verificar los datos por sí mismos, en lugar de aceptar el resultado por fe. El equipo de Banakh mantuvo una "transferencia fluida en cada paso del proceso", con un gestor de programas responsable de detectar anomalías que, de otro modo, la revisión humana podría pasar por alto.
Ninguno de estos equipos obtuvo apoyo presentando la IA como concepto. Lo lograron lanzando algo pequeño, demostrando que funcionaba y dejando que los resultados hablaran por sí mismos. Como dijo Banakh, "los verdaderos empresarios se convencen cuando ven el resultado". Ese es el patrón detrás de los tres casos de estudio: se trata menos de la IA en sí y más de la disciplina de generar confianza en el sistema junto con ella.
¿Quieres recibir más información como esta? Regístrate para obtener una cuenta DPM gratuita y escuchar a más expertos como estos, además de ser de los primeros en enterarte de los próximos eventos.
