La IA en acción: cómo 3 equipos convirtieron la IA en verdaderos logros operativos
Punto de control humano: Los estudios de caso exitosos de IA mantienen la revisión humana y desplazan 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 supervisaban la precisión del modelo y las regresiones.
Mejoras en los pronósticos: La IA autónoma de Amazon redujo en un 80 por ciento el tiempo dedicado a la planificación de la demanda y en un 40 por ciento el error de los pronósticos 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.
Construcción de confianza: Los equipos lograron la adopción al comenzar poco a poco, mostrar resultados medibles, simplificar datos desordenados y mantener la responsabilidad de las partes interesadas durante toda la implementación.
Los estudios de caso sobre IA suelen presentarse de dos formas: historias de éxito vagas y sin cifras, o artículos llenos de exageraciones que pasan directamente por alto la parte difícil.
El evento reciente de DPM, IA en estado salvaje, se organizó para evitar ambas. Tres líderes —uno de una organización de atención al cliente de una empresa fintech, 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 motivos de contacto para 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.
Desbloquea Gratis
Crea una cuenta gratuita para terminar de leer este contenido y unirte a una comunidad de líderes visionarios que están desbloqueando herramientas, manuales y conocimientos para prosperar en la era de la IA.
Have an account? Log In
A primera vista, los tres proyectos tienen poco en común. Pero hubo un tema recurrente en todos ellos: 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 atención al 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 elegir», dijo Hernandez. «Y saber cuál era la correcta siempre resultaba difícil». El proceso era manual, incoherente 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 empezó a dedicar mucho tiempo a verificar que el clasificador no estuviera alucinando y funcionara como se esperaba. Así que construyeron una segunda canalización de IA solo para auditar la primera. Ese sistema «agrupa los fallos recurrentes, detecta los errores, también realiza las pruebas y presenta los resultados a mi equipo» en lugar de exigir que una persona revise 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 económico producía resultados rápidos, pero con menor precisión; un modelo más grande que pudiera manejar la complejidad implicaba un precio más alto. Cuando la ingeniería de instrucciones llegó a su límite, el equipo recurrió a enfoques basados en la recuperación y al procesamiento por lotes para controlar los costes. También tuvo que crear y mantener continuamente un «conjunto de datos dorado» —una fuente fiable de verdad con la que medir la precisión del clasificador—, incluso mientras los motivos de contacto subyacentes seguían cambiando.
El respaldo llegó al cuestionar la propia taxonomía, no solo el modelo. «A veces pensamos que podríamos poner IA en todas las soluciones y que eso sería la solución definitiva», dijo Hernandez. «Pero si los datos de entrada son buenos, los datos de salida serán buenos. Y si los datos de entrada son malos, los datos de salida serán malos». Eso llevó al equipo a simplificar su lista de más de 1.500 motivos de contacto, en lugar de pedirle al modelo que buscara la forma de trabajar con 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: devolver tiempo a los agentes para que pudieran centrarse en el miembro, no en el papeleo. «Cada vez que automatizamos 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 involucrada es lo que hace que ese multiplicador sea realmente fiable».
Ese equilibrio se refleja directamente en el funcionamiento actual de 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 estamos encontrando el equilibrio», dijo, «intentando aprovechar el LLM como juez y distintas capacidades para poder ampliar y asumir más tareas 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 prever la demanda de cada uno estaban dispersos entre el software de CRM, las herramientas de gestión de proyectos y las 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 distintos programas, con diferentes responsables y usuarios», dijo.
Conciliarlo todo manualmente le llevaba a Ghonge entre 16 y 20 horas a la semana, en un momento en que la empresa todavía era relativamente pequeña. «Para mí era una locura», 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 el sistema él mismo, con experiencia en la creación de paneles y en la definición de requisitos de producto, pero sin formación formal en ingeniería.
La adopción comenzó a pequeña escala —Ghonge era el único usuario— y creció a través de canales informales: llamadas de revisión empresarial, sesiones 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 tardaba 20 horas ahora tarda 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 más importante es una reducción del 80 % en el tiempo necesario para generar la demanda y una alta precisión», afirmó 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 provocando miles de cambios mensuales, en lugar de hacer suposiciones.
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 incidencias reales, el sistema de Ghonge analizaba y consolidaba ese desorden en una tabla limpia que los usuarios podían revisar directamente, en lugar de tener que revisar la herramienta de origen incidencia por incidencia. «En vez de ir a la herramienta cada vez para cada incidencia, ahora pueden ver fácilmente todo en un solo sistema», explicó. 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 originalmente no había planeado: la documentación. Cuando empezó a pedirle a la IA que registrara sus propias implementaciones y el tiempo invertido, pudo cuantificar posteriormente su propio proceso de desarrollo, hasta llegar al número de instrucciones que necesitó para lograrlo.
Construir un motor de operaciones digitales impulsado por IA
El equipo de Banakh se propuso replantear todo el recorrido de venta de vehículos —cómo se llevan los vehículos al mercado, se valoran, se comercializan, se emparejan con compradores, se tramitan, se entregan y se transportan— como un único proceso digital conectado, en lugar del modelo tradicional del sector: un cliente lleva un automóvil a una subasta física una vez por semana y espera que se venda ese mismo día.
«Recientemente hemos creado un flujo de trabajo digital inteligente completo de extremo a extremo para uno de nuestros socios principales, que incluye: recepción de datos del vehículo, inspección, valoración, comercialización, búsqueda de compradores, transacción y cumplimiento», afirmó Banakh. «Realmente, todo se ha convertido en un único proceso continuo».
La parte más difícil no fue la tecnología. Fue el propio sector. «El factor humano es notoriamente reacio a lo digital en este sector», afirmó Banakh. «Todavía veo a concesionarios caminando con papel y bolígrafo 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 la IA para simular una variedad de personalidades de las partes interesadas y debatir cómo debía articularse el flujo de trabajo. «Al final, básicamente creamos conjuntamente el borrador del flujo de trabajo», explicó. «Y después se lo presentamos a nuestro socio para que lo validara. Y eso aceleró realmente las conversaciones», al sustituir 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 general 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 hasta ahora y ni siquiera lo hemos optimizado por completo», afirmó, 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 una presentación agresiva. «Hablas de la lógica y del retorno de la inversión, y las personas verdaderamente orientadas al negocio se convencen cuando ven el resultado», afirmó 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 escalar a nivel nacional, no para sustituir todos los flujos de trabajo que ya funcionan para alguien.
El hilo conductor
Sectores diferentes, herramientas diferentes, escalas diferentes, pero la misma disciplina subyacente. El equipo de Hernandez creó un segundo sistema de IA solo para mantener la honestidad del primero. Ghonge incorporó visibilidad a su plataforma para que los usuarios pudieran verificar los datos por sí mismos, en lugar de aceptar ciegamente el resultado. El equipo de Banakh mantuvo una «entrega coordinada en cada paso del proceso», con un responsable de programa encargado de detectar anomalías que, de otro modo, la revisión humana podría pasar por alto.
Ninguno de estos equipos consiguió apoyo presentando la IA como concepto. Lo lograron poniendo en marcha algo pequeño, demostrando que funcionaba y dejando que los resultados hablaran por sí mismos. Como dijo Banakh, «las personas verdaderamente orientadas al negocio se convencen cuando ven el resultado». Ese es el patrón que subyace a los tres casos prácticos: se trata menos de la IA en sí y más de la disciplina de incorporar la confianza al sistema junto con ella.
¿Quieres más información como esta? Regístrate para obtener una cuenta gratuita de DPM y conocer a más expertos como estos, además de ser de los primeros en enterarte de los próximos eventos.