Cómo encontrar procesos que vale la pena transformar con IA

La pregunta equivocada es «¿dónde podemos usar IA?». Lleva a buscarle un lugar a una herramienta que ya se decidió usar. La pregunta útil es otra: ¿qué parte de la operación nos cuesta más de lo que debería, y qué tipo de solución la arregla? Esta guía explica cómo responderla con cuatro criterios y una hoja de trabajo que puede usar con su equipo esta misma semana.

Qué significa que un proceso valga la pena transformar

Un proceso vale la pena transformar cuando se cumplen tres condiciones a la vez: cambiarlo mueve una métrica de negocio que se puede medir; los datos, los sistemas y las personas lo permiten hoy; y el costo de equivocarse es controlable. Si falta una, la idea no es mala: todavía no está lista.

Transformar no es sinónimo de usar IA. Un proceso también se transforma con software sin IA, automatizando pasos repetitivos, rediseñando cómo se trabaja o, primero, ordenando sus datos.

Por qué decidir antes de construir

• Las ideas sobran; el presupuesto y las horas de ingeniería, no. Cada proyecto que se elige desplaza a otro.
• Lo más visible rara vez es lo más valioso. Un asistente conversacional se ve en una demostración; una conciliación que consume horas cada semana no. El valor suele estar en los pasos aburridos.
• El error caro no es dejar de usar IA. Es construir con cuidado algo que no movía ningún número.

El marco: cuatro criterios, cuatro decisiones

Criterio	La pregunta	Es alto cuando…	Es bajo cuando…
Impacto	¿Cuánto mueve un resultado de negocio medible?	Cambia costo, ingreso, tiempo o riesgo de forma que la dirección lo notaría	La mejora es cosmética o no se puede medir
Esfuerzo	¿Cuánto trabajo, cambio y costo exige?	Requiere sistemas nuevos, varias áreas o migrar datos	Se apoya en lo que ya existe y cambia pocos hábitos
Riesgo	¿Qué pasa si se equivoca y quién lo detecta?	Los errores son silenciosos, costosos o regulados	Los errores son visibles, reversibles y alguien los revisa
Factibilidad	¿Lo permiten hoy los datos, los sistemas y las personas?	Los datos se registran de forma confiable y el proceso tiene dueño	No hay datos, nadie es dueño del proceso o cambia cada mes

Con esos cuatro criterios, cada candidato termina en una de cuatro decisiones:

• Hacer ahora: impacto alto, esfuerzo contenido, riesgo controlable y factible hoy.
• Planear: impacto alto pero esfuerzo mayor. Merece una definición y un presupuesto, no un experimento improvisado.
• Probar con poco: el impacto es incierto. Un experimento acotado, con fecha y métrica, antes de invertir.
• No todavía: falta factibilidad o control. No es un «no» definitivo: es la lista de lo que tiene que cambiar primero.

Deliberadamente no usamos puntajes con decimales ni ponderaciones. Calificar en alto, medio o bajo obliga a discutir el porqué; un 7.4 aparenta una precisión que nadie tiene.

Cómo aplicarlo, paso a paso

1. ¿Dónde duele la operación, no dónde brilla la tecnología?

Hable con quienes hacen el trabajo, no solo con quienes lo dirigen. Busque cinco señales: esperas, retrabajo, errores que alguien corrige a mano, decisiones que dependen de quién esté de turno e información que se copia de un sistema a otro.

2. ¿Puede escribir cada candidato en una línea con su métrica?

Use este formato: «[Proceso] hoy [tarda, cuesta o falla] [cuánto]; si cambiara, mejoraría [métrica]». Si no puede completar la última parte, todavía no es una oportunidad: es una molestia.

3. ¿Cuánto impacto y cuánto esfuerzo?

Califique alto, medio o bajo. Cuando dos personas califican distinto, no promedie: discutan. El desacuerdo casi siempre revela supuestos diferentes sobre el proceso.

4. ¿Qué tan riesgoso y qué tan factible es, antes de enamorarse?

Pregunte qué datos se necesitarían y dónde están, quién notaría un error y cuánto costaría, y quién es dueño del proceso. Esta es la pregunta que más ideas detiene, y conviene que las detenga aquí y no a mitad de un proyecto.

5. ¿En qué cuadrante cae?

Ubique cada candidato en Hacer ahora, Planear, Probar con poco o No todavía. Dentro de cada grupo, el riesgo y la factibilidad deciden el orden.

6. ¿Qué tipo de solución lo resuelve mejor?

Elija el tipo de solución antes que la herramienta:

• Software sin IA: una regla clara o un flujo bien diseñado lo resuelve.
• Automatización: el trabajo es repetitivo, estable y está bien definido.
• Rediseño del proceso: el problema es cómo se trabaja, no qué herramienta se usa.
• Datos primero: la información necesaria no se registra o no es confiable.
• IA: hay patrones que una regla no captura, datos suficientes y alguien que verifique el resultado.
• Probar con poco o nada todavía, cuando corresponde.

7. ¿Cuál es el primer paso y cómo sabrá si funcionó?

Para cada oportunidad en «Hacer ahora», defina qué se construye o cambia primero, quién es dueño y qué número tendría que moverse. Sin esas tres respuestas, la oportunidad todavía no está lista para empezar.

Un ejemplo ilustrativo

Una distribuidora mediana (ejemplo ilustrativo, no un cliente) revisa cinco candidatos. Las calificaciones van en el orden impacto · esfuerzo · riesgo · factibilidad.

Candidato y métrica	Calificación	Tipo de solución	Decisión
Conciliación de facturas con pagos — horas semanales de trabajo manual	Alto · bajo · bajo · alta	Software sin IA (reglas de conciliación)	Hacer ahora
Reportes de ventas armados a mano — días de retraso del reporte mensual	Medio · bajo · bajo · alta	Automatización	Hacer ahora
Pronóstico de demanda — quiebres de inventario	Alto · alto · medio · media	IA, después de ordenar el historial de ventas	Planear
Portal de autoservicio para clientes — llamadas de seguimiento de pedidos	Incierto · medio · bajo · alta	Software	Probar con poco
Asistente de atención con IA — tiempo de respuesta	Medio · medio · alto · baja	IA	No todavía: no hay una base de conocimiento confiable

De cinco candidatos, dos usan IA y ninguno de ellos está en «Hacer ahora». No es una conclusión en contra de la IA: es el resultado normal de empezar por el problema.

Un caso real: la métrica primero, la base antes del modelo

Este patrón aparece en proyectos reales. En Grupo Entre Ríos, uno de los tres mayores exportadores de hule de Guatemala, los camiones de recolección salían usando en promedio el 52% de su capacidad. La métrica de éxito fue la utilización de los camiones, no la precisión de un modelo. Y antes del modelo se construyó la base que lo hace posible: la plataforma que registra la recepción de hule, el presupuesto y el mantenimiento. Con esa base en producción, un modelo de IA empezó a planificar la recolección semanal a partir de la producción, el clima y la demanda, y la utilización subió a al menos el 85%.

Ese proyecto no surgió de una evaluación con este formato. Lo mostramos porque sigue el mismo orden: la métrica primero y los datos antes del modelo.

Errores comunes

• Empezar por la herramienta y buscarle después un problema.
• Elegir lo más visible en lugar de lo que más cuesta.
• No escribir la métrica. Sin ella no hay forma de saber si funcionó.
• Suponer que los datos existen sin preguntar quién los registra y con qué confianza.
• Automatizar un proceso roto tal como está, en lugar de rediseñarlo.
• Lanzar pilotos sin dueño ni fecha de cierre.
• Tratar «No todavía» como un fracaso. A menudo es la recomendación que más dinero ahorra.