Dónde la IA empresarial realmente da resultados: una acería y una aerolínea

Dos casos prácticos aparecieron este mes y, en conjunto, dicen más sobre la IA empresarial que un año de presentaciones de proveedores. Uno es una acería que desplegó cientos de agentes especializados. El otro es una aerolínea que redujo a la mitad el tiempo de revisión de contratos. Ninguno implicó un asistente de propósito general respondiendo preguntas en una barra lateral.

Trescientos agentes en una acería

Según Google Cloud, Tata Steel desplegó más de 300 agentes de IA especializados en nueve meses. Se encargan del mantenimiento de activos, el acceso a la información y respuestas más rápidas a los clientes. La palabra que hace el trabajo en esa frase es "especializados". No era un agente con un mandato amplio. Eran trescientos agentes acotados, cada uno vinculado a una tarea operativa específica.

Esa es una arquitectura distinta de la que venden la mayoría de los proveedores. Un agente general que puede hacer cualquier cosa es fácil de demostrar y difícil de confiar. Una flota de agentes que hacen cada uno una sola cosa es tediosa de construir y mucho más fácil de gobernar, porque el alcance lo define la tarea. Cuando uno de ellos falla, sabes a qué proceso pertenece y a qué debería haber tenido permitido acceder.

El ángulo del mantenimiento merece mención aparte. El mantenimiento de activos es donde la IA industrial tiene el beneficio más claro, porque los datos ya están ahí, los modos de fallo son costosos y una mejora del diez por ciento en el tiempo de actividad se puede medir en dinero. Es un trabajo poco glamuroso, y es exactamente el tipo de trabajo que sobrevive a una revisión presupuestaria.

Una revisión de contratos que pasó de días a horas

Cebu Pacific informó que su implementación de ChatGPT Enterprise redujo el tiempo de revisión legal de contratos aproximadamente a la mitad. El tiempo de tramitación de proyectos bajó de cinco días a alrededor de uno, y las búsquedas de referencia de ingeniería pasaron de diez a quince minutos a menos de diez segundos. En una encuesta a usuarios, el 86 por ciento dijo que la IA apoyaba más de un tercio de su trabajo diario.

La cifra del contrato es la que merece detenerse a analizar. La revisión legal es una tarea con consecuencias reales, una entrada definida y una salida clara. También es una tarea donde el cuello de botella es la lectura, y la lectura es algo que los modelos de lenguaje hacen genuinamente bien. La aerolínea no automatizó al abogado. Eliminó la parte del trabajo en la que una persona escanea un documento buscando las cláusulas que ha visto cien veces. Eso es un cambio de flujo de trabajo, no la compra de una herramienta.

El patrón que subyace en ambos

Ninguno de los dos casos prácticos trata de un modelo que razona mejor que un humano. Ambos tratan de modelos insertados en un paso específico de un proceso definido, donde se pueden medir el antes y el después. Tata Steel sabe qué decisiones de mantenimiento se volvieron más rápidas. Cebu Pacific sabe cuántos días solía tardar el proceso de admisión.

La cifra que debería preocupar a los proveedores está en los datos de la encuesta. El índice de madurez de IA empresarial de Singapur situó la adopción de IA agéntica en el 51 por ciento, frente al 22 por ciento del año anterior, mientras que solo el 10 por ciento de las empresas había rediseñado flujos de trabajo de extremo a extremo en torno a ella. Un estudio de Capgemini encontró brechas similares, con la mayoría de las organizaciones aún explorando o ejecutando pilotos.

Así que el mercado está lleno de empresas que han conectado la IA a un flujo de trabajo sin cambiar el flujo de trabajo. Atornillaron un modelo al proceso antiguo y lo llamaron transformación. Los dos casos prácticos que nos ocupan hicieron lo contrario, y por eso produjeron cifras que merece la pena reportar.

La especialización es lo que hace que los agentes sean gobernables

Hay una razón de gobernanza para preferir una flota de agentes acotados a uno amplio, y vale la pena explicarla. Un agente con un alcance fijo es fácil de auditar. Sabes a qué debería poder acceder, puedes registrar a qué accedió realmente, y la brecha entre ambos es una lista corta. Un agente con un mandato amplio tiene un alcance que cambia con cada tarea, lo que convierte la misma auditoría en un proyecto de investigación.

Los 300 agentes de Tata Steel están especializados exactamente de esta manera. Esa elección da resultado dos veces. Es una ingeniería más sencilla y hace que el despliegue sea defendible ante quienes deben aprobarlo. Cada agente se puede razonar por sí solo, y un fallo en uno no requiere reexaminar los otros 299.

El mismo principio explica por qué tantos programas de agentes empresariales se estancan. Un agente de propósito general muestra potencial en una demostración, se pilota contra una amplia porción de trabajo y luego choca con el hecho de que nadie puede describir cómo es el comportamiento correcto en toda esa porción. Reducir el alcance parece un paso atrás y, por lo general, es el paso que hace que el proyecto sea viable.

El requisito oculto: una línea base con la que comparar

Ambos casos prácticos producen cifras, y eso no es casualidad. Medir una mejora del diez por ciento en el tiempo de actividad o una caída de cinco días a uno requiere un antes. Las organizaciones que se saltan la línea base terminan con anécdotas en lugar de resultados, y por eso tantos programas de IA reportan entusiasmo y les cuesta reportar impacto.

La disciplina empieza antes del despliegue. Elige el proceso, registra cuánto tarda y cuánto cuesta hoy, luego cambia un paso y vuelve a medir. Suena burocrático y es la diferencia entre un programa que puede defender su presupuesto y uno que no. Cebu Pacific puede decir que su tiempo de revisión de contratos se redujo a la mitad porque alguien anotó cuál era antes.

Hay una segunda medición que importa igual y se toma con menos frecuencia: la tasa de error. Un agente que reduce el tiempo a la mitad y duplica los errores no ha mejorado nada; ha trasladado el costo del frente del proceso al final. Los casos prácticos que se sostienen son aquellos en los que un humano todavía revisa la salida en el punto donde un error sería costoso, y la ganancia medida proviene de eliminar la lectura, no la revisión.

Qué significa la brecha para el próximo año

Las organizaciones que ven resultados son las que eligieron un proceso, lo midieron y lo reconstruyeron en torno a aquello para lo que el modelo es realmente bueno. Las que están atascadas en pilotos son las que compraron acceso y esperaron a que la adopción ocurriera por sí sola. El acceso nunca fue lo difícil. El rediseño sí.

La acería y la aerolínea también comparten un rasgo fácil de pasar por alto. Ambas mantuvieron a humanos en los puntos de decisión que conllevan responsabilidad. El agente de mantenimiento señala, una persona decide. El agente de contratos redacta y resalta, un abogado aprueba. La IA eliminó el escaneo, no el juicio.

Esa división del trabajo no tiene nada de notable en retrospectiva. También es lo que separa un programa de IA que produce una cifra de uno que produce una diapositiva. Elige el proceso, encuentra el paso donde una persona está leyendo o moviendo información, automatiza ese paso y mide qué cambió. La receta es simple. Ejecutarla es más difícil que comprar un asiento, y por eso tantas organizaciones compran el asiento y lo llaman estrategia.