La respuesta corta
Para automatizar procesos con IA, empiece por la tarea repetitiva que consume horas del equipo, mida cuánto cuesta hoy y haga un piloto pequeño con revisión humana antes de cualquier acción. Use reglas donde la entrada tiene formato fijo e IA donde hay que leer, clasificar o resumir texto libre.
Lo demás es disciplina: tratar los datos conforme a la ley brasileña de protección de datos (LGPD) desde el diseño, registrar lo que la IA sugirió y quién lo aprobó, y ampliar el uso solo cuando la tasa de acierto, medida con datos de la operación, muestre que la ganancia apareció. La automatización que no se mide se vuelve opinión, y la opinión no sostiene la decisión de invertir en el siguiente paso.
Empiece por la tarea, no por la tecnología
El punto de partida de una buena automatización no es la herramienta de moda. Es la tarea que consume horas del equipo cada semana y no exige criterio en cada ocasión. Cuando la conversación empieza por el modelo de IA, el proyecto termina buscando un problema para la solución.
Las tareas que suelen compensar se parecen en casi todas las empresas:
- Digitación y redigitación. Datos que llegan por correo electrónico, PDF u hoja de cálculo y hay que pasar a otro sistema, uno por uno.
- Verificación manual. Cruzar informes, verificar registros y buscar discrepancias, línea por línea.
- Lectura de volumen. Documentos, tickets y mensajes que alguien tiene que leer solo para clasificar, resumir o derivar.
- Informes armados a mano. Indicadores que dependen de que alguien junte números de fuentes distintas a fin de mes.
Una buena prueba es preguntarle al equipo qué tarea le gustaría dejar de hacer a mano. La respuesta suele señalar la automatización con mayor ganancia y menor resistencia. Si hay más de una candidata, la guía sobre qué procesos automatizar primero muestra cómo comparar y elegir.
Paso a paso para automatizar un proceso con IA
El método que seguimos tiene cinco pasos. Sirve para una automatización simple por reglas y para un flujo con IA, porque la lógica es la misma: entender, medir, probar en pequeño y solo después crecer.
- Mapear. Relevar con quien hace la tarea cómo ocurre de verdad: de dónde viene la información, quién la toca, adónde va y dónde aparece el error. El flujo real casi nunca es el que está en el manual.
- Medir. Registrar la situación actual: cuántas veces ocurre la tarea por semana, cuánto tarda cada una, cuántas vuelven para corrección. Sin ese número, no hay cómo demostrar la ganancia después.
- Elegir. Decidir qué automatizar primero según el esfuerzo ahorrado y el riesgo involucrado, y definir para cada etapa si es un caso de regla, de integración entre sistemas o de IA.
- Piloto con revisión humana. Construir una sola automatización, probarla con datos de la operación y mantener a una persona revisando cada sugerencia antes de que se convierta en acción. El piloto existe para medir la tasa de acierto, no para impresionar.
- Ampliar. Cuando el resultado se sostiene, aumentar el volumen, reducir la revisión en los casos en que la IA acierta con holgura y pasar a la siguiente tarea de la lista. Monitorear en producción y ajustar cuando cambian el proceso o los datos.
Este ciclo corto es el mismo que usamos en los proyectos de software: entregar algo que funcione, probarlo con quien lo usa y ajustar el rumbo según lo que muestra el uso real. El detalle de cada etapa está en cómo trabajamos.
Automatización por reglas o IA: cuándo usar cada una
Buena parte de la automatización no usa inteligencia artificial. Reglas de negocio claras, como "si el valor coincide, registra; si no coincide, señala", se convierten en rutinas del sistema, con registro de quién hizo qué y cuándo. Las integraciones por API hacen que el dato se cargue una vez y llegue solo a los demás sistemas, sin redigitación.
La IA entra donde hay lectura de texto libre: los modelos de lenguaje leen documentos y mensajes, extraen los campos y sugieren la clasificación para que una persona la confirme. La tabla resume la diferencia:
| Criterio | Automatización por reglas | Automatización con IA |
|---|---|---|
| Entrada | Formato fijo: hoja de cálculo estandarizada, formulario, dato que viene de otro sistema | Formato libre: correo electrónico, PDF, mensaje, documento escaneado |
| Ejemplo | Verificar si el valor de la factura coincide con el pedido y registrarlo | Leer el cobro enviado por correo y extraer proveedor, valor y vencimiento |
| Cómo falla | Falla siempre igual, cuando la regla está mal o el caso no se previó | Falla de forma variable, a veces con una respuesta convincente y equivocada |
| Cómo verificar | Pruebas con casos conocidos antes de publicar | Revisión humana y tasa de acierto medida con datos de la operación |
| Cuándo preferirla | Siempre que se pueda escribir la regla | Cuando escribir la regla es imposible o demasiado caro |
En la práctica, los mejores flujos combinan las dos. La IA lee el correo y extrae los campos, la regla compara el valor con el pedido y la integración registra el asiento en el sistema financiero. Separar lo que es regla de lo que es lectura hace que la automatización sea más barata de mantener y más fácil de auditar. Cuando el mayor desafío es que los sistemas se comuniquen, el artículo sobre cómo integrar sistemas profundiza en ese punto.
En la mayoría de los casos, no hace falta cambiar los sistemas que la empresa ya usa. En el monitoreo con beacons que hicimos para una unidad de salud, los números de presencia llegan por API a los paneles que la gestión ya usaba, sin un sistema más para que el equipo abra.
Dónde poner la revisión humana
En todo flujo que construimos hay una persona responsable del resultado. La pregunta práctica es en qué punto interviene. Usamos tres criterios:
- Dinero, contratos o derechos de alguien. Toda acción que toca esto pasa por aprobación antes de ocurrir.
- Lo que sale de la empresa. Toda sugerencia de la IA que va hacia afuera, como una respuesta al cliente, se revisa antes de salir.
- Por encima del límite acordado. Las acciones por encima de un valor o de una cantidad definidos con la empresa se convierten en solicitudes de aprobación, en lugar de ejecutarse.
El agente de IA no trabaja suelto. Funciona dentro de un entorno montado para la empresa, con las instrucciones, las herramientas que puede usar y las reglas que no puede romper. Ese entorno tiene un nombre técnico: harness. Si la regla dice que el agente no hace pagos, el intento se convierte en una solicitud de aprobación para la persona responsable, y no en una transacción. El artículo sobre qué son los agentes de IA explica ese diseño en detalle.
La revisión tampoco tiene que ser igual para siempre. Al principio, la persona revisa todo. Con la tasa de acierto medida, se pueden revisar por muestreo los casos simples y mantener la revisión completa donde el error cuesta caro.
La LGPD en la automatización con IA
La protección de datos no es un punto para el final del proyecto. La LGPD exige que el tratamiento de datos personales tenga una finalidad definida, use solo lo necesario para esa finalidad y sea transparente para el titular. En la automatización, esto se traduce en decisiones concretas antes de la primera línea de código: qué se puede enviar a un modelo de IA, qué hay que anonimizar antes, cuánto tiempo se guarda el dato y dónde se procesa.
También conviene mirar al proveedor del modelo. Si el texto sale de su entorno hacia un servicio externo, hay que saber qué hace ese servicio con el dato y si el contrato permite ese uso. Y cuando una decisión que afecta a alguien se toma solo por medios automatizados, la ley le garantiza a esa persona el derecho de pedir una revisión. Mantener a una persona responsable en el flujo y registrar quién aprobó cada decisión ayuda a responder a ese pedido.
Aplicamos la misma regla a nuestro propio trabajo: la información del cliente solo entra en herramientas autorizadas, con tratamiento conforme a la LGPD, y el cliente sabe en qué etapas y tareas se usó la IA. La información sensible no sale del entorno sin una regla explícita. Para los cuidados específicos, vea el artículo sobre LGPD e inteligencia artificial.
Cómo medir el resultado de la automatización
Los modelos de IA se equivocan, y el error no siempre es obvio. Por eso la medición empieza antes del piloto, con el número de hoy, y continúa después de que la automatización entra en producción. Los indicadores que más ayudan a decidir son pocos:
- Tiempo por tarea. Cuánto tiempo gastaba el equipo antes y cuánto gasta ahora, contando el tiempo de revisión.
- Tasa de acierto. En cuántos casos la sugerencia de la IA se aprobó sin cambios, medida con datos de la operación y no con ejemplos elegidos.
- Tasa de corrección. Cuántas veces la persona tuvo que corregir o rehacer, y en qué tipo de caso ocurre.
- Errores que pasaron. Cuántos problemas aparecieron después de la aprobación, que son los que realmente cuestan caro.
- Tiempo de respuesta. Cuánto tiempo esperan el resultado el cliente, el proveedor o la otra área.
Si la tasa de acierto baja, algo cambió: el formato del documento, el tipo de pedido, la regla del negocio. El registro de lo que la IA sugirió y de lo que se aprobó muestra dónde está el desvío y qué ajustar. Sin ese registro, el equipo nota que empeoró, pero no sabe por qué.
¿La IA reemplaza al equipo?
Ese no es el diseño. La IA asume la lectura y la digitación repetitivas y el equipo se queda con el análisis y la decisión. La ganancia que buscamos es menos errores, menos retrabajo y respuestas más rápidas, con la misma persona responsable del resultado.
Si su equipo tiene una tarea que le gustaría dejar de hacer a mano, cuéntenos. La conversación ya ayuda a separar lo que es caso de regla, de integración o de IA. Vea también cómo funciona nuestro trabajo de automatización e inteligencia artificial.