“¿Dónde deberíamos usar la IA?” suele responderse con una lista de aplicaciones: atención al cliente, previsión, revisión de documentos, ventas. La lista es plausible y poco útil. Nombra áreas donde se trabaja sin identificar qué debería mejorar.
Un asistente de soporte puede responder rápido y dejar al cliente con el mismo problema sin resolver. Una previsión puede ser precisa y llegar demasiado tarde para cambiar un pedido. Un resumen de contrato puede estar bien redactado y omitir la obligación más importante. En cada caso, el resultado parece útil hasta que usted lo sigue hasta la siguiente decisión.
Yo financiaría una aplicación en función de ese resultado completo. ¿Qué hará alguien de forma diferente, qué evidencia utilizará y cómo sabremos si el cambio ha ayudado?
Los cuatro ejemplos siguientes son hipotéticos. Muestran las preguntas que hacen que una aplicación sea comprobable; no son resultados de clientes ni promesas de rentabilidad.
Atención al cliente: seguir la incidencia hasta su resolución
Un distribuidor quiere ayudar a sus clientes a encontrar información sobre sus pedidos. Un asistente puede consultar el estado de un pedido y explicar el siguiente paso a partir de información aprobada. Es una tarea acotada, con un resultado que el cliente puede reconocer.
El límite importante aparece cuando la solicitud pasa a ser “cambie la dirección de entrega” o “envíe un repuesto”. Consultar información y modificar un pedido implican responsabilidades distintas. El servicio necesita verificaciones de identidad, permiso para ejecutar la acción y una forma de derivar a una persona cuando la evidencia es incompleta.
Mida si se resuelve la incidencia correcta, con qué frecuencia vuelve a surgir y el esfuerzo total necesario. Cuente la revisión humana y las excepciones. Una reducción del número de llamadas es ambigua si los clientes han dejado de intentar contactar con soporte. Una respuesta automática rápida también es un mal resultado si después alguien tiene que deshacer lo que prometió.
Un piloto útil compara el recorrido completo del cliente con el servicio actual. Incluye preguntas habituales, registros incompletos y situaciones fuera del alcance aprobado. El resultado buscado es una resolución correcta con menos espera o esfuerzo, respaldada por evidencia sobre lo que ocurrió después de la respuesta.
Previsión: conectar la predicción con una decisión
Un proveedor de piezas quiere planificar su stock con más eficacia. Un modelo predictivo estima la demanda, y los compradores usan esa estimación junto con los plazos de entrega y el inventario disponible. Es un tipo de aplicación de IA distinto de la generación de texto; necesita un histórico adecuado y un periodo de evaluación claro.
Empiece por el método de previsión que ya se utiliza. Compárelo con una alternativa sencilla, además de con el modelo propuesto. De lo contrario, una implantación compleja puede atribuirse un valor que una mejora básica también habría aportado.
La precisión media de la previsión no es todo el resultado de negocio. Una pieza poco habitual puede ser importante comercialmente aunque apenas contribuya a la medida global de error. Los compradores pueden tener información sobre el cierre temporal de un cliente o el retraso de un proveedor que el modelo no recoge. Una recomendación sobre la que nadie puede actuar antes de la fecha límite de pedido tiene un valor limitado.
Pruebe también el proceso de decisión. ¿Saben los compradores cuándo cuestionar una previsión? ¿Pueden registrar una corrección manual y su motivo? ¿Mejoran los cambios en los pedidos la disponibilidad sin generar un stock inaceptable? El responsable de negocio necesita ver esos equilibrios antes de financiar un despliegue mayor.
Revisión de documentos: facilitar la verificación
Una empresa de servicios quiere ayuda para detectar cláusulas inusuales en contratos con proveedores. El sistema puede resaltar pasajes, compararlos con un estándar aprobado y preparar preguntas para un revisor cualificado.
El resultado útil es un pasaje verificable y el motivo por el que merece atención. “Este contrato es de bajo riesgo” es mucho más difícil de examinar. Un resumen pulido puede ocultar la diferencia entre una cláusula ausente y otra presente de una forma inesperada.
La evaluación debe incluir omisiones importantes, redacciones modificadas y documentos con mala calidad de extracción. Los revisores necesitan acceso al texto original y una indicación clara de lo que el sistema no ha podido evaluar. La organización debe decidir quién está autorizado a emitir el juicio final para el uso en cuestión.
El tiempo ahorrado en comprobaciones rutinarias puede justificar la asistencia si los revisores pueden dedicarlo a las partes difíciles. Cuente el esfuerzo necesario para verificar las sugerencias y localizar los problemas no detectados. Una herramienta que produce muchas alertas plausibles puede aumentar el trabajo aunque ofrezca una demostración convincente.
Priorización de leads: probar la acción, no solo la puntuación
Un equipo de ventas B2B quiere decidir qué consultas atender primero. Una puntuación predictiva puede ayudar si los datos históricos recogen la información disponible en el momento en que realmente se habría tomado esa decisión.
Limite las variables de la predicción a la información disponible cuando se prioriza el lead. Utilice el resultado comercial posterior para evaluar la predicción, sin filtrarlo en las variables de entrada. Si se filtrara, la puntuación parecería útil en una prueba sin dar a un comercial información sobre la que hubiera podido actuar. Las definiciones también importan: una reunión concertada, una oportunidad cualificada y una venta cerrada son resultados distintos.
La siguiente pregunta es qué hará el equipo con la puntuación. ¿Llamará antes a algunos leads, asignará un especialista o descartará otros? Compare esa acción con la priorización actual, incluidas las oportunidades que el nuevo método podría pasar por alto.
Los comerciales necesitan una forma de cuestionar una recomendación y registrar el contexto relevante. Una puntuación alta es una evidencia que considerar, no la prueba de que un cliente esté preparado. Si el equipo no tiene capacidad para responder a los leads prometedores, clasificarlos con más precisión puede dejar intacto el verdadero cuello de botella.
Incluir la comparación en el caso de negocio
Estas aplicaciones comparten un requisito económico, aunque sus tecnologías difieran. Compare formas completas de hacer el trabajo. Incluya integración, trabajo con datos, licencias o infraestructura, revisión, mantenimiento y corrección. Explique qué coste, restricción de servicio u oportunidad de ingresos aborda el cambio.
Separe el ahorro de tiempo del ahorro de caja. Si los empleados usan esa capacidad para mejorar el servicio, ese puede ser el beneficio previsto. Si el caso de negocio supone más ventas, explique qué restricción elimina esa capacidad y cómo observará la organización esa relación. No cuente ambos beneficios de forma automática.
Una aplicación exploratoria puede no permitir todavía una estimación fiable de la rentabilidad. Asígnele un presupuesto de aprendizaje y una pregunta cuya respuesta oriente la siguiente decisión. Una solicitud para averiguar si los clientes quieren un nuevo servicio no es lo mismo que una solicitud para comprometerse a prestarlo a escala.
El Mapa de oportunidades de IA puede ayudar a ordenar estas decisiones. Su resultado sirve de apoyo para la discusión; el caso sigue necesitando evidencia del proceso y de las personas implicadas.
Elegir la implementación después del problema
A veces un producto aprobado se ajusta a la necesidad. A veces basta con una regla, una consulta a una base de datos o una mejora del proceso existente. Un modelo a medida solo es adecuado cuando su capacidad adicional compensa el trabajo que introduce.
Pregunte con qué facilidad se puede inspeccionar, integrar y modificar el servicio. Averigüe qué ocurre cuando cambia su proveedor o su modelo. Un comprador que solo entiende la demostración no puede comparar las responsabilidades continuas.
Designe al responsable de negocio y a las personas que mantienen el servicio. Acuerde quién puede detenerlo, qué hacen los usuarios durante una interrupción y qué evidencia justificaría una nueva inversión. Estas decisiones se complican a medida que crece la dependencia.
La aplicación más útil es aquella cuyo resultado usted puede seguir. Un cliente recibe la respuesta correcta, un comprador hace un pedido mejor, un revisor ve la cláusula relevante o un comercial dedica su tiempo a una oportunidad realmente prometedora. Empiece por ahí y retroceda hasta la tecnología.