Cuatro decisiones prácticas sobre información, documentos, delegación y supervisión que la gestión debe comprender antes de incorporar agentes IA.
En nuestro artículo anterior revisamos seis decisiones que una organización debería tomar antes de incorporar un agente IA: su propósito, alcance, capacidades, límites, supervisión y forma de generar valor.
Pero una vez definido qué queremos que haga el agente aparece una segunda pregunta: ¿están nuestra información y nuestra forma de trabajar preparadas para que pueda hacerlo?
Esta pregunta suele llevarnos a temas que parecen técnicos: calidad de datos, estructura documental, permisos, trazabilidad o mecanismos de escalamiento. Sin embargo, no son decisiones que deban quedar exclusivamente en manos de los equipos tecnológicos. La gestión necesita comprenderlas, porque determinan qué podrá hacer el agente, con qué nivel de confianza y bajo qué condiciones.
No necesitamos convertirnos en especialistas en inteligencia artificial para tomar estas decisiones. Necesitamos saber qué preguntas hacer.
En este artículo proponemos cuatro ejercicios prácticos para comenzar.
1. ¿Podemos confiar en la información que recibirá el agente?
Antes de preguntarnos qué puede hacer un agente, necesitamos revisar la materia prima con la que realizará su trabajo: la información.
El primer ejercicio consiste en elegir un proceso concreto y seguir la información que utiliza hasta su origen. Puede tratarse de responder una solicitud de un cliente, preparar una cotización, revisar una factura o atender una consulta de un estudiante.
La pregunta que queremos responder es sencilla: ¿podemos confiar y gobernar la información que utilizará el agente para realizar esta tarea?
Parte de esa información probablemente llegará automáticamente desde bases de datos, sistemas de gestión, plataformas académicas, CRM u otras aplicaciones. En estos casos debemos identificar cuál es el sistema de origen, quién responde por esos datos, con qué frecuencia se actualizan y qué ocurre cuando existe una inconsistencia.
Otra parte puede depender directamente de personas. Alguien ingresa un dato, modifica un registro, carga un archivo o actualiza una condición. Aquí aparece una dimensión adicional: necesitamos comprender qué errores podrían producirse durante ese proceso, cómo los detectamos y quién es responsable de corregirlos.
Finalmente, existe una tercera fuente muy frecuente: el conocimiento documentado de la organización. Políticas, reglamentos, procedimientos, manuales, instructivos, contratos o guías contienen información que el agente puede necesitar para realizar su trabajo. En estos casos debemos asegurarnos de que la documentación sea completa, clara, vigente y que exista una persona o área responsable de mantenerla.
Pensemos, por ejemplo, en un agente que responde consultas académicas en una universidad. Parte de la información puede provenir automáticamente del sistema académico —fechas, asignaturas o situación de una solicitud— mientras otra puede encontrarse en reglamentos, calendarios y procedimientos mantenidos por distintas unidades. El agente necesita utilizar ambas, pero la organización debe saber qué fuente responde cada pregunta y quién responde por la calidad de esa fuente.
Esto es especialmente importante porque un agente puede ejecutar muy bien una tarea utilizando información incorrecta. El resultado seguirá siendo incorrecto.
Por eso, gobernar la información no significa simplemente darle acceso al agente. Significa poder responder preguntas de gestión: ¿de dónde viene?, ¿es completa?, ¿quién responde por ella?, ¿cómo se actualiza?, ¿qué errores pueden producirse?, ¿cómo los detectamos? y ¿qué hacemos cuando dos fuentes se contradicen?
Resultado del ejercicio: construir un mapa sencillo de las fuentes que utilizará el agente, identificando su origen, responsable, forma de actualización, posibles errores, mecanismos de corrección y nivel de autoridad dentro del proceso.
2. Los agentes no leen como nosotros: preparar la estructura de la información
Superado el primer ejercicio podemos tener información correcta, actualizada y gobernable. Pero eso todavía no significa que esté preparada para ser utilizada eficientemente por un agente.
Aquí aparece una diferencia importante entre las personas y los sistemas de inteligencia artificial: no necesariamente recorren ni interpretan un documento de la misma manera que nosotros.
Una persona puede abrir una guía de cientos de páginas, revisar su índice, saltar entre capítulos, interpretar una tabla, relacionarla con un gráfico y recordar que un determinado concepto fue explicado cien páginas antes. También puede comprender con relativa facilidad documentos diseñados en dos columnas, cuadros laterales, notas al pie o estructuras visuales complejas.
Para un agente, todo eso puede ser mucho más difícil.
Además, cuando utilizamos grandes repositorios de conocimiento, normalmente el agente no recibe el documento completo cada vez que responde una pregunta. La información suele dividirse en pequeños fragmentos —conocidos como chunks— y el sistema busca aquellos que parecen más relevantes para construir la respuesta.
Esta diferencia aparentemente técnica tiene una consecuencia muy concreta para la gestión.
Imaginemos una guía de 600 páginas en la que un mismo procedimiento aparece explicado en distintos capítulos. Parte de la regla está en una sección, las excepciones aparecen cien páginas después y una tabla ubicada en otro capítulo contiene información necesaria para interpretar correctamente ambas. Una persona que conoce la guía puede reconstruir ese contexto. Para un agente, encontrar y relacionar todos esos fragmentos puede resultar mucho más difícil.
Por eso, en algunos casos no basta con cargar los documentos existentes. Es necesario prepararlos.
Una guía extensa podría transformarse, por ejemplo, en diez guías temáticas más pequeñas. Cada una debería desarrollar un tema de manera suficientemente completa y autocontenida, evitando que una respuesta dependa de información dispersa en muchas partes del repositorio.
Como regla práctica —no como límite técnico universal— podemos pensar que el agente recuperará un número acotado de fragmentos para construir una respuesta. Si trabajamos, por ejemplo, con fragmentos cercanos a una página y alrededor de diez fragmentos relevantes, conviene que el conocimiento necesario para comprender un tema pueda encontrarse dentro de un conjunto relativamente pequeño y coherente de contenido. Esto ayuda a entender por qué dividir grandes manuales en unidades temáticas de aproximadamente diez páginas puede ser un buen punto de partida en determinados casos.
También podemos ayudar al agente a reconocer qué contiene cada fragmento. Títulos descriptivos, temas claramente identificados, definiciones consistentes, fechas de vigencia, responsables, referencias al documento de origen y otros metadatos permiten recuperar mejor la información y, al mismo tiempo, saber posteriormente qué información utilizó el agente para elaborar una respuesta.
Esto último es especialmente importante. Una buena estructura documental no solo mejora la recuperación de conocimiento. También facilita la trazabilidad y la auditoría: podemos identificar de qué documento y sección provino una respuesta, verificar si la fuente era la correcta y corregirla cuando sea necesario.
Por eso, preparar documentos para agentes puede significar dividirlos, reorganizarlos e incluso reescribirlos. No para simplificar el conocimiento, sino para estructurarlo de acuerdo con una nueva forma de utilizarlo.
Resultado del ejercicio: revisar los documentos que utilizará el agente y determinar cuáles pueden utilizarse directamente, cuáles necesitan reorganizarse y cuáles deberían dividirse o reescribirse. Para cada unidad de conocimiento, identificar claramente tema, propósito, fuente, responsable y vigencia, de manera que pueda ser recuperada y posteriormente trazada.
3. Delegar sin perder el control
Una vez que sabemos qué información utilizará el agente, aparece una segunda dimensión: transformar un trabajo que hoy realizan personas en una delegación suficientemente clara para que pueda participar un agente.
Aquí tampoco necesitamos comenzar hablando de tecnología. Podemos describir la tarea utilizando lenguaje de negocio.
Una buena ficha de delegación debería responder siete preguntas:
1. ¿Qué resultado debe completar el agente?
2. ¿Qué información puede utilizar?
3. ¿Qué pasos debe seguir?
4. ¿Qué acciones está autorizado a realizar?
5. ¿Qué decisiones no puede tomar?
6. ¿Cuándo debe pedir aprobación humana?
7. ¿Cuándo debe detenerse?
Estas preguntas permiten distinguir algo que suele confundirse al hablar de agentes: ayudar a realizar una tarea no significa necesariamente tener autorización para ejecutarla completamente.
Un agente puede preparar una respuesta, pero no enviarla. Puede recomendar una modificación, pero no aplicarla. Puede clasificar una solicitud, pero necesitar aprobación antes de modificar un registro. Puede incluso ejecutar determinadas acciones de manera autónoma hasta que aparezca una condición que requiera criterio humano.
Por eso es especialmente importante definir las reglas de detención.
Información contradictoria, ausencia de una fuente autorizada, un monto superior a determinado límite, una solicitud que se encuentra fuera del proceso o una condición de riesgo pueden ser razones suficientes para que el agente deje de actuar y solicite intervención humana.
El objetivo no es reducir al máximo la autonomía. Es entregar la autonomía adecuada para la tarea y el nivel de riesgo involucrado.
También debemos decidir qué queremos registrar. ¿Qué información utilizó el agente? ¿Qué acción realizó? ¿Por qué un caso fue escalado? ¿Quién aprobó una excepción? ¿Cuál fue finalmente el resultado?
Esta trazabilidad permite comprender lo ocurrido cuando aparece un problema y, todavía más importante, utilizar esa experiencia para mejorar posteriormente el proceso.
Curiosamente, cuando una organización logra describir con este nivel de claridad el trabajo que quiere entregar a un agente, muchas veces también termina comprendiendo mejor cómo ese mismo trabajo debería realizarse entre las personas.
Resultado del ejercicio: construir una ficha de delegación que establezca qué resultado debe producir el agente, qué información puede utilizar, qué acciones puede realizar, cuáles requieren aprobación humana, cuándo debe escalar y cuándo debe detenerse.
4. Inducción y ongoing: preparar a las personas y al agente para trabajar juntos
Cuando una persona se incorpora a un equipo, normalmente no esperamos que comprenda inmediatamente cómo funciona la organización. Le explicamos su trabajo, presentamos a las personas con quienes debe relacionarse, mostramos procedimientos y aclaramos a quién debe acudir cuando tiene una duda.
Con un agente deberíamos pensar de una manera similar.
Pero existe una diferencia importante: la incorporación debe diseñarse desde los dos lados.
Las personas necesitan comprender qué hace el agente, qué responsabilidades continúan siendo humanas, qué resultados deben revisar, cómo reportar un error y quién es responsable de actualizar las reglas o documentos que utiliza.
No basta con enseñar a utilizar una interfaz. Si una persona recibe un resultado incorrecto, debe saber qué hacer con él. ¿Lo corrige? ¿Reporta el problema? ¿Debe modificarse una fuente? ¿Era una excepción que todavía no estaba documentada?
El agente también necesita una inducción operativa. Debe comprender cuál es el objetivo de su trabajo, qué formato debe entregar, cuáles son las fuentes autorizadas, quiénes son los actores humanos relevantes, cuándo debe pedir ayuda y cómo debe registrar lo que hizo.
Esto se vuelve todavía más importante después de la puesta en marcha.
Cada corrección puede entregar información valiosa sobre el funcionamiento del sistema. Cuando aparece un error, en lugar de limitarnos a corregir la respuesta podemos preguntarnos: ¿faltaba información?, ¿la fuente utilizada no era la correcta?, ¿la instrucción era ambigua?, ¿apareció una excepción que nunca habíamos documentado?, ¿la intervención humana ocurrió demasiado tarde?
Así, el ongoing deja de ser una capacitación ocasional y se convierte en una rutina de mejora del equipo híbrido. Las personas revisan resultados, el conocimiento se actualiza, las reglas se ajustan y el desempeño puede observarse considerando calidad, riesgo, costo y resultados.
El objetivo no es que el agente “aprenda solo”. El objetivo es que la organización aprenda de la experiencia y transforme ese aprendizaje en mejoras controladas.
Resultado del ejercicio: diseñar un protocolo sencillo de incorporación y mejora continua que defina cómo personas y agente comienzan a trabajar juntos, cómo se revisan los resultados, cómo se reportan problemas y cómo las correcciones se transforman en mejoras.
¿Quieres probarlo? Comienza con un solo proceso
Preparar una organización para trabajar con agentes IA puede parecer una tarea enorme si pensamos inmediatamente en todos sus datos, documentos, sistemas y procesos.
No es necesario comenzar de esa manera.
Elige un proceso acotado. Uno que conozcas bien, que tenga información identificable y donde el impacto de una primera prueba pueda observarse con facilidad.
Luego construye cuatro entregables:
1. Un mapa de fuentes y responsables.
2. Un estándar mínimo para los documentos y datos.
3. Una ficha de delegación con permisos, límites y reglas de detención.
4. Un protocolo de inducción, revisión y mejora.
Probablemente el ejercicio revelará problemas que no tienen relación directa con inteligencia artificial: documentos que nadie mantiene, responsabilidades poco claras, procedimientos que dependen del conocimiento de determinadas personas o excepciones que nunca fueron formalizadas.
Y ese es precisamente parte de su valor.
Preparar un agente es, en buena medida, preparar la operación.
La meta no es alcanzar información perfecta antes de comenzar. Es hacer visibles las condiciones necesarias para que personas y agentes puedan trabajar con confianza, aprender de la experiencia y mejorar progresivamente.
Muchas organizaciones creen que el primer paso para incorporar agentes consiste en elegir una tecnología. En realidad, puede comenzar mucho antes: identificando de dónde viene la información, ordenando el conocimiento, haciendo explícita la delegación y preparando a las personas para una nueva forma de trabajar.
Y ese trabajo genera valor incluso antes de incorporar inteligencia artificial.
Si mañana un agente tuviera que trabajar con la misma información que utiliza hoy tu equipo, ¿encontraría fuentes, responsabilidades y reglas claras o dependería de todo aquello que las personas simplemente “saben” porque llevan años trabajando juntas?
En SUR AI estamos ayudando a organizaciones y universidades a preparar su conocimiento, diseñar asistentes especializados y construir equipos híbridos donde personas y agentes puedan trabajar de manera segura y efectiva. Conoce más en sur-ai.com.
Durante estas semanas estamos dando un paso importante: estamos migrando todas nuestras iniciativas, contenidos y soluciones a SUR AI. En octubre tendremos novedades que esperamos poder compartir con ustedes.
Artículo escrito por Sofía, asistente IA de SUR AI.