Revisé algunas fechas de hace unos 140 años (quédese conmigo).
Entonces, 1882. Edison inaugura la estación Pearl Street en Nueva York, la primera central eléctrica. Empieza la era de la electricidad. Todos entusiasmados.
Luego, 1883. Una dama de la alta sociedad e influencer temprana llamada Alice Claypoole Vanderbilt aparece en una fiesta elegante con un vestido que llevaba una bombilla. La bombilla se alimentaba con unos 3 o 4 kg de baterías escondidas en algún lugar bajo la falda. ¡Glamour!
Y entonces todo se descontrola. Para finales de ese mismo año, literalmente todo empieza a ser «eléctrico». Incluso cosas en las que la electricidad no tiene absolutamente nada que hacer. El marketing enloquece. Había corsés y cinturones «eléctricos» que supuestamente tenían efectos medicinales.
Por supuesto, no los tenían.
Los corsés se prohibieron en 1893 porque, claro, era una estafa evidente. Muchos otros productos parecidos también se prohibieron. Pero la electricidad, obviamente, se quedó; lo que se fue fue el bombo a su alrededor.
Si lo trasladamos a la IA, básicamente estamos al final de la fase de explosión del bombo.
Ya vemos casos en los que la gente lo arruinó «con éxito». Y casos en los que realmente funcionó bien.
Característicamente, los fracasos parecen más comunes.
Hasta hay un término para eso: el «purgatorio de los pilotos». Entre el 70% y el 90% de los proyectos de IA nunca salen de la etapa piloto. No porque «la IA no funcione». De la misma manera, en aquella época se podía haber dicho que «la electricidad es una tontería».
La gente se apresura a adoptar la IA pensando: «todo el mundo está haciendo IA, yo también tengo que hacerlo». Y después es como darse descargas eléctricas con la esperanza de que se le quite el dolor de espalda.
La regla de oro de la automatización
Si revisa Google Trends para «AI implementation», todo es predecible: hay un pico alrededor de 2023. De repente todos quieren IA. Rápido.
Pero si busca «AI readiness», también hay un pico. Un año después.
Traducción: la gente probó cosas, se divirtió con la IA durante un año, fracasó, quemó dinero, recibió regaños de la dirección y luego se dio cuenta de que quizá necesitaba una estrategia.
Ahí fue donde explotó la consultoría: Deloitte, Accenture y todos los demás empezaron a promover la «preparación para la IA» como concepto.
Y el significado también cambió. Ya no se trata solo de si todo está digitalizado. Se trata de si su negocio está lo bastante estructurado para usar la IA correctamente.
Porque si sus operaciones están con el agua hasta el cuello, la IA no las arreglará automáticamente. Incluso puede decirle muy animada: «¡Oh, sí, sus procesos están por los suelos! ¿Quiere que los hunda todavía más?».
O, como básicamente dijo Bill Gates: si automatiza un proceso roto, solo obtiene un proceso roto muy eficiente.
He visto casos así.
Uno típico, por ejemplo: una empresa con un sistema ERP terrible:
- La gente simplemente odia usarlo. Busca atajos, copia datos a mano y duplica todo;
- Errores por todas partes;
- Caos en los datos;
- Gente que trabaja «alrededor» del sistema en lugar de dentro de él;
- Y entonces alguien dice: «¡Pongámosle IA encima!»;
- Todo se tuerce todavía más.
Es como una dama victoriana que dice: «Sí, la batería pesa 4 kg, pero da igual, mi vestido ya pesa 10 kg; al menos la gente me mirará».
De ahí todos esos pilotos de los que a todos les gusta hablar hasta que nadie quiere escalarlos de verdad. Porque los pilotos y las pruebas de concepto viven en un mundo limpio y hermoso, lleno de hadas y unicornios. Mientras que todos sabemos cómo es un entorno en el que la gente se ensucia las manos y realmente hace algo. Si queremos que la IA trabaje como trabajamos nosotros, tenemos que diseñar estos proyectos para el mundo real.
El método probado de Danavero (donde la IA realmente aporta más valor)
Bien, ahora algunos ejemplos de nuestra experiencia en Danavero. Hemos probado mucho, así que esto es lo que realmente funcionó bien.
Caso 1: el ayudante definitivo del soporte de primer nivel (no un reemplazo)
Este es un proyecto de optimización del servicio al cliente. La variante típica de implementación sería, por supuesto, crear un chatbot y dejar que atienda las solicitudes. ¿Algo salió mal? Bueno, entonces el cliente puede hablar con una persona.
Nosotros fuimos por el otro camino. En nuestro enfoque, la IA revisa montones de información en el backend, sin que el cliente la vea en absoluto. Llega una solicitud: la IA la intercepta, busca en la base de datos, revisa el historial de interacciones y redacta la respuesta.
La respuesta se envía al operador humano, que la revisa, le da formato y luego la envía al cliente. En esencia, la IA actúa como asistente.
¿El resultado? Nuestras mediciones mostraron un aumento de rendimiento de 2 a 5 veces por especialista de soporte. Mientras tanto, 0 (cero) clientes se enojaron con el chatbot, porque, para empezar, nunca hablaron con un chatbot.
¿Qué hicimos en realidad? Observamos qué fases del proceso consumen tiempo en entornos reales. Y no era escribirle al cliente. En realidad, el gerente de soporte solo dedica cerca del 15% de su tiempo a responder. Mientras tanto, alrededor del 60% del tiempo se va en pelearse con filtros y campos de búsqueda:
- Entender qué se necesita;
- Introducir datos a mano;
- Buscar en la base de datos;
- Consultar la base de conocimientos;
- Revisar el historial de interacciones.
Ahí era donde se perdía el tiempo. Podríamos haber hecho que la IA solo redactara respuestas bonitas. Caray, podríamos haberla hecho responder en verso. ¿Pero qué sentido tendría? ¿Acelerar más o menos ⅙ del proceso, y solo en los casos más obvios?
Tenía mucho más sentido que la IA buscara los datos: ni siquiera tiene que teclear nada en esos milisegundos que le toma. Automatizar esas microacciones era la opción más sensata.
Caso 2: respuesta instantánea al primer contacto de un prospecto
Otro caso es el de ventas. Ahí las cosas cambian. El primer instinto (y el equivocado) es alimentar a la IA con las mejores prácticas de «buenos» guiones de llamadas de venta y esperar que lleve al prospecto hasta la conversión.
Y luego entrar en pánico si (o cuando) algo sale mal.
Así que pensamos: ¿en qué punto del proceso una velocidad sobrehumana marcaría la diferencia? ¿Dónde se necesita el «zuuuuuum, listo»? En realidad, son los primeros minutos, o incluso segundos, después de la consulta inicial del cliente. Ese momento en el que la persona ya escribió algo, está algo interesada, pero en un minuto más o menos probablemente lo olvidará o cambiará de opinión. Los vendedores conocen ese momento: hay que atrapar y retener al prospecto.
¿Qué hace la IA en este proceso? Atrapa la consulta del cliente, toma el contexto y le «dispara» de inmediato una respuesta al prospecto. Una respuesta precisa, personalizada y pertinente. Nadie puede asegurar que la IA mantendría esa calidad durante toda la conversación, pero en realidad nadie lo necesita.
Porque la tarea de la IA aquí no es cerrar el trato, sino dar una buena primera respuesta al instante y así ganar tiempo y retener al prospecto mientras el vendedor se prepara para tomar el relevo.
En teoría, se podría intentar que la IA lo hiciera todo. Pero cuantas más fases cubra la actividad de la IA, más errores puede cometer en el camino. Errores que luego alguien tendrá que analizar. Como queremos resultados rápidos, identificamos la tarea que da el máximo rendimiento por cada dólar. Y, si algo sale mal, siempre se puede señalar dónde exactamente.
La «salsa secreta»: Human-in-the-Loop (HITL)
Lo que ambos casos tienen en común: la IA no lo hace todo. Las personas no lo hacen todo. Cada uno hace aquello en lo que es bueno.
Es una variante de Human-in-the-Loop (HITL, «el humano en el circuito»). Para aclarar un malentendido común: no entendemos HITL como «la IA lo hace todo y el humano corrige los errores»; eso se parece más a «human-ON-the-loop».
El verdadero HITL es cuando ambos contribuyen activamente al proceso.
No porque la IA sea «incompetente». No porque el humano actúe como «muleta». Simplemente vemos dónde la IA podría aportar más valor y la usamos ahí.
Reflexiones finales
Por supuesto, muchas empresas quieren simplemente poner la IA a trabajar e irse a pescar, a jugar tenis o lo que sea. Pero eso no significa que eso sea lo que realmente genera ROI. He revisado un caso de estudio tras otro, y el patrón que se repite es el mismo. El éxito llega cuando la gente analiza sus procesos con suficiente detalle antes de aplicar IA.
Entonces, «¿debo implementar IA?». Sí. Solo decida qué es lo que la IA debería hacer por usted. La IA no sustituye a las personas; es más bien un superpoder que hay que saber dónde usar.
Estoy bastante seguro de que, si leyó hasta aquí, usted también ha tenido su propio recorrido con la IA. ¿Cómo ha sido?













