La IA aplicada no funciona

El mundo ha gastado una fortuna en IA. Para la mayoría de las empresas, nada cambió. He hablado con más de 300 CEOs, CIOs y CFOs de las empresas más grandes del planeta. Aprendí que la mayoría de las compañías aplican IA a sus procesos deficientes, y el resultado final es simplemente hacer basura más rápido. Ya sea comprando miles de licencias de Claude Code, comprometiendo $50M al año en gasto de tokens, o realizando sesiones de entrenamiento de IA por Zoom, he visto de primera mano lo ineficiente que ha sido la adopción de la IA. No tiene por qué ser así.

Ya hemos recorrido este camino, de hecho múltiples veces, y deberíamos aprender de la historia en lo que respecta a la adopción de la IA. Mi esperanza es que, al final de este artículo, los líderes de IA en todo el mundo abandonen su metodología arcaica e ingenua de aplicación de la IA y, en su lugar, sigan el proceso probado y verdadero que se ilustra a continuación.

Parte 1: La Historia y sus Paralelismos

En 1990, un ex profesor de ciencias de la computación del MIT llamado Michael Hammer escribió un artículo para la Harvard Business Review. Ya había pasado años dentro de empresas que gastaban enormes cantidades de dinero en computadoras y lograban un retorno de la inversión muy bajo, y fue uno de los primeros en descubrir por qué.

"Las fuertes inversiones en tecnología de la información han dado resultados decepcionantes, en gran parte porque las empresas tienden a usar la tecnología para mecanizar viejas formas de hacer negocios. Dejan los procesos existentes intactos y usan las computadoras simplemente para acelerarlos."

Esa es una cita real. ¿Es broma? Si cambiaras 'tecnología de la información' por 'IA', podrías publicar eso mañana y estar en la portada de Business Insider. En el mismo artículo escribió que es hora de dejar de pavimentar los caminos de las vacas. Han pasado 36 años desde entonces, y ¿adivina qué seguimos haciendo?

Nota: Pavimentar los caminos de las vacas significa automatizar, formalizar o consolidar un proceso ineficiente existente en lugar de rediseñarlo para cómo deberían funcionar las cosas. Te ahorré el viaje a Claude, de nada.

Mientras tanto, se gastaron más de $1B en capex, construyendo IA (solo Alphabet, Amazon, Meta y Microsoft gastaron $410B en 2025; impresionante, lo sé), sin embargo, solo $37B fueron gastados por empresas en usarla realmente. Lo que eso significa en la práctica: El Departamento de Negocios y Comercio del Reino Unido realizó una prueba de Microsoft 365 Copilot y publicó los resultados. Se implementaron 1,000 licencias durante 3 meses, y solo hubo un promedio de 1.14 acciones de Copilot por usuario por día. Las diapositivas de PowerPoint salieron 7 minutos más rápido (de 18 minutos a 11), pero con la mitad de la puntuación de calidad. El análisis de Excel en realidad se completó más lentamente (y también con peor calidad). El ahorro de tiempo en el correo electrónico fue, y cito, "extremadamente pequeño". Su propia conclusión, textualmente: "No encontramos evidencia sólida que sugiera que el ahorro de tiempo esté conduciendo a una mejora de la productividad". Y sin embargo, el 72% de los usuarios dijo que estaba satisfecho o muy satisfecho.

En resumen: a la gente le gustó, pero estaban produciendo exactamente lo mismo que antes. Ethan Mollick (Profesor Asociado de Wharton e Investigador de IA) lo expresó mejor: "El uso de la IA que impulsa el rendimiento individual no se traduce naturalmente en la mejora del rendimiento organizacional". Este artículo ampliará por qué es así y ofrecerá soluciones que hemos visto funcionar en la práctica.

Para contexto, soy Vas, el CEO de @varickagents. Trabajamos con empresas extremadamente grandes (entre $500M y $100B en ingresos, de 1k a 100k empleados), ayudándoles a adoptar IA, desde la estrategia general, hasta la reingeniería de procesos, pasando por la construcción, implementación y gestión de sus agentes. Este artículo se basa en las lecciones que hemos aprendido: qué separa los pilotos de IA que fracasan (sin ROI medible) de aquellos que tienen éxito (el 80%+ del trabajo es manejado completamente por un agente, ahorrando tiempo y dinero).

La razón por la que esto sigue sucediendo no es pura estupidez. Algo de eso es, por supuesto, pero la mayor parte es inercia y diseño. Quien firma un contrato de IA hoy puede ser dueño de las herramientas y la selección del proveedor, pero ciertamente no es dueño del proceso. Nadie en esa cadena está facultado para entrar en finanzas, por ejemplo, y decir que su proceso de 14 pasos en realidad debería ser solo de 5 pasos. Así que nadie lo hace. En cambio, 'aplicas IA' sobre lo que ya tienes, y terminas con una mierda más rápida.

Se supone que la IA no debe ser 'aplicada'. Eso no funciona. Tú 'aplicas' una capa de pintura. Demasiadas personas piensan en la IA como una capa de pintura nueva, y la pintura no arregla lo que hay debajo. Nadie dijo nunca 'nube aplicada' o 'digital aplicado'. No, en su lugar dijeron Transformación Digital, Modernización de la Nube, porque todos entendían que eran transformaciones y que la tecnología era solo una parte de ellas. La IA toma la misma forma.

Volviendo a Hammer: su mejor número proviene de una compañía de seguros que estudió. Una solicitud tardaba 22 días en moverse a través del negocio. De esos 22 días, el tiempo total que alguien pasó trabajando en ella fue de 17 minutos. Supongamos que hoy, tu experto en IA coloca el mejor modelo del mundo en ese proceso y hace que cada paso individual sea el doble de rápido. Ahora ha ahorrado 8 minutos y medio. Él lo presenta como un ahorro de tiempo del 50%, obtiene su ascenso y bonificación, y se va al atardecer. Son 8 minutos.

Los ahorros no estaban en trabajar en la solicitud. Estaban en las colas y transferencias, en los períodos de espera para otros equipos y en la segunda ronda de revisiones. Gastar tu energía en acelerar los 17 minutos es peor que no hacer nada; acabas de gastar tu presupuesto y le demostraste a tu junta que 'la IA no funciona'. Podrías pensar que esto es una reliquia de los 90, pero no lo es. Trabajamos con una empresa que tuvo exactamente este problema, según sus propios registros del sistema. Abrir un nuevo caso de cliente tomaba 25 minutos de trabajo real. El tiempo transcurrido, desde que se ingresaba el caso hasta que se activaba, iba desde 2 días hasta 2 semanas. El trabajo puede ser de minutos mientras que el proceso aún puede ser de semanas.

Cuando digo que la mayoría de los programas de IA están haciendo la mierda más rápido, lo digo literalmente. El proceso es una mierda. La IA lo está haciendo más rápido. A lo que he escuchado: "bueno, somos una empresa masiva, así que claramente estamos haciendo algo bien, y no necesitamos cambiar". Adaptarse o morir está vigente hoy, más que nunca, y este es el único aspecto en el que la IA difiere de lo digital y la nube. Usada correctamente, la IA le da a un competidor una ventaja sobre ti que aquellos nunca lo hicieron. Ya sea para superarte en costo, escalar infinitamente sin aumentar la plantilla de procesos, o contactar al mundo entero antes de que puedas armar una lista de prospectos, te aplastarán. En el mejor de los casos, sigues creciendo y ahora tu plantilla escala exponencialmente. 3 analistas se convierten en 6, pero los 6 ahora necesitan un gerente, y dado que son 2 equipos, necesitan una transferencia que no existía antes, y ahora esa transferencia necesita una reunión de estado y un PM, etc., etc. Por eso las gráficas de plantilla se inclinan hacia arriba, mientras que los ingresos por empleado no. Adáptate o muere, pero no finjas que la IA no está sucediendo. Tus competidores no se detendrán ante nada para resolver esto.

Parte 2: Qué Hacer Hoy

Tus datos son un desastre y tus sistemas no se comunican entre sí, por lo que quizás tu primer instinto sea arreglar esto antes de tocar cualquier otra cosa. Solo necesitas un ERP, un CRM, una plataforma de datos, y luego IA encima. Eso suena genial en teoría, pero los especialistas en TI entienden que nunca es tan simple. Echa un vistazo a lo que esto realmente cuesta, tanto en dinero como en tiempo.

TSB gastó £318M en una migración bancaria central, absorbió aproximadamente £200M más en costos de incidentes, fue multada con £48.65M por la FCA y la PRA en diciembre de 2022, y dejó sin servicio bancario a 5.2 millones de clientes. Zimmer Biomet, un fabricante de $8B, presentó un reclamo de $172M contra Deloitte en septiembre de 2025, después de que una 'migración y consolidación' fallida les impidiera realizar funciones básicas, como enviar su producto, facturar a sus clientes o producir informes de ventas funcionales. Y esos son solo los dos ejemplos que salieron en las noticias; incidentes como estos son mucho más comunes de lo que piensas.

En lo que deberías centrarte para resolver es en el proceso, en su lugar. Digamos que has comprado 9 empresas en los últimos 20 años, lo que significa que ahora tienes el mismo proceso que funciona de 9 maneras diferentes en tus 9 subsidiarias. Si quieres 'aplicar' IA en toda tu empresa, tendrás que construir el mismo agente de 9 maneras diferentes y luego verte obligado a mantener los 9 conjuntos de agentes, a perpetuidad. Para evitar este purgatorio, primero debes definir el proceso único que se ejecuta a nivel global, que implementas en toda tu entidad, antes siquiera de pensar en aplicar IA sobre eso.

Por el contrario, NO necesitas un solo ERP. Las integraciones deterministas solían romperse en el momento en que 2 sistemas no estaban de acuerdo sobre qué era un registro de proveedor. Sin embargo, los agentes toleran esta inconsistencia, por lo que una capa de orquestación que se sitúe sobre los sistemas que ya tienes ES la solución para sistemas dispares. Tus sistemas no solo necesitan comunicarse entre sí, necesitan estar felizmente casados, tolerando las fallas del otro.

Empieza a mapear

Para rediseñar tu negocio, primero debes entenderlo. No llegas a este nivel de comprensión eligiendo un solo flujo de trabajo, donde pasas 8 semanas perfeccionando algo que resulta estar limitado por un proceso hermano upstream, y terminas con un ROI neto de 0.

Al mismo tiempo, sin embargo, no puedes simplemente ingerir todo el negocio a la vez, simplemente debes comenzar por algún lado. Comienza a nivel de departamento. No será perfecto: finanzas toca a ventas cada vez que el reconocimiento de ingresos depende de cómo se vendió algo. RR.HH. toca a TI y Operaciones en cada nueva contratación. Pero al menos de esta manera, identificas 'paquetes' de flujos de trabajo que alimentan al mismo departamento (por ejemplo, Finanzas contiene AP, AR, FP&A, Facturación, Banca, Conciliaciones, etc.), y puedes comenzar a mapear los siguientes 7 detalles:

1. El 'camino feliz': de qué es responsable este flujo de trabajo y qué sucede en el escenario más ideal. Para la mayoría de las empresas, esto es prácticamente lo único que está realmente documentado al pie de la letra.
2. Las excepciones. Aquí es donde pasas la mayor parte de tu tiempo. No solo describas lo que sucede, entra y calcula qué parte del volumen sale del camino feliz, a dónde va, quién se involucra, cuál es el tiempo de ciclo para manejar estas excepciones y cuál es el costo de un error aquí.
3. ¿Qué hay upstream y downstream de este flujo de trabajo? ¿Cómo interactúa este proceso con esos, cuando las cosas se retrasan o salen mal en cada uno?
4. ¿Cuáles son todos los sistemas de registro involucrados y cuál gana cuando 2 de ellos no están de acuerdo?
5. ¿Cómo difiere esto por región, por entidad, por subsidiaria, por qué adquisición a través de la cual llegó?
6. ¿Cuál es el tiempo de contacto versus el tiempo transcurrido, y cómo varía la brecha en cada paso individual?
7. ¿Cuál es la capacidad de IA de cada persona en la función y qué grado de propiedad deberían tener sobre un sistema de IA de estado futuro? (Calcular esto es subjetivo y varía enormemente).

Se requieren dos procedimientos para extraer la información anterior:

• Minería de procesos contra los sistemas de registro para obtener acciones, marcas de tiempo, rendimiento, ediciones y la realidad que no coincide con la documentación.
• Entrevistas, porque lo anterior te dará datos, pero las conversaciones con los operadores te dirán exactamente dónde está el dolor. La realidad de tu organización vive en las cabezas de 10 a 20 personas que han estado haciendo este trabajo exacto para tu empresa exacta durante años, y al final del día, tu IA necesita ser adoptada por estas personas para que funcione de manera efectiva.

Hacer solo uno de estos pasos te deja con una imagen incompleta y es la razón principal por la que el descubrimiento de IA falla. He visto firmas de IA Aplicada intentar tomar atajos con 'Entrevistas de IA', o enviando ingenieros para hacer las entrevistas. Esto no funciona. La mitad del trabajo es desarrollar una relación sólida con los operadores y saber qué preguntas hacerles, para que te vayas con una buena comprensión de qué construir y cómo implementarlo.

Los agentes que funcionan no son solo llamadas a LLM

El rediseño de procesos es un ejercicio de clasificación que requiere experiencia en software e IA. Cada paso cae en uno de 3 cubos:

Determinista. Si X entonces Y, sin juicio involucrado. Por ejemplo, si la factura está por debajo de cierto umbral de monto en dólares y coincide con la OC y el comprobante de recepción, entonces la pagas. Si la divulgación nombra a un competidor, entonces enrútala al equipo de conflictos. Estas acciones son mejores como software simple, de toda la vida. No necesitas una llamada elegante a un LLM si puedes hacerlo con código normal, que es barato, auditable, determinista (nunca alucina) y rápido.

Agéntico. Si tienes miles de ejemplos pasados de humanos tomando una decisión con el resultado registrado, y este paso es de riesgo suficientemente bajo (por ejemplo, aprobaciones de mesa de negociación o codificación GL), definitivamente deberías usar un LLM para el juicio. Especialmente si el resultado es un sí/no, un enrutar-a-este-equipo, un marcar/no-marcar, o un coincidir/no-coincidir, envía esto con un agente y mide cada resultado. Por otro lado, si el resultado requerido son 5 páginas de un documento que un humano tiene que leer completo para verificar de todos modos, entonces es mejor hibridar el enfoque. Aquí, necesitas juzgar la dificultad de la acción, no la dificultad del pensamiento.

Humano en el Circuito. Para pasos que son demasiado arriesgados o no tienen suficiente contexto histórico, es mejor mantener al humano en el circuito, porque el costo de que un agente se equivoque en una acción es demasiado alto. En su lugar, pon toda la evidencia relevante frente a ese humano en el momento en que decide. Por ejemplo, un agente detectará una discrepancia entre una factura y una orden de compra, y luego le presentará al humano 3 opciones: aprobar de todos modos, rechazar directamente, o proporcionar comentarios y enrutar a otra persona. El agente le acaba de ahorrar a tu humano 40 minutos de buscar en correos electrónicos, registros de facturas y más, para que, en su lugar, pueda tomar una decisión en 30 segundos. Pero la acción final sigue estando controlada por ese humano.

Una vez que hayas clasificado cada paso en uno de los 3 cubos anteriores, puedes convertir algo como un proceso de 25 pasos en un grupo de 3 agentes, con pasos deterministas antes y después, y finalmente 2 puntos de acción de humano en el circuito para desbloquear. Este trabajo de reingeniería de procesos, junto con los propios agentes, es donde reside todo el ROI.

Después de esto, estableces los KPI de referencia antes de construir cualquier cosa. Tu objetivo es calcular los números detrás del proceso que estás resolviendo, incluyendo dónde y cómo se miden esos números hoy. Si no puedes hacer eso, este proyecto está destinado al fracaso. Debes poder mirar hacia atrás dentro de 12 meses y decir: solíamos estar en X, y ahora estamos en 3X, o 10X, o 100X, gracias a los agentes que construimos. Solo entonces puedes decir que este proyecto fue verdaderamente un éxito.

Finalmente, priorizas y secuencias tu construcción. Primero, aborda el flujo de trabajo con más transferencias, ya que probablemente sea la fruta más baja donde puedas ver los resultados más claros. La distinción clave es que este no es necesariamente el mismo flujo de trabajo con el mayor volumen.

¿Cómo se ve esto en la práctica?

Reingenierizamos un negocio global que conciliaba más de 300 cuentas bancarias cada mes. 2/3 de ellas eran manejadas por un equipo offshore, y el resto se dividía entre otras 2 regiones en 3 formatos diferentes, pero completamente en Excel. Había más de 12,000 partidas de conciliación abiertas, y se dedicaban 4 días al inicio de cada mes a obtener los estados de cuenta. Su proceso de conciliación tomaba casi todo el mes, cada mes.

Su flujo de trabajo antes de que lo reingenierizáramos era el siguiente (y antes de que te burles de ellos, reconoce que definitivamente tienes procesos como este, si no peores, en tu propia empresa):

1. Perseguir y recopilar estados de cuenta de cada banco, en el formato que proporcionen
2. Normalizarlos en el libro de trabajo regional
3. Extraer el extracto del libro mayor
4. Coincidir línea por línea
5. Marcar lo que no coincide
6. Enviar un correo electrónico a un contralor local para obtener contexto sobre las partidas marcadas
7. Esperar su respuesta
8. Perseguir la respuesta si no hay respuesta
9. Finalmente obtener la respuesta, luego contabilizar el ajuste
10. Consolidar la región en el archivo consolidado
11. Hacer todo ese proceso de pasos 1-10 nuevamente para cada una de las otras 2 regiones, cada una en su propio formato.
12. Cerrar.

Si haces cada uno de esos pasos más rápido, la coincidencia se vuelve más rápida. El problema es que la coincidencia nunca fue el problema. Los 4 días de espera por los estados de cuenta, y el correo electrónico al contralor en otra zona horaria, y la respuesta que aún tarda 3 días, lo son. Al hacer la coincidencia más rápida, ahorrarías horas de un proceso que se mide en semanas.

En cambio, rediseñamos su proceso para que fuera de 3 pasos.

1. Los estados de cuenta llegan a través de un feed, al estilo de una cinta transportadora, en lugar de ser perseguidos. Esto no tiene absolutamente nada que ver con la IA.
2. Todo lo que se pueda coincidir según las reglas se coincidirá automáticamente, y si no, un agente armará el caso de principio a fin: con la partida en sí, las categorizaciones históricas, la evidencia recopilada de varios sistemas de registro y un siguiente paso propuesto.
3. Finalmente, un humano trabaja a través de su cola de excepciones, con la evidencia preparada para su revisión, en lugar de tener que examinar manualmente los datos dispersos en ERPs y hojas de cálculo.

Perseguir, enviar correos electrónicos, esperar, volver a teclear y las consolidaciones regionales se eliminaron por completo. Esta es la diferencia entre un sistema de agentes que ahorra minutos y horas, y un sistema de agentes que ahorra semanas.

Parte 3: ¿Por qué no es esto más común?

Te mintieron

El discurso de la IA que recibiste fue engañoso desde el principio. La IA adoptada como una solución puntual no es algo de lo que obtengas valor. No puedes hacer esto solo desde TI, y no puedes hacerlo desde una 'función de innovación' con un presupuesto de $1M y 0 autoridad. Rediseñar un proceso que abarca 4 departamentos requiere alguien que pueda decirles a los 4 departamentos que el proceso está cambiando. Solo hay un puñado de personas en una empresa que realmente pueden hacer esto; tiene que venir desde arriba.

Pero otro grado de complejidad: las personas que realmente hacen el trabajo hoy, por ejemplo, el jefe de cuentas por pagar, y los operadores y analistas de finanzas, también deben ser incluidos. Tienen que querer el nuevo sistema de IA, porque tienen que adoptarlo e impulsarlo mañana. Tienen que querer divulgar información que creen que potencialmente podría reemplazarlos, incluso si ese no es el caso la mayoría de las veces.

Y lo más importante, adoptar IA se considera arriesgado. El statu quo es 'seguro' para la mayoría de las personas, que no obtienen un ascenso si la IA funciona, pero son despedidos si no funciona, incluso si aferrarse al statu quo significa dejar que la empresa muera lentamente con el tiempo.

La reingeniería es bastante difícil

La propia estimación de Hammer y Champy en 1993 fue que hasta el 50% al 70% de las organizaciones que intentaron la reingeniería de procesos no lograron los resultados que pretendían. (Claramente no ha cambiado mucho desde los 90). El propio Hammer dijo más tarde que había sido "insuficientemente apreciativo de la dimensión humana". Lo que quiso decir fue que 'eliminar una transferencia', en ese momento, significaba despedir a la persona responsable de esa transferencia (ese era todo su trabajo), y luego pedir a todos los demás que cambiaran su trabajo, mientras que el 'software' de la época no soportaba tal cambio. Lo que significa que después de que los consultores llegaron y se fueron, la estructura organizativa y el proceso rápidamente volvieron a su estado original: uno plagado de ineficiencias y errores.

Hoy, sin embargo, dos cosas son fundamentalmente diferentes. Primero, las herramientas nativas de IA ofrecen un estado de software fluido sin precedentes: uno que puede adaptarse a los cambios a su alrededor. Un agente que se sienta en tu sistema de registro puede ejecutar transferencias que solían depender de personas, manejando simultáneamente las discrepancias a su alrededor desde software determinista, y también es inmune a la varianza común en los humanos. Segundo, el trabajo que estás eliminando primero es casi en su totalidad coordinación, es decir: perseguir, esperar, escalar, triar, etc. Después de estas mejoras de proceso y una verdadera transformación de IA, todo lo que queda es trabajo de alto juicio y alto apalancamiento, que tus mejores personas deberían estar haciendo todo el tiempo de todos modos.

Un mundo feliz nuevo

Las consultorías tradicionales son decentes en el trabajo de procesos, les daré eso. De hecho, si quieres una ilustración elaborada de un proceso de 15 pasos que abarca 10 países y 3 entidades, tu firma de consultoría común producirá la diapositiva más hermosa que hayas visto, por $300,000. Lo que esta firma de consultoría no puede hacer es la segunda mitad, más importante, que es saber qué se le puede y qué no se le puede confiar a un modelo, cuánto cuesta un agente que se ejecuta 40,000 veces al mes, qué modelo (Fable 5.1, vs Gemini 3.8 Flash) usar para qué tipo de tarea (Codificación GL vs Enrutamiento de Mesa de Negociación), cómo diseñar un conjunto de evaluación de manera óptima para un proceso particular, y en cuál de los 3 cubos anteriores (Determinista, Agéntico, HITL) pertenece realmente un paso dado en un proceso. Y así, si vas por esta ruta, tu rediseño es creado por consultores que están adivinando, en lugar de estrategas experimentados nativos de IA y FDEs, y 6 meses después te preguntas por qué tu piloto se estrelló.

Los laboratorios y empresas de IA, por otro lado, tienen el problema opuesto. Pueden construir un agente (la mayoría de las veces, al menos), pero nunca se han sentado con finanzas y operaciones para desglosar un flujo de trabajo donde ambos departamentos no están de acuerdo sobre la propiedad y quién está upstream de quién, por lo que en su lugar pondrán IA sobre un proceso roto y lo llamarán automatizado, en lugar de desmantelar y rediseñar ese proceso como debería haberse hecho hace meses. Además, los laboratorios de 'IA aplicada' más grandes como OpenAI (DeployCo) y Anthropic (Ode) te obligarán a casarte con sus modelos de por vida. Apostar todo el stack de inteligencia de tu empresa a un solo proveedor es un suicidio. Mañana, cuando limiten la tasa, cuanticen, suban los precios y retiren el modelo en el que te estás ejecutando, te quedas con el desastre y la factura. Puedes pensar que es tan simple como cambiar un endpoint de Claude a GLM o Gemini o DeepSeek, pero no lo es. Volver a ejecutar evaluaciones y redeterminar qué nivel de pensamiento usar por llamada al modelo es un proceso laborioso, y los laboratorios no te ayudarán a hacer esto.

Lo que necesitas en su lugar es lo mejor de ambos mundos combinado: personas que realmente hayan dirigido una función de finanzas, operaciones, ventas o RR.HH., combinado con el talento de ingeniería para enviar software de grado de producción a ERPs como Microsoft Dynamics o CRMs como Salesforce, combinado con ingenieros de IA que puedan construir arneses de empresa agnósticos al modelo con gobernanza a nivel empresarial y conjuntos de evaluación integrados. Algunos se refieren a estas personas como 'Ingenieros de Implementación Avanzada (FDEs)', pero la verdad es que la mayoría de los FDEs hoy son ingenieros mediocres y consultores mediocres, sin absolutamente ninguna capacidad de IA, y terminas con básicamente nada hecho bien.

¿Cómo se ve esto cuando lo haces bien?

Hay 4 palancas que importan cuando estás transformando una empresa con IA: costo (idealmente reducido), ingresos (idealmente aumentados), tiempo (idealmente más rápido) y riesgo (idealmente menor). En todas nuestras implementaciones, aproximadamente la mitad de ellas en empresas públicas, aquí hay ejemplos de lo que realmente se movió, palanca por palanca:

• Tiempo. Redujimos el proceso de cierre de fin de mes de 18-22 días a 7-9 días. Las interrupciones en la cadena de suministro ahora se clasifican en menos de 6 horas, en lugar de varios días.
• Ingresos. Los acuerdos solían estar inactivos un promedio de 23 días; ahora el promedio es de 6 días, y el tiempo administrativo de los representantes pasó del 38% de la semana al 14%. Este tiempo se destinó directamente a las ventas.
• Costos. El manejo de excepciones de cuentas por pagar pasó de 600-800 facturas por mes a menos de 50. En una organización de marketing, se recuperó entre el 8 y el 12% del presupuesto de medios de los errores de ritmo que antes solo salían a la luz al final del mes, ahorrando millones por trimestre.
• Riesgo. Las correcciones de nómina cayeron un 90%, porque la conciliación entre sistemas ahora se ejecutaba antes de la nómina, no después. El 80% de las consultas de soporte de los empleados se respondieron desde los propios documentos de políticas de la empresa, mientras que los casos excepcionales aún se escalaban a un humano en RR. HH.

En total, el valor generado en este conjunto de implementaciones superó los $100 millones. La mejor parte es que esta cifra se co-creó con nuestros clientes; no solo lo decimos nosotros, se midió.

¿Cómo es una empresa de transformación con IA real?

Todo lo descrito anteriormente es cómo hacemos las cosas en Varick, y es el único enfoque que ha funcionado para las empresas para las que hemos implementado IA. Estas son empresas increíblemente grandes, con miles de personas, docenas de sistemas de registro y complejidades infinitas, sin embargo, el manual es el mismo y funciona siempre.

Nuestro equipo de Estrategas e Ingenieros llega a nivel de departamento para primero mapear cómo ocurre realmente el trabajo, no solo aceptar cómo está documentado, a través de una combinación de minería de procesos y entrevistas, cálculo del tiempo transcurrido frente al tiempo de contacto, mapeo de las excepciones, efectos ascendentes y descendentes, y comprensión de quién es responsable de qué. En lugar de meses, completamos este proceso en solo unas pocas semanas, momento en el que recibes tu proceso rediseñado, el valor a capturar, los KPI personalizados de referencia y el orden de prioridad en el que se construirían los agentes. A continuación, comenzaríamos a construir los agentes, que vienen equipados con gobernanza a nivel empresarial, auditabilidad, conjuntos de evaluación y monitoreo listos para usar.

Trabajamos con empresas que facturan más de $500 millones en ingresos, abordando sus flujos de trabajo más difíciles en producto, finanzas, ventas, adquisiciones, operaciones, RR. HH. y más. Si quieres ver cómo se ve esto en uno de tus propios procesos, reserva una llamada en nuestro sitio web y ven preparado para hablar sobre tus flujos de trabajo menos favoritos y qué los hace tan complejos. Y si encontraste útil este contenido, suscríbete a nuestro boletín, donde publicamos resúmenes semanales sobre lo último en IA 'Aplicada' y todo lo que hemos aprendido al hacerlo.

TLDR

• La mayor parte del gasto en IA en las empresas hoy en día se aplica sobre los mismos procesos que ya existían, lo que significa que todo lo que realmente estás haciendo es hacer que un mal proceso funcione más rápido. Michael Hammer dijo esto sobre la TI en 1990, y el gobierno del Reino Unido básicamente lo volvió a demostrar en 2025 con 1,000 licencias de Copilot: 1.14 acciones por usuario por día, sin ganancia de productividad que pudieran encontrar, y el 72% de los usuarios estaban satisfechos de todos modos.
• El tiempo nunca estuvo en el trabajo en sí, sino en las colas y las transferencias. La solicitud de seguro de Hammer estuvo 22 días en proceso, con 17 minutos de trabajo real. Incluso si haces el trabajo el doble de rápido, has ahorrado 8 minutos.
• Consolidar primero tus sistemas (un ERP, un CRM, una plataforma de datos) es una forma bien documentada de perder 2 años y 9 cifras antes de ver un solo dólar de valor. Lo que realmente necesitas es una definición del proceso y un propietario, porque los agentes pueden tolerar sistemas que no están de acuerdo entre sí, y las integraciones deterministas nunca pudieron.
• Comienza a nivel de departamento, extrae los sistemas de registro y entrevista a los operadores, y luego clasifica cada paso en uno de los 3 grupos: software determinista, un agente o un humano en el circuito con la evidencia preparada para ellos. Bien hecho, un proceso de 25 pasos se convierte en 3 agentes con 2 puntos de control humanos.
• Cuando lo hicimos de esta manera, el cierre de fin de mes pasó de 18-22 días a 7-9, las excepciones de cuentas por pagar pasaron de 600-800 al mes a menos de 50, las correcciones de nómina cayeron un 90%, y el total de nuestras implementaciones superó los $100 millones, medido junto con los clientes.
• Nada de esto funciona a menos que venga de arriba, los operadores realmente lo quieran, y quien contrates tenga gente de procesos, ingenieros de software e ingenieros de IA todos en la misma sala, y casi nadie tiene los tres.