Tomar la decisión de automatizar con IA parece sencillo. ¿Quién va a decir que no a conseguir que ciertas tareas requieran menos tiempo e intervención manual? ¿O a escalar ciertas partes del proceso y, como consecuencia, mejorarlo?
Porque sí, cuando aceleramos determinadas fases de nuestros procesos, lo normal es que pensemos que lo estamos mejorando. Y la inteligencia artificial nos refuerza aún más esa impresión, pero no siempre es así.
Realizar una tarea de forma más rápida no implica necesariamente un proceso más eficiente. En ocasiones, el problema que queríamos resolver no desaparece, solo cambia de lugar e incluso se vuelve menos visible. Y no es ni será la primera vez en la historia que eso sucede.
Una lección del siglo XIX
Nos vamos hasta Inglaterra en 1865, año en el que el economista William Stanley Jevons habla en su libro, The Coal Question, de una contradicción de la industrialización. En ese momento se pensó que, al mejorar la máquina de vapor y utilizar el carbón de forma más eficiente, el consumo total disminuiría.
Pero Jevons observó el efecto contrario. Cuando la máquina de vapor se hizo más eficiente, también se hizo más rentable. Más y más industrias comenzaron a utilizarla, extendiendo su uso y, por tanto, la demanda de carbón.
Esa es la conocida como paradoja de Jevons, que establece que el aumento en la eficiencia al usar un recurso puede provocar un incremento en su consumo total, en lugar de reducirlo. Esto no quiere decir que aumentar la eficiencia sea algo inútil. Solo nos recuerda que una mejora local puede cambiar el sistema completo y lo que parecía ahorro observando una máquina aislada puede no serlo al ampliar nuestro foco de observación.
Volviendo a la época actual y a la inteligencia artificial, podemos advertir los efectos de esta paradoja desde dos perspectivas. La primera y la más relacionada con la idea original de Jevons, afecta al consumo tecnológico. A pesar de que sus costes se vayan abaratando, no implica que vaya a disminuir el gasto total, ya que cada vez se usa con más frecuencia y para problemas o procesos más complejos.
Y una segunda perspectiva enfocada en los procesos. Aunque gracias a la IA consigamos ejecutar una tarea mucho más rápido, no tiene por qué mejorar el proceso completo.
Efectos distintos de una misma señal de advertencia: la eficiencia de una parte no garantiza la eficiencia del conjunto.
De eficiencia local a ineficiencia global
Mejor lo vemos con un ejemplo. Imagina que tenemos un sistema de IA que prepara informes a partir de distintas fuentes. En una primera impresión, podemos creer que hay una mejora en esa tarea porque el tiempo de redacción es mucho menor. Pero el análisis debería ir un paso más allá: ¿Son fiables los datos? ¿Quién valida su calidad y cuánto tiempo hay que dedicar a revisión? ¿Qué ocurre cuando aparece un caso que la automatización no sabe resolver?
Con las respuestas puede que observemos que el proceso no se ha optimizado, sino que el esfuerzo ha pasado de una actividad visible a otra más difícil de medir.
Y lo mismo sucede en desarrollo de software. Acelerar una parte del proceso, sea generación de código, pruebas o documentación, no significa que haya una mejora de productividad. Hay mucho más que considerar, como la integración, la supervisión, el retrabajo y las correcciones. Y sin olvidar los costes, que incluyen licencias, consumo de modelos, infraestructura, formación y gobierno.
La mejora en una fase puede perderse si aumenta el trabajo en otra posterior. Por eso, observar solo la tarea automatizada no nos da la imagen completa.
Automatizar cuando el proceso no está bien diseñado
Las tareas estables, repetitivas y bien definidas suelen funcionar mejor como punto de partida para la automatización al ser más controlables, especialmente si sus entradas son consistentes y el resultado puede validarse.
El problema aparece al intentar automatizar tareas cuyo diseño es deficiente. Si un asistente de documentación corporativa trabaja con documentos desactualizados o erróneos, es imposible que mejore el conocimiento corporativo.
Hay que tener muy presente al automatizar que la IA no corrige el sistema. La IA lo amplifica, tanto si está correctamente diseñado como si no. Y cuando ese sistema es confuso, la confusión será mayor más rápidamente.
Cómo saber si estamos optimizando
Ya hemos dejado claro que debemos partir de un proceso bien definido para automatizar. Y que, además, debemos mirar el proceso completo, pero… ¿Cómo sabemos si estamos consiguiendo optimizarlo?
Para ello necesitamos evaluar el proceso completo respondiendo estas 5 preguntas:
- ¿Qué queremos mejorar? Tener este punto claro al comenzar es vital. La meta no es usar inteligencia artificial, es el medio para conseguirla: reducir tiempos, costes, errores… ¿Cuál es nuestra fricción a resolver?
- ¿Con qué referencia compararemos? Necesitamos conocer dónde estábamos antes para poder comparar una vez se introduzca la automatización.
- ¿Dónde ha ido a parar el esfuerzo que hemos ahorrado? Hay que revisar otras partes del proceso que pueden estar siendo modificadas por el cambio: producción, revisión, gestión de excepciones…
- ¿La calidad se mantiene? Ir más rápido no servirá de nada si tenemos más errores y baja la calidad final.
- ¿Cuál es el coste total de conseguir ese resultado? Y aquí hay que tener en cuenta el coste total del proceso, incluyendo los costes de la tecnología utilizada, su integración, mantenimiento, supervisión, formación y su gobierno.
Al dar respuesta a estas preguntas, estamos poniendo el foco en el resultado, no en la actividad. De nada sirve que una automatización genere miles de documentos o código si no sabemos cuánto acaba siendo producto útil, con qué calidad ni a qué coste, ni cómo impacta en el negocio.
Automatización con IA gobernada
No se trata de elegir entre automatizar con IA o no hacerlo, sino de elegir con criterio dónde la integramos. Tenemos que saber qué podemos resolver con la tecnología, qué límites debemos establecer y dónde sigue siendo imprescindible el juicio humano.
Mejor comenzar con un caso bien delimitado del que tengamos métricas bien definidas. Arrancar con un piloto que nos permita comprobar los resultados y medir el coste total. Y con esos datos, podremos decidir si escalamos, modificamos o detenemos la iniciativa.
La diferencia entre automatizar y optimizar está en poder demostrar que el proceso completo entrega más valor a un coste menor, con la misma o mejor calidad y un riesgo aceptable.
Porque, como nos enseñó Jevons, mejorar la eficiencia en una parte no implica mejora en el conjunto. Por eso, antes de pasar a automatizar la siguiente tarea, deberíamos preguntarnos algo respecto a las ya automatizadas:
¿Estamos eliminando una ineficiencia o simplemente trasladándola hacia una tarea que todavía no estamos midiendo?
En LedaMC te ayudamos a responder esta pregunta con datos, analizando el proceso completo, tanto si ya has incorporado la IA a tus procesos como si estás valorando por dónde empezar.
