Necesita descubrir dónde se atasca el trabajo y elegir la intervención más pequeña capaz de hacerlo avanzar mejor.

TL;DR

He percibido una dificultad recurrente: muchas empresas ya llegaron a la conclusión de que necesitan usar inteligencia artificial, pero no tienen la menor idea de dónde ponerla. La pregunta llega invertida. En lugar de empezar por la herramienta, busco colas, retrabajo, información perdida, decisiones repetitivas, errores recurrentes y personas que se convirtieron en integraciones manuales entre sistemas. A partir del cuello de botella, podemos decidir si la respuesta es mejorar el proceso, crear una automatización determinista, usar IA como asistencia, dar herramientas a un agente, automatizar una decisión operativa limitada o preservar la decisión humana con mejores evidencias. No todos los problemas necesitan IA. Todo sistema necesita responsabilidad, observabilidad y una forma segura de fallar.

Una de las mayores dificultades que veo hoy no es convencer a una empresa de que la inteligencia artificial puede ser útil.

Mucha gente ya superó esa etapa.

La empresa ya decidió que «necesita IA». La competencia habla de ello. El equipo experimentó con algún chatbot. Alguien vio una demostración impresionante. La dirección no quiere quedarse atrás.

El problema empieza con la siguiente pregunta:

¿Dónde, exactamente, ponemos IA dentro de la empresa?

Ahí es donde la conversación suele volverse abstracta. Porque «poner IA» no describe un problema, un resultado, una decisión ni un proceso. Solo describe el deseo de usar una tecnología.

Es como comprar una máquina antes de descubrir qué etapa de la fábrica está detenida.

Prefiero invertir la pregunta.

Tu empresa no necesita empezar descubriendo dónde poner IA. Necesita descubrir dónde se está atascando el trabajo.

El cuello de botella deja pistas

Un cuello de botella no siempre aparece como un sistema fuera de servicio o una cola visible en la puerta de un sector. Muchas veces se disfraza de rutina normal.

Conviene buscar lugares en los que:

• la misma información se copia entre hojas de cálculo, correos y sistemas;
• una persona pasa el día preguntando si otra ya terminó una etapa;
• el cliente espera porque nadie encontró el contexto necesario para responder;
• los documentos llegan en formatos diferentes y alguien debe interpretarlos manualmente;
• el equipo repite la misma decisión decenas de veces, pero los criterios siguen solo en la cabeza de quien decide;
• una excepción atraviesa varios sectores porque el flujo común no sabe qué hacer con ella;
• errores conocidos reaparecen sin que el sistema consiga detectarlos antes;
• el informe solo está listo cuando ya perdió parte de su valor para la decisión;
• una persona se convirtió en la integración humana entre herramientas que no se comunican;
• el proceso depende de que alguien recuerde el siguiente paso.

Estas señales no demuestran que la solución sea la IA. Muestran dónde hay costes de coordinación, espera, repetición, pérdida de contexto o decisiones mal respaldadas.

Ese es el comienzo de un verdadero levantamiento de requisitos.

No quiero oír solamente «necesitamos automatizar finanzas» o «queremos un agente para ventas». Quiero entender qué entra, qué debe salir, quién decide, qué información respalda la decisión, qué excepciones importan, qué puede salir mal y quién responde cuando ocurra.

Solo después tiene sentido elegir la tecnología.

Seis respuestas posibles, y la IA es solo una parte

Cuando encontramos un cuello de botella, pienso en distintos niveles de intervención. No forman una escalera obligatoria. El sistema correcto puede combinar varios.

1. Corregir el proceso o integrar los sistemas

A veces no falta inteligencia. Falta un flujo coherente.

Si dos herramientas ya tienen API fiables y la regla de transferencia está clara, una integración tradicional puede resolver el problema. Si nadie está de acuerdo sobre qué significa «pedido listo», quizá el primer trabajo sea definir el proceso.

Poner IA sobre una ambigüedad no elimina la ambigüedad. Solo permite que circule más rápido.

2. Crear una automatización determinista

Cuando se conocen la entrada, la regla y la salida, el código convencional suele ser la mejor respuesta.

«Si el pago fue confirmado, emite el documento y actualiza el estado».

No necesitamos un modelo probabilístico para sumar valores, mover un archivo, validar un campo obligatorio, ejecutar un backup o avisar de que venció un plazo.

La automatización determinista suele ser más barata, previsible, comprobable y fácil de auditar. Usar IA donde basta una regla no hace que el sistema sea más moderno. Puede limitarse a hacer menos previsible el resultado.

3. Usar IA como asistencia

La IA empieza a tener más sentido cuando hay lenguaje, ambigüedad o un volumen difícil de tratar únicamente con reglas.

Puede clasificar una solicitud, resumir un historial, extraer campos de un documento, comparar textos, localizar conocimiento relevante o producir una recomendación inicial.

Aquí la IA no ejecuta todo el proceso. Reduce el trabajo cognitivo y entrega mejor material para que una persona o automatización continúe.

4. Dar herramientas a un agente ejecutor

Un agente de IA combina contexto, modelo, herramientas y criterios para elegir los siguientes pasos dentro de un espacio delimitado.

Puede consultar sistemas, reunir evidencias, rellenar un artefacto, abrir una tarea, solicitar un dato ausente, ejecutar una validación y devolver el estado actual con el riesgo y el siguiente paso.

La diferencia respecto a una automatización fija es que el camino puede variar según el contexto. La diferencia respecto a una autonomía sin restricciones es que las herramientas, permisos, límites y puntos de aprobación siguen siendo explícitos.

5. Automatizar una decisión operativa limitada

Es posible permitir que un sistema tome determinadas decisiones sin esperar a una persona, pero «IA decisora» no puede ser un nombre elegante para una autoridad sin responsable.

En el vocabulario del mercado, esto puede aparecer simplemente como IA decisora. Prefiero hacer explícito qué decisión operativa fue delegada y hasta dónde llega la autoridad del sistema. El nombre menos emocionante obliga a que la arquitectura sea más honesta.

Yo reservaría este diseño para decisiones de bajo impacto, reversibles y delimitadas por una política clara. El sistema debe tener un límite de valor o consecuencias, un nivel mínimo de confianza, un rastro de auditoría, supervisión, una ruta de excepción y una posibilidad real de deshacer el resultado.

Dirigir una incidencia a la cola más probable puede encajar aquí. Liberar automáticamente una pequeña reposición dentro del stock, el presupuesto y los proveedores previamente aprobados también puede encajar. Transferir una cantidad relevante, despedir a una persona o asumir silenciosamente un riesgo jurídico, no.

6. Preservar la decisión humana y mejorar su evidencia

En decisiones materiales, la mayor contribución de la IA puede ser organizar aquello que el ser humano necesita ver.

El sistema reúne datos, muestra escenarios, registra premisas, señala la información ausente, compara alternativas y expone la incertidumbre. La persona sigue siendo responsable del objetivo, el contexto, la ética y las consecuencias.

Como escribí en La mejor respuesta no es la que más me agrada, unos datos mejor organizados no transforman una conclusión en verdad. Ayudan a separar evidencia, hipótesis e impulso, siempre que el sistema también muestre lo que no sabe.

Un mapa práctico de cuellos de botella y sistemas posibles

Los ejemplos siguientes son hipótesis de arquitectura, no recetas universales ni casos con resultados comprobados. Una misma actividad puede exigir diseños diferentes según el volumen, el riesgo, los datos, las integraciones y la responsabilidad.

En el móvil, desliza la tabla hacia los lados para comparar el sistema y el control.

Cuello de botella observado	Posible encaje	Control que no puede faltar
Los leads entran por varios canales y esperan hasta que alguien organice el contexto	Integración para centralizar; IA de apoyo para clasificar; agente para investigar el historial y preparar el siguiente contacto	Consentimiento, criterios comerciales explícitos, revisión de mensajes sensibles y bloqueo de envíos indiscriminados
La atención al cliente repite preguntas, busca pedidos y pierde el historial del cliente	Automatización para recuperar el estado; IA para resumir; agente para consultar sistemas y proponer o ejecutar acciones permitidas	Escalado humano, protección de datos, registro de consultas y límites claros para compensaciones o cancelaciones
Finanzas comprueba manualmente facturas, pedidos y justificantes	Regla determinista para la conciliación conocida; IA para extraer documentos variados; agente para buscar pendientes	Segregación de funciones, rastro de auditoría y aprobación humana antes de pagos o cambios relevantes
La operación descubre demasiado tarde la rotura de stock	Automatización de alertas; IA de apoyo para estimar la demanda; agente para preparar una propuesta de reposición	Límites de presupuesto y cantidad, proveedores aprobados, supervisión de errores y aprobación de excepciones
El onboarding depende de una secuencia de correos y recordatorios	Automatización para cuentas y checklists; IA para responder basándose en políticas; agente para coordinar pendientes entre áreas	Mínimo privilegio, revisión de accesos, fuente canónica de políticas y decisión humana en contratación, evaluación o desvinculación
El conocimiento está disperso entre documentos, conversaciones y personas	Búsqueda semántica e IA de apoyo para localizar y resumir; agente para detectar vacíos y proponer actualizaciones	Procedencia, fecha de validez, control de acceso y aprobación humana antes de modificar la fuente oficial
Los requisitos salen de reuniones y se pierden antes de llegar a la ejecución	IA para estructurar intervenciones orales y documentos; agente para crear artefactos, comprobar las reglas del proyecto y seguir las validaciones	Responsable del alcance como dueño de la dirección, trazabilidad hasta la fuente y aprobación para cambios relevantes
La infraestructura produce demasiadas alertas; existen backups, pero nadie prueba la restauración	Automatización para rutinas y pruebas; IA para agrupar señales y explicar el contexto; agente para recopilar evidencias y ejecutar playbooks autorizados	Permisos mínimos, logs, rollback, copias aisladas, prueba de restauración y decisión humana para acciones destructivas

Esta tabla no sirve para elegir una herramienta por fila. Sirve para percibir que un mismo cuello de botella puede combinar partes deterministas y probabilísticas.

En la atención al cliente, por ejemplo, localizar un pedido por su número es integración. Resumir veinte mensajes es IA de apoyo. Consultar el pedido, la política y el historial para preparar opciones es trabajo de agente. Autorizar un pequeño reembolso dentro de una política explícita puede ser una decisión automatizada limitada. Cambiar una condición comercial relevante sigue requiriendo una persona responsable.

Llamar «chatbot» a todo eso escondería casi toda la arquitectura.

El cuello de botella suele vivir entre los sectores

Aprendí pronto que ningún sistema existe únicamente en el código.

Cuando trabajaba de forma presencial en las empresas, resolver un problema rápido me daba tiempo para levantarme, tomar café y conversar con otros sectores. En esas visitas empezaba a entender cómo funcionaba realmente la operación: qué información llegaba incompleta, qué regla no estaba documentada, dónde alguien mantenía una hoja de cálculo paralela y por qué una solicitud aparentemente sencilla atravesaba tantas personas.

Esa curiosidad sigue formando parte de mi trabajo.

Un cuello de botella puede parecer un problema comercial y nacer en el registro. Puede aparecer en finanzas, pero empezar en un requisito que la operación nunca registró. Puede convertirse en una incidencia de soporte porque una integración falló silenciosamente tres etapas antes.

Por eso mi entrega no empieza ni termina en el prompt.

Atraviesa todo el recorrido:

1. conversar con quien vive el proceso y levantar requisitos;
2. observar el flujo actual y localizar el verdadero cuello de botella;
3. definir el resultado, los criterios, las decisiones, las excepciones y los riesgos;
4. elegir la arquitectura mínima suficiente;
5. implementar software, automatizaciones, agentes e integraciones;
6. llevar el sistema a la infraestructura adecuada;
7. controlar el acceso, proteger los datos y registrar las acciones;
8. supervisar el comportamiento, el coste, los fallos y la calidad;
9. diseñar y probar el backup, la restauración y la continuidad de lo que debe sobrevivir;
10. revisar el sistema cuando cambie la operación.

Este camino no es tan cinematográfico como «instalar una IA en la empresa». Es mucho más útil.

Dónde no pondría IA

Saber dónde no usarla también forma parte de la arquitectura.

Desconfiaría de un proyecto cuando:

• el problema todavía no fue definido;
• el equipo quiere preservar un mal proceso solo porque siempre trabajó así;
• los datos necesarios no existen, no tienen procedencia o no pueden usarse de esa forma;
• una regla sencilla resolvería el problema con más previsibilidad;
• nadie acepta ser responsable del resultado;
• no existe una forma de medir si mejoró el cuello de botella;
• un fallo puede causar un daño relevante y no hay revisión, contención o rollback;
• la empresa quiere usar IA para disfrazar una decisión que sigue siendo humana;
• el sistema dependería de una autoridad demasiado amplia para el beneficio esperado;
• la demostración funciona, pero nadie sabe mantener la operación después.

La IA acelera la capacidad, el proceso y la tendencia. No elige automáticamente una dirección mejor.

Si el proceso es incorrecto, un agente puede limitarse a recorrerlo más deprisa. El Ferrari sigue llegando antes a la pared.

Un guion para la primera conversación

Si tu empresa sabe que necesita avanzar, pero todavía no ve dónde, estas preguntas ya mejoran la calidad del diagnóstico:

1. ¿Dónde hay una cola, retrabajo o espera recurrente?
2. ¿Qué información busca o copia alguien todos los días?
3. ¿Qué decisión se repite y qué criterios la sustentan realmente?
4. ¿Qué excepciones consumen más tiempo que el flujo común?
5. ¿Dónde se convirtió una persona en un puente manual entre sistemas?
6. ¿Qué debe ser determinista y qué implica lenguaje o ambigüedad?
7. ¿Qué acción podría ejecutar un agente y con qué autoridad?
8. ¿Qué decisión es reversible y de impacto lo bastante bajo como para automatizarla?
9. ¿Dónde debe seguir siendo humana la decisión, aunque pueda recibir mejores evidencias?
10. ¿Cómo sabremos que disminuyó el cuello de botella?
11. ¿Qué se registrará, supervisará y revisará?
12. ¿Cómo falla el sistema, retrocede y recupera sus datos?

Tal vez la respuesta final sea un agente de IA. Tal vez sea una integración, una automatización, un panel, una política más clara o la eliminación de una etapa que nunca debió existir.

La ganancia está en descubrirlo antes de comprar la herramienta.

La conversación puede empezar por el cuello de botella

i-9.ai entrega software, automatizaciones y sistemas asistidos por IA desde esta mirada de extremo a extremo: entender la necesidad, transformar requisitos en arquitectura, implementar, integrar, publicar, supervisar y proteger la operación.

Si ya percibiste que tu empresa necesita usar mejor la IA, pero todavía no sabes dónde genera valor realmente, ponte en contacto. No necesitas llegar con la solución o la herramienta elegida.

Puedes llegar con el cuello de botella.

Sigue leyendo

• La IA no es una sola cosa: modelo, agente, automatización y harness: un mapa de las capas que pueden componer la solución.
• La mejor respuesta no es la que más me agrada: criterios para construir agentes que expongan incertidumbre y puntos ciegos.
• ChatGPT ya sabe mucho sobre ti. Antes de confiar, pídele que lo demuestre: cómo el contexto acumulado se convierte en hipótesis, entrevista y contrato verificable para un harness.
• Los agentes genéricos pueden ser tu peor primer contacto con la IA: por qué el cuello de botella real y los límites de la empresa deben venir antes que una solución preparada.
• Evolución de la tecnología: del mainframe al juego de palabras infame en tiempo real: cómo las abstracciones técnicas nos trajeron hasta agentes capaces de seguir contexto y actuar.

Referencias y límites de uso

• NIST, “Artificial Intelligence Risk Management Framework 1.0” (2023): estructura voluntaria para gobernar, mapear, medir y gestionar riesgos de IA. Respalda la necesidad de tratar el riesgo durante todo el ciclo de vida; no prescribe las arquitecturas de este artículo ni certifica una implementación.
• Anthropic, “Building Effective Agents” (2024): presenta la distinción que usa la empresa entre flujos predefinidos y agentes que dirigen dinámicamente el uso de herramientas. Es una referencia de ingeniería, no una taxonomía universal.

Los cuellos de botella, sistemas y controles que se presentan aquí son ejemplos hipotéticos para explicar criterios de arquitectura. No son estudios de caso, recomendaciones sectoriales completas, promesas de rendimiento ni sustituyen el análisis técnico, jurídico, laboral, financiero o de seguridad en el contexto real.