Cómo los «agentes de investigación industrial profunda» pueden cambiar su organización

La mayoría de las inversiones corporativas en IA hoy en día son apuestas por nuevos modelos de negocio, experiencias de cliente transformadas y productos completamente nuevos. Es posible que eso llegue a suceder. Pero hay un payoff mucho más inmediato y concreto que muchos líderes están pasando por alto: el uso de la IA para mejorar drásticamente la productividad de los servicios al eliminar la pérdida de tiempo. Los servicios representan aproximadamente el 80 % del PIB de Estados Unidos. El sector financiero, en particular, ha contribuido recientemente al crecimiento del PIB más que cualquier otro sector. Sin embargo, la productividad de los servicios sigue sin entenderse bien y no se mide adecuadamente. A falta de buenas medidas para evaluar la productividad de los servicios, la mayoría de los líderes recurren a lo que pueden controlar fácilmente: el número de empleados. Esto, a su vez, les lleva a centrarse en reducir los costes laborales, lo que hacen principalmente mediante la externalización o la tercerización en el extranjero. Pero esas prácticas están llegando a sus límites. Entonces, ¿qué puede hacer si desea mejorar la productividad de su empresa? Tendrá que centrarse menos en quién realiza el trabajo y más en qué trabajo se realiza. Recientemente hemos puesto a prueba esta idea trabajando con PIMCO, una gestora de activos global que supervisa 2,26 billones de dólares en activos. Para analizar el trabajo que se realiza en la empresa, hemos implementado herramientas basadas en inteligencia artificial que denominamos «agentes de investigación profunda del sector» o DIRA. Estos agentes han sido capaces de identificar y mejorar significativamente las ineficiencias, y han demostrado que es posible alcanzar niveles de productividad mucho más altos. A continuación, explicaremos qué son los DIRA, cómo los implementamos y cómo pueden ayudarle a aumentar la productividad de su negocio de servicios reduciendo el tiempo perdido, no el personal. Qué hacen los agentes de investigación industrial profunda La mayoría de los ejecutivos ya están familiarizados con la idea de los agentes de IA, sistemas que, impulsados por un LLM y siguiendo un conjunto general de instrucciones, pueden desglosar una tarea de forma autónoma, recurrir a otras herramientas o software y volver a introducir sus resultados en un flujo de trabajo más amplio. Piensen en los DIRA como analistas de IA especializados en diferentes sectores. Añaden dos elementos principales a la mezcla. El primero es la especificidad del dominio: están configurados para un sector específico y un conjunto de problemas operativos. El segundo es la gestión integral de casos: pueden planificar investigaciones, ejecutarlas utilizando herramientas y datos del sector, y luego sacar conclusiones y recomendar medidas. En las organizaciones de servicios, la mayor parte del trabajo se realiza en forma de «casos». En los hospitales, los médicos trabajan en casos de pacientes; en el servicio de atención al cliente, los agentes trabajan en casos de clientes; y en las operaciones financieras, los equipos trabajan en casos excepcionales. Los casos varían enormemente en cuanto a tiempo, coste e impacto empresarial, pero la mayoría de los sistemas de gestión los tratan a todos como si fueran intercambiables, lo que significa que los equipos suelen dedicar demasiado tiempo a cuestiones menores y muy poco a las importantes. La automatización tradicional no resuelve este problema; en muchos casos, simplemente acelera la creación de trabajo de bajo valor. Estudios de casos En muchas instituciones financieras, casi el 70 % del tiempo de operaciones se dedica a investigar y resolver casos excepcionales generados por los sistemas de conciliación. Por eso, en el trabajo que realizamos con PIMCO, decidimos utilizar DIRA para diagnosticar y resolver una serie de casos excepcionales: discrepancias entre los registros de inversión y contabilidad que salen a la luz mediante comprobaciones automatizadas y que, en el flujo de trabajo habitual, requerirían una investigación humana para su resolución. Es importante destacar que nuestros DIRA no solo intentaron resolver estos casos individuales. Para cada uno de ellos, también registraron métricas clave como el tiempo de resolución, el impacto financiero, la causa raíz y la precisión predictiva (en qué medida la evaluación inicial del agente coincidía con el resultado final). Durante más de ocho meses de producción diaria, nuestros DIRA procesaron decenas de miles de casos excepcionales, lo que permitió a los directivos de PIMCO cuantificar por primera vez exactamente en qué dedicaban su tiempo los equipos operativos y cuánto de ese tiempo generaba valor real. Cuando hicimos balance de los resultados con ustedes, destacó una conclusión: una gran parte de las excepciones no eran verdaderos errores, sino diferencias explicables causadas por variaciones conocidas y legítimas en la metodología. A menudo surgían discrepancias entre los registros de inversión y los registros contables, por ejemplo, porque diferentes equipos utilizaban convenciones diferentes para contabilizar las divisas. En el caso de un conjunto de fondos, el 76 % de las causas fundamentales entraban en esta categoría. El aparente error, una diferencia en los saldos de caja, resultó ser la consecuencia previsible de la forma en que estaban configurados los sistemas y los equipos. Una vez que los DIRA aprendieron estos patrones, pudieron reconocer automáticamente estas diferencias conocidas, conciliarlas sin necesidad de una investigación manual y señalar solo las anomalías reales para su revisión humana, un cambio que, al eliminar el trabajo de investigación de bajo valor, podría liberar entre el 65 % y el 70 % del tiempo del equipo. Implementación de sus agentes Nuestra experiencia sugiere que puede aprovechar las ventajas de los DIRA si los trata como sistemas de aprendizaje integrados en operaciones reales, y no como proyectos tecnológicos puntuales. Si está pensando en implementarlos en su organización, le recomendamos que siga seis pasos principales. 1. Configure los agentes para que aprendan de casos de uso específicos y de alto valor. Los ejecutivos suelen sentirse tentados a lanzar agentes de IA «para toda la empresa». Por lo general, eso es un error, ya que los agentes, al igual que las personas, aprenden más rápido y rinden mejor cuando sus tareas están bien definidas. Al configurar los DIRA, deben seleccionar un único tipo de caso bien delimitado (por ejemplo, un tipo específico de conciliación o una categoría de reclamaciones); restringir el conjunto de causas fundamentales plausibles; y medir el rendimiento en función de métricas claras y relevantes desde el punto de vista operativo. Este enfoque mejora la eficiencia del aprendizaje, aumenta la precisión y genera rápidamente un valor tangible, lo que, a su vez, fomenta la confianza de la organización y el apoyo a la ampliación. 2. Incluir a los agentes en flujos de trabajo reales. Los pilotos de prueba de concepto y los datos de prueba tienen su lugar, pero no es ahí donde se produce el verdadero aprendizaje. El entorno operativo es simplemente demasiado complejo y dinámico para poder reproducirlo en un laboratorio. En su lugar, después de configurar sus DIRA, debe insertarlos rápidamente en el flujo de trabajo diario. Inicialmente, manténgalos en modo consultivo, capaces de identificar las causas raíz y proponer soluciones, pero sin tomar decisiones finales. Durante un periodo de observación definido (a menudo varios meses), supervise su precisión, identifique sus modos de fallo y perfeccione los modelos y las reglas. Solo una vez que haya determinado que su rendimiento es estable y se comprende bien, puede permitir la resolución automática, pero incluso entonces, hágalo solo para tipos de casos de bajo riesgo y bien caracterizados, con vías de escalamiento claras. 3. Utilice los datos recopilados por los agentes para crear un nuevo sistema de información de gestión. Dado que los DIRA generan un conjunto de datos sólido y estandarizado sobre cómo se realiza el trabajo, con el tiempo pueden ayudarle a responder preguntas como: ¿Qué tipos de casos consumen un tiempo desproporcionado en relación con su impacto en el negocio? ¿En qué casos estamos abordando repetidamente los síntomas en lugar de solucionar las causas fundamentales? ¿Qué procesos o contrapartes generan las excepciones de mayor impacto? Este proceso es análogo a lo que los sistemas ERP hicieron por la fabricación y las cadenas de suministro globales: al hacer visibles el trabajo y los flujos, permitieron nuevas formas de gestión del rendimiento. Las DIRA pueden desempeñar un papel similar en los servicios, utilizando datos granulares a nivel de caso para desarrollar un nuevo sistema de información de gestión. 4. Dar prioridad a los agentes que acumulan experiencia. Muchas organizaciones comienzan su andadura en el campo de la IA experimentando con modelos de lenguaje grandes (LLM) de uso general. Estos sistemas son potentes, pero por sí solos no acumulan experiencia operativa específica de la empresa. En el caso de las aplicaciones centradas en la productividad, los responsables deben insistir en que los agentes: aprendan continuamente de los casos resueltos, y no solo de los datos de formación estáticos; recopilen no solo sus propias recomendaciones, sino también las decisiones y resultados finales de los humanos; y utilicen esa información para ajustar las predicciones futuras, adaptándose con el tiempo a los patrones y preferencias reales de la organización. 5. Extiendan los agentes a todo su ecosistema operativo. La mayoría de las organizaciones de servicios dependen en gran medida de proveedores y socios externos. El trabajo y, por lo tanto, las excepciones, traspasan los límites de la organización. Si cada parte utiliza sus propias herramientas y datos, la resolución es lenta y la culpa se difumina. Un enfoque más adecuado es tratar la plataforma del agente como una infraestructura compartida. PIMCO, por ejemplo, implementó DIRA con dos de sus principales proveedores de servicios. Las tres organizaciones ahora ven los mismos casos, métricas y causas raíz identificadas en tiempo real. Esta visión compartida ha reducido el intercambio de correos electrónicos y la conciliación manual, ha aclarado la responsabilidad de las soluciones cuando los problemas abarcan varias empresas y ha creado un lenguaje común para discutir el rendimiento. 6. Insista en la auditabilidad, la seguridad y el cumplimiento desde el primer día. Las preocupaciones normativas, de riesgo y de seguridad son una barrera importante y válida para la adopción de la IA en los servicios financieros y otros sectores regulados. Es comprensible que muchos líderes se resistan a los sistemas de «caja negra» que nadie puede explicar a los auditores o supervisores. La respuesta a esa objeción no debería ser evitar los agentes, sino establecer y aplicar una norma de «caja de cristal». Los agentes deben generar un registro de auditoría trazable para cada caso, en el que se muestre a qué datos han accedido, cómo han razonado y cuál era su grado de confianza. También deben integrarse con los sistemas de control, registro y supervisión existentes; operar dentro del perímetro de seguridad de la empresa; y cumplir las normas establecidas de gobernanza de datos. Cuando los agentes son tan transparentes y controlables como otros sistemas centrales, pueden ampliarse sin comprometer la postura de riesgo de la empresa. . . . La narrativa dominante sobre el uso de la IA agencial en los servicios es que sustituirá a un gran número de trabajadores. Sin embargo, nuestra experiencia sugiere que las DIRA marcarán el comienzo de una nueva era de productividad, al desarrollar métricas que guíen a los trabajadores para que dediquen el tiempo adecuado a las tareas adecuadas. En muchas funciones de operaciones financieras, por ejemplo, los sistemas actuales generan grandes volúmenes de falsos positivos y excepciones de bajo valor, y los trabajadores dedican la mayor parte de su tiempo a esas excepciones. Las DIRA pueden ayudarles a liberarse de esta pesada tarea. En el entorno que estudiamos, descubrimos que el uso de DIRA puede aumentar la productividad hasta en un 70 %. Para poner esa cifra en perspectiva, considere que el crecimiento medio a largo plazo de la productividad total de los factores en los servicios es de aproximadamente un 1,7 % anual. Una mejora del 70 % comprimiría efectivamente unos 31 años de crecimiento medio de la productividad en una sola ola de cambio. Las ganancias de productividad de esa naturaleza podrían suponer un cambio radical para el sector de los servicios y la economía estadounidense.

Cómo los «agentes de investigación industrial profunda» pueden cambiar su organización

Resumen.

Partner Center