Información clara y basada en fuentes sobre programas empresariales de IA.

Buscar estrategia de IA, automatización o gobernanza...
Mostrar u ocultar el menú

Identificación de casos de uso de IA

Cómo observar el trabajo real antes de proponer un caso de uso de IA

Método de investigación para observar casos reales, contrastar evidencias y decidir si un problema merece una prueba con IA u otra alternativa.

Dos compañeras se entregan una carpeta beige sobre una mesa de oficina con expedientes y un archivador azul abierto.

Una queja es una pista de investigación, no un caso de uso de IA ya demostrado. Si un equipo afirma que preparar dosieres de incorporación de clientes lleva demasiado tiempo, un diagrama dibujado de memoria puede señalar la redacción como problema. Sin embargo, los casos terminados quizá muestren que los expedientes difíciles esperan decisiones comerciales ausentes y se reescriben al resolver datos contradictorios. Automatizar el resumen atacaría entonces la parte visible, no la restricción recurrente. La tarea de descubrimiento consiste en delimitar trabajo real, contrastar evidencias parciales y decidir qué intervención merece la prueba más pequeña.

Ideas esenciales

  • Una queja abre una investigación; todavía no demuestra una oportunidad para la IA.
  • Delimita casos reales y utiliza solo los métodos necesarios para responder a la pregunta del flujo.
  • Entrevistas, observación, artefactos, diarios y registros ofrecen perspectivas parciales y complementarias.
  • Una hipótesis creíble conserva recurrencia, ubicación, consecuencia, mecanismo, contraejemplos y alternativas.
  • Compara la IA con reglas, cambios de responsabilidad, rediseño, formación, mejor información y ninguna intervención.

¿Qué hay que definir antes de observar un flujo de trabajo?

Dos compañeros ordenan hojas impresas y carpetas de colores en un proceso de izquierda a derecha señalado con flechas negras.

Antes de observar, hay que fijar un límite revisable y las preguntas que la investigación debe resolver. Define el desencadenante, la condición de cierre, el resultado producido, su destinatario posterior, las funciones participantes y los tipos de caso rutinario y excepcional que importan. Empieza por trabajo recurrente y ejemplos reales, no por una conversación abierta sobre posibles usos de la IA. Anota también dónde hay entregas entre equipos, qué variaciones se conocen y qué evidencia permitiría distinguir una molestia ocasional de una restricción operativa.

En el ejemplo, el límite comienza con una entrega comercial aprobada y termina cuando la persona responsable de ejecución acepta el dosier. La muestra incluye expedientes rutinarios, incompletos y con cambio de alcance. El límite sigue siendo provisional: si la observación revela que una decisión anterior condiciona todo lo posterior, habrá que ampliarlo. El método combinado es una síntesis práctica, no un protocolo normalizado; conviene elegir la mezcla mínima y proporcionada que responda a la pregunta.

  • Resultado: qué se entrega, quién lo utiliza y qué significa que esté aceptado.
  • Variación: qué diferencia un caso rutinario de uno incompleto o excepcional.
  • Preguntas: dónde nacen la espera, la repetición, la incertidumbre o el trabajo de coordinación.
  • Cobertura: qué funciones, casos y momentos deben estar representados para contrastar la hipótesis.

¿Cómo revelan las entrevistas de casos recientes lo que ocurrió?

Un hombre señala una página de un archivador abierto mientras una mujer toma notas junto a un portátil y papeles sueltos.

Una entrevista de caso reciente revela el trabajo al reconstruir una instancia concreta de principio a fin, sin pedir a la persona que diseñe una función de IA. Solicita un caso terminado y pregunta qué lo activó, qué información llegó, qué sucedió después, qué decisiones se tomaron, quién recibió cada entrega y qué resultado fue aceptado. Las preguntas abiertas y neutrales reducen el riesgo de imponer la explicación del equipo investigador, aunque el relato sigue siendo evidencia válida de la experiencia de quien participa.

  1. Localiza el desencadenante y los materiales recibidos.
  2. Reconstruye acciones, decisiones y entregas en su orden real.
  3. Pregunta «¿Qué ocurrió después?» y «¿Qué te indicó eso?».
  4. Indaga en incertidumbres, alternativas y juicios difíciles.
  5. Pide que muestre el elemento utilizado y señala dónde el caso se apartó del recorrido esperado.

Contrasta un dosier rutinario con otro difícil e incluye coordinación, operaciones comerciales y responsables de ejecución para cubrir los traspasos. Las demostraciones y los artefactos pueden aportar detalles que el relato omita. Preguntar por señales, necesidades de información y alternativas aproxima la entrevista al trabajo cognitivo sin convertirla en una aplicación formal de ACTA. Un caso ilustra; no representa al conjunto. Por eso cada reconstrucción debe enlazarse después con otros casos, observaciones o registros.

¿Qué conviene observar cuando el trabajo sucede en su entorno habitual?

Una mujer guarda una tarjeta blanca en un expediente grueso mientras su compañera observa y escribe en un cuaderno de espiral.

En el entorno habitual conviene observar herramientas, documentos, datos, interrupciones, dependencias y soluciones improvisadas, además de los pasos formales. Registra cambios de fuente, esperas, verificaciones, entregas, correcciones y momentos en que alguien interpreta información incompleta o incompatible. En el dosier de incorporación, interesa ver cuándo la persona coordinadora abandona el borrador para buscar un dato, pedir una aclaración o comprobar qué versión es válida. Esa actividad de apoyo forma parte del flujo, aunque no figure en el procedimiento.

Declara la modalidad elegida. La observación silenciosa conserva mejor el ritmo, pero puede ocultar motivos; las preguntas ocasionales añaden contexto con cierta interrupción; la explicación continua aporta profundidad y modifica más la actividad. Las notas deben separar lo visto de lo inferido para que otra persona pueda discutir la interpretación. Una estructura útil incluye contexto del caso, acción observada, referencia al artefacto, decisión o incertidumbre, traspaso, interrupción, consecuencia e interpretación investigadora.

  • Presenta la actividad como investigación del flujo, nunca como puntuación del rendimiento individual.
  • Obtén participación informada y vuelve a confirmarla antes de cualquier grabación adicional.
  • Recoge únicamente lo necesario, restringe el acceso y protege los datos personales o confidenciales.
  • Pide al final que la persona confirme, corrija o matice la reconstrucción.

La observación sigue siendo una muestra pequeña e interpretativa: no describe objetivamente a toda la plantilla ni elimina el efecto de quien investiga. Antes de tratar trabajo sensible o información de empleados, clientes o ámbitos regulados, deben participar los responsables adecuados de privacidad, seguridad, asuntos jurídicos, relaciones laborales, accesibilidad y dominio. Esta pauta no determina obligaciones de cumplimiento. Su función es mantener una investigación proporcionada, no habilitar grabación continua, vigilancia encubierta o clasificación individual.

¿Qué evidencias muestran el trabajo que las entrevistas o la observación no captan?

Una investigadora agrupa impresos y notas adhesivas en tonos pastel junto a grandes carpetas con separadores sobre una mesa amplia.

Los artefactos, los diarios breves y los registros operativos amplían la perspectiva cuando una entrevista o una sesión observada no cubren todo el flujo. Pide que expliquen plantillas, listas, hojas de cálculo, mensajes, borradores, notas y vistas de cola vinculados al caso. Sus marcas y formatos pueden revelar estado, prioridad, memoria y coordinación ausentes del mapa oficial, pero su significado debe confirmarse con quien los utiliza. La presencia de un documento no demuestra por sí sola cómo, por qué ni con qué frecuencia se usa.

Un diario resulta útil cuando los episodios relevantes se distribuyen en el tiempo o difícilmente coincidirán con una visita programada. Cada entrada debe referirse a una tarea real y recibir aclaración posterior; sigue siendo evidencia autodeclarada y no existe aquí una duración universal. Cuando haya datos fiables de casos, actividades y tiempos, examina recurrencia, espera, repeticiones, devoluciones, desviaciones y problemas de calidad, documentando también el trabajo que queda fuera de los sistemas.

Qué aporta y qué omite cada método de evidencia
MétodoQué puede revelarQué puede omitirCómo contrastarlo
Entrevista de caso recienteSecuencia, decisiones, incertidumbre y experienciaPasos olvidados o relatos demasiado generalesPedir demostraciones y comparar casos y funciones
Observación contextualHerramientas, interrupciones, apoyos y soluciones improvisadasMotivos no expresados y actividad infrecuentePreguntar con moderación y validar la reconstrucción
Artefactos del flujoEstado, prioridad, memoria, coordinación y variantesSignificado, frecuencia y uso fuera del casoRevisarlos con las personas que los crean y utilizan
Diario breveInstancias reales repartidas en el tiempoActividad no anotada y sesgo del autorregistroAclarar entradas mediante entrevista u observación
Registros operativosRecurrencia, esperas, devoluciones, desviaciones y repeticionesTrabajo fuera del sistema y motivos de lo ocurridoConciliar datos con casos, artefactos y profesionales

Para los dosieres, compara el formulario de entrada, los registros de origen, los mensajes, la lista de control, el historial de borradores y las correcciones. El diario puede recoger en cada instancia qué entrada faltaba y qué revisión se produjo; los registros disponibles pueden mostrar antigüedad de la cola y devoluciones. No descartes excepciones por ser menos comunes hasta conocer su esfuerzo y consecuencia. Tampoco interpretes una marca de tiempo como explicación del retraso: quizá no registre la aclaración realizada fuera del sistema.

¿Cuándo se convierte un problema declarado en una hipótesis creíble de cuello de botella?

Un equipo investigador compara filas de carpetas de colores y mueve marcadores redondos de madera entre ellas, junto a flechas de madera.

Un problema declarado se convierte en una hipótesis creíble cuando distintas evidencias sitúan una restricción recurrente en un punto concreto, la conectan con una consecuencia observable y conservan la incertidumbre. La intensidad de una queja no basta, pero tampoco debe descartarse: orienta dónde investigar. Contrasta la interpretación con quienes realizan el trabajo y conserva los casos que no siguen el patrón. La siguiente prueba de seis preguntas organiza ese juicio editorial; no es un test estadístico ni demuestra causalidad.

  1. Recurrencia: ¿aparece la misma restricción en más de un caso, función o fuente?
  2. Ubicación: ¿dónde entra la espera, la cola, la repetición, la carencia informativa o la sobrecarga de juicio?
  3. Consecuencia: ¿se asocia con demora, manipulación repetida, corrección, abandono, inconsistencia, esfuerzo evitable o exposición al riesgo?
  4. Mecanismo: ¿existe una explicación plausible, confirmada o corregida por quienes ejecutan el trabajo?
  5. Contraejemplos: ¿qué casos evitan el problema, qué cambia en ellos y qué explicaciones alternativas quedan?
  6. Capacidad de intervención: ¿cambiar ese punto alteraría el resultado y sería mejor la IA que una regla, una responsabilidad clara, formación, mejor información o ninguna intervención?

En el ejemplo, la hipótesis cambia: el problema no es resumir despacio, sino esperar decisiones comerciales ausentes y conciliar campos contradictorios en los expedientes difíciles. Los casos rutinarios se redactan con rapidez y los dosieres más largos no son siempre más lentos. Además, los tiempos del sistema omiten aclaraciones realizadas fuera de él. La explicación es coherente, pero sigue siendo una hipótesis. La prueba adecuada debe aislar el supuesto que falta, no presentar correlaciones observadas como una causa ya establecida.

No preguntes dónde encaja la IA hasta saber dónde se repite la restricción, qué consecuencia deja y qué sigue siendo incierto.

¿Qué debe incluir una ficha de oportunidad de IA basada en evidencias?

Un grupo de colegas analiza una hoja en blanco situada entre montones separados de documentos favorables y contradictorios.

Una ficha basada en evidencias debe convertir la investigación en un registro de decisión acotado, sin presumir que la IA es la respuesta. Incluye el límite del flujo, el periodo observado, los tipos de caso, las funciones representadas y la mezcla de métodos. Separa el malestar declarado del patrón observado y enlaza cada afirmación sustantiva con notas de campo, artefactos anonimizados, entradas de diario o consultas de registros. Lo que carezca de respaldo debe figurar expresamente como supuesto, no como hecho.

  • Consecuencia operativa, contraejemplos, lagunas, desacuerdos y explicaciones alternativas.
  • Persona que necesita ayuda, tarea delimitada y resultado que se pretende mejorar.
  • Disponibilidad y calidad de información, permisos, seguridad, privacidad, relaciones laborales, accesibilidad, conocimiento del dominio y supervisión humana.
  • Comparación con reglas deterministas, cambios de proceso o responsabilidad, formación, mejor información y ninguna intervención.
  • Prueba mínima siguiente, supuesto que examina, casos incluidos, evidencias de éxito y fracaso, responsable y fecha de revisión.
  • Decisión explícita: probar IA, probar un cambio sin IA, reunir más evidencia o detenerse.

Para la incorporación de clientes, la primera prueba debería exigir los campos de entrada necesarios, asignar una responsabilidad clara sobre el traspaso comercial y hacer visible la cola de excepciones. Después se medirían la espera y las correcciones en casos acotados. La asistencia de redacción quedaría para expedientes con hechos completos y solo avanzaría si aporta una ventaja comprobable frente a opciones más sencillas. Cuando no estén claras la recurrencia, la ubicación, la consecuencia o la capacidad de intervención, corresponde investigar más o parar.

La ficha también debe documentar propósito, usuarios, entorno operativo, beneficio esperado, limitaciones, impactos, alcance y responsabilidad humana. Es una base para gobernar la siguiente decisión, no una certificación. Antes de probar una intervención sobre información sensible o decisiones de alto impacto, implica a los responsables organizativos y profesionales cualificados que correspondan. Un buen descubrimiento no termina con una idea vistosa, sino con una prueba defendible o con una razón igualmente defendible para no hacerla.

Preguntas frecuentes

¿Cómo identificar un buen caso de uso de IA en un proceso empresarial?

Delimita un trabajo recurrente y contrasta casos reales, observación, artefactos o registros hasta situar una restricción y su consecuencia. Documenta incertidumbres y contraejemplos. Después compara una ayuda de IA con reglas, cambios de proceso, mejor información y ninguna intervención antes de diseñar una prueba.

¿Qué diferencia hay entre un punto de dolor y una oportunidad de IA?

El punto de dolor es el relato válido de una experiencia frustrante. La oportunidad añade un límite claro, recurrencia, ubicación en el flujo, consecuencia observable, restricciones y una intervención plausible. Esa evidencia todavía justifica una prueba, no garantiza que la IA vaya a funcionar.

¿Cómo observar a empleados sin crear vigilancia laboral?

Presenta el trabajo como investigación no evaluativa, solicita participación informada y declara la modalidad de observación. Recoge solo la evidencia necesaria, controla el acceso y permite que cada participante corrija la reconstrucción. Involucra a responsables de privacidad, seguridad, asuntos jurídicos, relaciones laborales, accesibilidad o dominio cuando corresponda.

¿Hay que usar entrevistas, observación, diarios, artefactos y registros en todos los flujos?

No. La propuesta es una síntesis práctica, no una lista obligatoria. Selecciona la combinación mínima que responda a la pregunta y compense los puntos ciegos conocidos; por ejemplo, un diario puede cubrir episodios intermitentes que una sesión observada difícilmente captará.

¿La observación del flujo puede demostrar que un cuello de botella causa retrasos o retrabajo?

No. Los casos observados y los datos operativos pueden sostener una hipótesis coherente, pero no prueban por sí solos la causalidad. Conserva contraejemplos y explicaciones alternativas, y ejecuta la prueba más pequeña capaz de distinguir entre ellas.

ModelFold logo

Mesa editorial de ModelFold

Contamos cómo aterriza realmente la IA dentro de una empresa. Partimos de fuentes identificadas, separamos lo que encontramos de lo que opinamos y usamos IA para investigar y redactar bajo controles editoriales documentados. No sustituimos la revisión de un experto.