Las empresas suelen tener más ideas de IA que capacidad para probarlas. La decisión temprana más útil no es qué herramienta comprar, sino qué flujo de trabajo automatizar primero. Un buen primer flujo enseña rápido, tiene poco riesgo y produce evidencia para decidir qué sigue. Esta guía te da criterios y un método sencillo para elegir.
Empieza más simple de lo que crees
La guía de Anthropic para construir agentes efectivos recomienda buscar la solución más simple posible y agregar complejidad solo cuando las soluciones simples no alcanzan. Distingue los workflows (flujos con pasos predefinidos), donde los modelos y las herramientas siguen rutas de código predefinidas, de los agentes, donde el modelo dirige su propio proceso. En nuestra experiencia, un workflow bien definido suele bastar para un primer proyecto, y los agentes encajan mejor cuando los pasos son difíciles de predecir. Elegir un primer flujo con pasos predecibles mantiene tu aprendizaje rápido y tu riesgo bajo.
Siete criterios para un buen primer flujo
Son nuestros criterios prácticos, no un estándar.
- Ocurre con frecuencia. El trabajo frecuente justifica el esfuerzo de automatizar y te da muchos ejemplos para probar.
- Las entradas y salidas son claras. Puedes decir qué entra, qué debe salir y cómo luce un buen resultado.
- Puedes medir un punto de partida. Conoces el tiempo, volumen, tasa de error o costo actuales, para demostrar la mejora.
- Un error es asumible. Una equivocación se puede detectar y corregir sin un daño serio.
- Los datos son accesibles y permitidos. Puedes usar los datos de forma legítima y sabes dónde están.
- Una persona puede revisar el resultado. Hay un punto natural para la aprobación humana.
- Alguien es responsable del resultado. Una persona concreta se interesa por el resultado y lo va a usar.
Un método de puntuación sencillo
Haz una lista de tres a cinco flujos candidatos. Califica cada criterio de 1 (débil) a 3 (fuerte), suma los puntos y discute los dos primeros. No tomes la puntuación como la decisión; úsala para sacar a la luz desacuerdos. Si un candidato puntúa bajo en "un error es asumible" o en "los datos son permitidos", no es un primer proyecto, por atractivo que parezca.
Buenos candidatos para empezar
- Clasificar y asignar mensajes entrantes, con una persona revisando los casos urgentes.
- Redactar respuestas o documentos a partir de una plantilla y material de referencia, con revisión.
- Extraer datos estructurados de documentos, con verificaciones por muestreo.
- Preparar un reporte recurrente a partir de varias fuentes.
- Resumir hilos largos o reuniones en acciones.
Flujos que conviene evitar al inicio
- Todo lo que tenga un error costoso o difícil de revertir, como decisiones financieras o clínicas sin revisión.
- Trabajo que dependa de datos sensibles o personales para los que aún no tienes una política.
- Procesos que nadie puede describir o que cambian cada semana.
- Flujos totalmente autónomos con permisos amplios. OWASP incluye la "agencia excesiva" entre los principales riesgos de las aplicaciones con LLM, así que otorga solo el acceso que el flujo necesita.
Qué medir
Registra el punto de partida antes de construir: tiempo por elemento, volumen, tasa de error, retrabajo y esfuerzo de las personas involucradas. Después de un ciclo corto, compara calidad, tiempo, esfuerzo manual, modos de falla y la opinión de los usuarios. Anota lo que no funcionó tan bien como lo que sí.
Hazlo como un ciclo acotado
Define por escrito el objetivo, el alcance, los puntos de revisión y los criterios de éxito. Construye un prototipo revisable con datos representativos, pruébalo y termina con una decisión: continuar, ajustar, industrializar o detenerse. Esa es la estructura de nuestro AI Iteration Lab, un ciclo mensual pensado para probar una oportunidad antes de un compromiso mayor. Para el lado de calidad al trabajar con IA, lee De prompts a método.