- entaina
- Posts
- Automatizar un proceso malo lo hace peor
Automatizar un proceso malo lo hace peor
Agus
12 de mayo de 2026
Un laboratorio de análisis de sangre implementó IA para automatizar la interpretación de resultados. La promesa: reducir el tiempo de análisis de 3-8 minutos a 30 segundos por muestra.
La implementación técnica fue correcta. El tiempo de proceso se redujo un 15%.
Y entonces empezaron a aumentar los errores.
El problema no era la tecnología
El flujo de trabajo original tenía pasos redundantes, verificaciones innecesarias y puntos de decisión mal diseñados. Los humanos habían aprendido a navegar esas ineficiencias a través de experiencia tácita. Cuando la IA automatizó el proceso tal como existía, codificó las ineficiencias y eliminó el juicio humano que compensaba los problemas de diseño.
El resultado fue una versión más rápida pero más frágil del proceso original. Ganaron velocidad pero perdieron la resiliencia que provenía del juicio humano adaptándose a un sistema imperfecto.
La IA amplifica lo que existe
La IA generativa no piensa sobre cuál debería ser el proceso óptimo. Aprende patrones de los datos y flujos que le proporcionáis. Si esos flujos son subóptimos, la IA replicará la suboptimalidad con consistencia perfecta.
Esto es peligroso porque la automatización crea una falsa sensación de mejora. El proceso es más rápido — medible y visible en informes. El proceso es más barato — menos horas humanas. Pero los nuevos errores tardan semanas o meses en manifestarse, especialmente si son sutiles.
La velocidad enmascara la fragilidad.
Un patrón análogo aparece en educación: la IA mejora el output de las tareas entre un +48% y un +127%, pero el rendimiento en exámenes cae un -17%. Los estudiantes producen mejores trabajos pero entienden menos. Lo mismo ocurre a nivel de proceso empresarial: automatizar puede hacer que parezca más eficiente mientras enmascara fallos estructurales.
Tres señales de alerta
Antes de automatizar, hay tres señales de que el proceso no está listo:
Nadie puede explicar por qué es así. Si la respuesta es "siempre lo hemos hecho así", el proceso ha acumulado capas de soluciones temporales que se volvieron permanentes. Automatizar eso es construir sobre cimientos defectuosos
Los expertos tienen trucos no documentados. Los empleados experimentados saben qué pasos saltarse, qué validaciones importan y cuándo escalar excepciones. Cuando automatizáis, ese conocimiento tácito desaparece. La IA implementa el proceso oficial, no el proceso real
Las excepciones son frecuentes. Si más del 10-15% de los casos requiere manejo especial, el proceso no está optimizado para la realidad. La IA funciona bien en procesos repetitivos de alta frecuencia con baja variabilidad
Optimizar antes de automatizar
La secuencia correcta no es "identificar proceso → implementar IA → arreglar problemas". Es al revés.
Primero, mapear el proceso real — no el oficial. Cómo funciona hoy, incluyendo soluciones alternativas, puntos de decisión reales y dónde los humanos compensan deficiencias con juicio.
Después, identificar ineficiencias. Pasos que no agregan valor, redundancias, información que se pierde entre pasos. La pregunta crítica: ¿dónde "la gente experimentada sabe cuándo aplicar sentido común"? Esos son lugares donde la automatización ciega creará problemas.
Luego, rediseñar el flujo para que sea explícito, modular y medible. Todos los criterios de decisión documentados, no en la cabeza de veteranos. Métricas de éxito que incluyan calidad, no solo velocidad.
Solo entonces, implementar IA en el proceso optimizado. Con verificación humana en paralelo durante los primeros meses, categorizando errores para distinguir entre problema de proceso y problema de implementación.
El laboratorio, reimaginado
Con la secuencia correcta, el laboratorio habría descubierto que ciertos pasos de validación eran redundantes, que algunos indicadores de anomalía generaban falsos positivos el 60% del tiempo, y que los técnicos experimentados usaban heurísticas no documentadas para priorizar casos urgentes.
La reducción de tiempo habría sido mayor — porque las redundancias reales se eliminaron — y la tasa de errores menor — porque el proceso subyacente es robusto.
La paradoja del esfuerzo inicial
Optimizar antes de automatizar requiere más tiempo en la fase de diseño. Esto crea tensión con la presión por victorias rápidas.
Pero desde la perspectiva de gestión de riesgo, la lógica es inversa. Automatizar primero parece más rápido pero introduce el riesgo de escalar problemas. El coste de remediar errores en producción más el daño reputacional frecuentemente excede el ahorro inicial. Optimizar primero reduce el riesgo de implementación: se está automatizando un proceso que ya funciona bien manualmente.
La IA amplifica lo que ya existe. Si automatizáis excelencia, obtenéis excelencia escalada. Si automatizáis mediocridad, obtenéis mediocridad a velocidad de máquina.
La pregunta antes de cada proyecto de automatización es simple: ¿estamos orgullosos de este proceso tal como existe hoy? Si la respuesta es no, la primera prioridad no es IA. Es arreglar el proceso.
Referencias: