La inteligencia artificial amplió las posibilidades de la automatización, pero también modificó la forma de descubrir oportunidades, diseñar soluciones, desarrollar proyectos y medir resultados.
En el marco de los 15 años de ENTA, conversamos con Elbio Lopez, CTO en ENTA, y Emiliano Gasparovic, Gerente de IA en ENTA, para analizar cómo evolucionó el mercado y qué distingue hoy a las iniciativas que realmente generan impacto en el negocio.
¿Por qué algunos proyectos de IA generan valor y otros se quedan en una prueba de concepto?
La inteligencia artificial ocupa hoy un lugar central en las estrategias de transformación digital de las organizaciones. Sin embargo, a medida que avanzan en su adopción, empieza a aparecer una pregunta más relevante que la propia tecnología: ¿por qué algunas iniciativas logran integrarse al negocio y generar resultados concretos, mientras que otras nunca superan la etapa de piloto?
La respuesta rara vez depende únicamente del modelo utilizado o de la herramienta elegida. En la práctica, los proyectos con mayor impacto suelen compartir otro tipo de características: objetivos claros, datos confiables, participación activa del negocio, métricas definidas desde el inicio y una implementación pensada para integrarse a la operación cotidiana.
En ENTA esta evolución acompañó el recorrido de la compañía durante sus quince años de historia. Del desarrollo de software a medida a RPA; de RPA a la Automatización Inteligente de procesos end to end; y, más recientemente, a soluciones que integran modelos de lenguaje, agentes especializados y otras capacidades de IA aplicada. Más que un cambio de herramientas se trata de una evolución en la forma de abordar los proyectos y de acompañar a las empresas en sus procesos de transformación.
La automatización evolucionó. También la forma de construir soluciones
Durante muchos años, la automatización estuvo asociada principalmente a ejecutar tareas repetitivas con mayor velocidad y precisión. Plataformas como Blue Prism, UiPath, Automation Anywhere o Power Automate permitieron estructurar procesos, integrar sistemas y reducir el esfuerzo operativo en una gran variedad de escenarios.
«La IA no reemplaza a RPA: lo potencia. Permite ampliar la cobertura de casos dentro de un mismo proceso. Antes muchas automatizaciones se diseñaban acotando el universo de escenarios porque algunos no eran posibles de resolver con RPA puro. Hoy esos mismos procesos pueden alcanzar una cobertura mayor«, afirma Elbio López, CTO de ENTA.
Esta evolución también se refleja en el desarrollo de software, donde comienzan a incorporarse asistentes conversacionales, modelos de lenguaje y agentes especializados capaces de resolver tareas específicas dentro de un proceso de negocio. El resultado es un enfoque que combina automatización e inteligencia artificial según las características de cada caso, aprovechando las fortalezas de ambas tecnologías.
La experiencia sigue siendo el diferencial, pero ahora cuenta con nuevas herramientas
La evolución también transformó el trabajo de los equipos que diseñan e implementan soluciones.
La calidad del relevamiento funcional siempre dependió en gran medida de la experiencia de los analistas. Identificar riesgos, comprender procesos, detectar oportunidades de mejora o proponer alternativas requería conocimiento del negocio y años de práctica.
«El cambio más importante no pasa únicamente por la tecnología, sino por cómo amplifica las capacidades de las personas y modifica la forma en que las organizaciones acceden y utilizan su conocimiento», afirma Emiliano, Gerente de IA de ENTA.
Durante el proceso de discovery, los modelos de lenguaje permiten analizar documentación existente, detectar inconsistencias, elaborar propuestas iniciales y profundizar el entendimiento de los procesos antes de avanzar con el diseño de la solución. También acompañan las etapas de desarrollo, asistiendo en tareas de programación, evaluación de alternativas arquitectónicas, elaboración de planes de prueba y acceso a documentación técnica.
«La IA ayuda a balancear el gap de conocimiento entre perfiles junior y senior. Pero lo fundamental es que el equipo mantenga el control. En ENTA incorporamos una metodología AI First y estamos trabajando continuamente para refinarla y lograr mejores resultados», explica Elbio López, CTO de ENTA.
Del conocimiento almacenado al conocimiento disponible
Otro de los cambios más visibles aparece en la forma de gestionar el conocimiento dentro de las organizaciones.
Procedimientos, manuales, documentación técnica e instructivos suelen encontrarse distribuidos entre distintos repositorios. La información existe, pero acceder a ella en el momento oportuno no siempre resulta sencillo. La aparición de agentes especializados está generando nuevas oportunidades para capturar y reutilizar conocimiento organizacional.
Tecnologías como RAG, agentes inteligentes y grafos de conocimiento permiten reducir esa fricción y acercar la información a quienes la necesitan, independientemente de dónde haya sido almacenada.
«El desafío deja de ser encontrar en qué carpeta está almacenado el conocimiento y pasa a ser cómo aprovecharlo para tomar mejores decisiones», afirma Elbio.
Sin embargo, el potencial de estas tecnologías no depende únicamente de las capacidades de los modelos, sino también de la forma en que se implementan dentro de la organización.
«Uno de los errores más frecuentes es intentar construir soluciones completas desde el inicio. La experiencia demuestra que los proyectos más exitosos suelen desarrollarse de manera incremental, concentrándose primero en aquellas áreas donde el valor generado puede medirse claramente«, agrega.
La medición también pasa a ocupar un lugar central. Más allá de las capacidades tecnológicas, el impacto de una iniciativa depende de su capacidad para resolver problemas concretos y generar resultados observables para el negocio.
«Las iniciativas de IA generan impacto cuando resuelven problemas concretos y producen resultados observables. Las organizaciones que priorizan métricas claras y una experiencia de usuario adecuada logran mayores niveles de adopción y sostenibilidad en el tiempo», concluye Emiliano.
Incorporar inteligencia artificial no implica únicamente identificar casos de uso, sino también diseñar proyectos capaces de generar resultados sostenibles, definir cómo medirlos y establecer los criterios que permitan llevarlos a producción con confianza.
En la segunda parte de esta serie profundizaremos en cómo la inteligencia artificial está transformando las etapas de diseño, desarrollo, delivery y operación de los proyectos de automatización, y qué factores comparten las iniciativas que logran escalar con éxito dentro de las organizaciones.
