Human in the Loop: cómo transformar un puesto de trabajo con IA

Por regla general identificamos un puesto por su nombre o por el resultado que esperamos de él. Sin embargo, para comprender cómo se hace ese trabajo necesitamos distinguir las acciones que lo componen. ¿Qué elementos o datos recibe la persona? ¿Qué información busca? ¿Qué la hace elegir una vía de acción y descartar otra?

Algunas de esas acciones transforman información; otras producen algo en el mundo físico. Las decisiones relacionan lo que sabemos con lo que conviene hacer a continuación en función de un objetivo. Desgranar ese conjunto de acciones y decisiones nos permite reconocer dónde y cómo interviene cada capacidad y qué necesitamos conservar al reorganizar el trabajo.

Para comparar dos cantidades quizás sea suficiente una aplicación convencional. Reconocer un patrón puede requerir aprendizaje automático; interpretar un pedido o preparar una explicación puede beneficiarse de la IA generativa. La elección en cada caso empieza por comprender qué transformación se necesita realizar y con qué información se cuenta.

La capacidad de resolver una tarea también tiene condiciones. Una herramienta puede funcionar bien con datos completos y necesitar ayuda cuando falta una referencia. Por eso, además de repartir tareas, necesitamos reconocer cuándo cada parte puede avanzar sola y cuándo debe intervenir alguien más.

A esta intervención humana dentro de un proceso automatizado la llamamos Human in the Loop. La expresión adquiere sentido cuando podemos señalar dónde hace falta la atención de una persona, qué recibe y qué debe devolver para que el trabajo continúe.

El agente utiliza un modelo de IA y herramientas para consultar información o ejecutar acciones. La persona aporta la capacidad que ese tramo del trabajo necesita. Para que el intercambio funcione, ambos deben interactuar en el marco de una tarea comprensible: qué falta resolver, qué elementos permiten hacerlo y qué situación cambia con la respuesta de uno u otro.

Pensemos en una respuesta que requiere conocimiento experto. El agente puede buscar información, relacionarla y preparar un borrador. El trabajo de la persona cambia: recibe una propuesta acompañada de los elementos que permiten comprenderla y juzgar si responde al asunto planteado.

Para que la revisión tenga valor, el experto debe poder cambiar lo que viene después. Si la acción requiere aprobación, el agente espera la decisión humana. Una corrección por parte del experto vuelve al proceso; una duda puede exigir otra consulta. Conservar esas intervenciones de ida y vuelta permite revisar el funcionamiento, aunque el modelo no aprenda automáticamente por el solo hecho de recibirlas; es útil para mejorar a posteriori la ingeniería.

Aquí aparece una capacidad humana que es diferente del juicio experto: la de actuar sobre objetos y situaciones materiales. En un depósito, por ejemplo, el agente puede indicar una ubicación y el trabajador realizar el movimiento, registrar el resultado o informar qué le impidió hacerlo.

También necesitamos comprender qué es lo que puede o no puede comprobar el sistema. Un código escaneado puede confirmar la lectura de una etiqueta; pero por sí solo no demuestra dónde quedó realmente la caja. Una fotografía puede aportar otra señal. Diseñamos esa comprobación según lo que necesitamos observar y recurrimos a una persona cuando la evidencia resulta insuficiente.

Si en la mayor parte de los casos el agente puede continuar dentro de las condiciones previstas, la intervención humana se concentra en los asuntos excepcionales que requieren criterio adicional. La persona así puede pasar de tener que resolver cada caso completo a solo atender situaciones raras que llegan desde varias ejecuciones simultáneas.

Esa posibilidad depende de una relación concreta: cuánta atención se solicita del experto y cuánta atención el experto puede realizar. También importa si las consultas pueden ser puestas en cola y esperar si llegan de manera simultánea. Una cola visible, con responsables y prioridades, permite organizar esa carga y reconocer cuándo es necesaria la ayuda humana.

El agente puede reunir información, preparar asuntos y mantener su estado mientras distintas personas aportan lo que hace falta por parte humana: revisar, completar un dato o realizar una acción. Así se combinan la velocidad de preparación del sistema y las capacidades del equipo.

Sin embargo, preparar una tarea y poder realizarla son capacidades diferentes. Si el sistema genera más trabajo del que las personas pueden atender, se empiezan a acumular pendientes. Organizar en forma óptima la asignación, permitir que se informe un impedimento y limitar lo que se inicia son aspectos necesarios del diseño.

Una persona puede solicitar un análisis, un agente consultar una herramienta y un experto resolver una duda antes de continuar. Los intercambios se conectan porque el resultado de una tarea proporciona lo que necesita la siguiente.

La red tiene sentido cuando podemos reconstruir esas relaciones. Cada asunto por resolver necesita mantener su identidad, su estado y a quién corresponde la responsabilidad por el próximo paso. Podemos comenzar con un intercambio pequeño y conectar otros cuando comprendemos qué aportan, cómo afectan el estado de un asunto y cómo comprobar su resultado.

Cuando una persona dice «eso depende» o «uno se da cuenta enseguida», allí tenemos algo que vale la pena analizar en detalle y comprender. ¿De qué depende? ¿Qué detalle está reconociendo su ojo experto? Podemos reconstruir un caso, conservar su explicación y usar IA para distinguir tareas, datos, criterios y excepciones.

Volvemos al experto con la interpretación obtenida: necesitamos comprobar si expresa su criterio o si hemos relacionado algo de manera equivocada. Esas iteraciones permiten alcanzar una comprensión que finalmente resulta suficiente para nuestro propósito. Pero lo que una persona hace por mero hábito no necesariamente debe convertirse en una regla del sistema; antes debe ser analizado y discutido.

Cómo capturar conocimiento experto con audio e IA

La prueba de concepto transforma nuestra interpretación del trabajo en algo que podemos observar y medir. Elegimos un alcance acotado y acordamos previamente qué resultados deberíamos obtener para considerar que funciona. Después extendemos las pruebas a casos comparables a la diversidad del proceso actual.

Incluimos una situación habitual, un dato faltante, un caso dudoso y una intervención que no llega a tiempo. Medimos calidad, tiempo total, carga de revisión y costo. Así podremos distinguir qué parte del diseño funciona, qué comprendimos mal y qué necesitamos ajustar antes de ampliar su alcance.

Un paso que se resuelve más rápido puede simplemente trasladar la dificultad al siguiente paso. Por eso nos interesa medir todo el recorrido: desde que comienza el asunto hasta que obtenemos el resultado con la calidad necesaria. Así podemos reconocer si liberamos capacidad o si simplemente cambiamos de lugar el trabajo pendiente.

Además necesitamos preguntarnos qué podemos hacer con esa capacidad. Atender asuntos que hoy se demoran, mejorar una respuesta o realizar más trabajo son posibilidades diferentes. El ahorro económico o la ganancia depende de cómo pueda aprovecharse el cambio; no se deduce solamente del tiempo que tarda una IA.

La actividad de un puesto de trabajo cambia a medida que redistribuimos sus tareas y decisiones. Algunas intervenciones pueden ya no ser necesarias; otras, en cambio, requieren más criterio, conocimiento o capacidad de actuar. Quienes realizan el trabajo necesitan participar en ese diseño y aprender a utilizar y disfrutar de la tecnología que se incorpora.

La primera prueba de concepto nos deja conocimiento, criterios y herramientas que podemos volver a usar. Con esa base decidimos el siguiente paso: ajustar lo que todavía no funciona, aplicar lo aprendido a otra tarea o conectar un nuevo intercambio. Cada avance amplía nuestras posibilidades a partir de algo que ya comprendimos y pudimos comprobar.