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

Solemos reconocer 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 recibe la persona? ¿Qué información busca? ¿Qué la hace elegir un camino y descartar otro?

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. Desgranar ese conjunto nos permite reconocer dónde interviene cada capacidad y qué necesitamos conservar al reorganizar el trabajo.

Para comparar dos cantidades quizá alcance con una aplicación convencional. Reconocer un patrón puede justificar aprendizaje automático; interpretar un pedido o preparar una explicación puede beneficiarse de IA generativa. La elección empieza por comprender qué transformación necesitamos realizar y con qué información contamos.

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 puede avanzar cada parte 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 una persona, qué recibe y qué debe devolver para que el trabajo continúe.

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

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 esa revisión tenga valor, debe poder cambiar lo que ocurre después. Si la acción requiere aprobación, espera la decisión. Una corrección vuelve al proceso; una duda puede exigir otra consulta. Conservar esas intervenciones permite revisar el funcionamiento, aunque el modelo no aprende automáticamente por el solo hecho de recibirlas.

Aquí aparece una capacidad humana diferente del juicio experto: 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.

Después necesitamos comprender qué puede comprobar el sistema. Un código escaneado confirma la lectura de una etiqueta; por sí solo no demuestra dónde quedó 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 la mayor parte de los casos puede continuar dentro de las condiciones previstas, la intervención humana se concentra en los asuntos que requieren criterio adicional. La persona puede pasar de resolver cada caso completo a atender situaciones que llegan desde varias ejecuciones.

Esa posibilidad depende de una relación concreta: cuánta atención se solicita y cuánta puede ofrecer quien revisa. También importa si las consultas pueden esperar y si llegan de manera simultánea. Una cola visible, con responsables y prioridades, permite organizar esa carga y reconocer cuándo se necesita ayuda.

El agente puede reunir información, preparar asuntos y mantener su estado mientras distintas personas aportan lo que hace falta: 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, aumenta lo pendiente. Organizar la asignación, permitir que se informe un impedimento y limitar lo que se inicia son parte del mismo diseño.

Una persona puede solicitar un análisis, un agente consultar otra 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 conserva sentido cuando podemos reconstruir esas relaciones. Cada asunto necesita mantener su identidad, su estado y la responsabilidad por el próximo paso. Podemos comenzar con un intercambio pequeño y conectar otros cuando comprendamos qué aportan y cómo comprobar su resultado.

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

La interpretación que obtengamos vuelve al experto: necesitamos comprobar si expresa su criterio o si hemos relacionado algo de manera equivocada. Esas iteraciones permiten alcanzar una comprensión suficiente para nuestro propósito. Lo que una persona acostumbra hacer todavía necesita ser discutido antes de convertirse en una regla del sistema.

Cómo capturar conocimiento experto con audio e IA

La prueba de concepto transforma nuestra interpretación del trabajo en algo que podemos observar. Elegimos un alcance acotado y acordamos qué tendría que ocurrir para considerar que funciona. Después ensayamos casos comparables a los 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 más rápido puede trasladar la dificultad al siguiente. Por eso nos interesa medir 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.

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

El puesto cambia a medida que redistribuimos sus tareas y decisiones. Algunas intervenciones dejan de ser necesarias; otras requieren más criterio, conocimiento o capacidad de actuar. Quienes realizan el trabajo necesitan participar en ese diseño y poder aprender a utilizar lo que se incorpora.

La primera prueba 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.