Derivación
El agente escala…
pero no está claro quién decide.
El caso circula por mensajes, equipos o tickets hasta encontrar a alguien con criterio.
Tu IA resuelve casos. Tu equipo resuelve excepciones. ¿Quién evita que se repitan?
Cuando un agente deriva un caso, alguien tiene que decidir. Si ese criterio queda perdido en un ticket, un chat o una persona, tu operación puede tener que resolver lo mismo otra vez.
¿Te suena familiar?
La IA resuelve parte de la operación. Pero las excepciones revelan dónde siguen viviendo las decisiones.
El agente escala…
Inconsistencia
Múltiples personas, múltiples criterios.
Ante situaciones parecidas, el resultado depende de quién tomó el caso.
Repetición
El caso se cierra…
pero la excepción vuelve.
La experiencia queda en una conversación, no en un criterio que otros puedan aplicar.
Resolver una excepción no significa que tu operación haya aprendido.
La oportunidad está en convertir decisiones humanas recurrentes en criterios claros: qué mirar, quién decide, cuándo intervenir y qué podría reutilizarse la próxima vez.
De caso aislado a criterio reutilizable
- Una excepción concreta
- Una decisión humana
- Un criterio explícito y supervisable
La industria ya habla del desafío que viene después de lanzar agentes.
-
Los humanos potenciados por la IA van a hacer el mejor trabajo durante varios años más.
Traducción
Humans augmented by AI will create the best work for some years to come
-
Por ahora, esto es algo a tener en cuenta, sobre todo en entornos productivos. Usá los LLM para las tareas en las que son buenos, pero estate atento a los bordes dentados, y mantené a un humano en el circuito.
Traducción
For now, this is something to be aware of, especially in production settings. Use LLMs for the tasks they are good at but be on a lookout for jagged edges, and keep a human in the loop.
-
Los agentes de ChatGPT me están resultando útiles. Encajan mejor con la analogía del «pasante» que cualquier IA anterior: requieren supervisión, pero igual ahorran mucho tiempo en total.
Por ejemplo, actualizo seguido un gráfico de costo/rendimiento de IA. El agente hizo todo el trabajo pesado, con guía.Traducción
I am finding ChatGPT agents to be useful. They are a better fit with the "intern" analogy than any former AI - requiring oversight, still saving lots of time overall.
For example, I update an AI cost/performance chart frequently. The agent did all the grunt work, with guidance. -
Los agentes de IA probablemente sigan una trayectoria parecida a la del auto autónomo, donde vas a necesitar un humano en el circuito para una larga cola de tareas durante un buen tiempo. La gran diferencia es que en el camino vamos a ir sumando cada vez más agentes autónomos, mientras que la conducción totalmente autónoma es una propuesta de todo o nada.
Traducción
AI Agents will likely follow a self driving trajectory, where you need a human in the loop for a long tail of tasks for a while. The big difference is we’ll get a growing number of autonomous agents along the way, where full self driving is an all or nothing proposition.
-
La IA no lo hace de punta a punta.
Lo hace del medio al medio.
Los nuevos cuellos de botella son darle las instrucciones y verificar.Traducción
AI doesn’t do it end-to-end.
It does it middle-to-middle.
The new bottlenecks are prompting and verifying. -
Una persona todavía tiene que mirar fijo los resultados y discernir si están bien.
Traducción
A person still has to stare at the results and discriminate if they are good.
-
La IA hizo colapsar el costo de construir productos, pero no el costo de saber qué construir.
- El ciclo viejo: especificar, acotar, construir
- El ciclo nuevo: construir, probar, diseñar, lanzar
Los prototipos son baratos. Los grandes productos siguen requiriendo gusto, criterio y una comprensión clara de lo que los usuarios realmente necesitan.Traducción
AI has collapsed the cost of building products, but not the cost of knowing what to build.
- The old loop: spec, scope, build
- The new loop: build, play, design, ship
Prototypes are cheap. Great products still require taste, judgment, and a clear understanding of what users actually need. -
Tenés que asegurarte de que los agentes tengan el contexto y los datos correctos para trabajar, conectar los sistemas con los agentes de forma segura, asegurarte de que los agentes produzcan resultados de calidad, diseñar el flujo de trabajo final definiendo dónde y cómo van a intervenir los humanos, mantener los agentes cuando hay actualizaciones de modelos y sistemas, y más.
Traducción
You need to ensure agents have the right context and data to work with, wire up systems to agents in a safe and secure way, ensure that the agents are producing quality output, design the end-state workflow where and how humans will be in the loop, maintain the agents when there are model and system upgrades, and more.
-
Predicción: en la era de la IA, el gusto va a ser todavía más importante. Cuando cualquiera puede hacer cualquier cosa, el gran diferencial es qué elegís hacer.
Traducción
Prediction: In the AI age, taste will become even more important. When anyone can make anything, the big differentiator is what you choose to make.
-
Casi siempre hay varias formas de hacer algo y el criterio del LLM no siempre es bueno.
Traducción
There's almost always a few ways to do thing and the LLM's judgement is not always great.
-
Promptear la IA escala, porque promptear es solo tipear.
Pero verificar la IA no escala, porque verificar lo que produce implica mucho más que tipear.Traducción
AI prompting scales, because prompting is just typing.
But AI verifying doesn’t scale, because verifying AI output involves much more than just typing. -
La IA es una forma de apalancamiento. El apalancamiento aumenta los retornos de quienes lo usan. Los ingenieros de software están ganando apalancamiento respecto de todos los demás. Y los creadores de la IA son los más apalancados de todos.
Traducción
AI is a form of leverage. Leverage increases the returns to those who use it. Software engineers are gaining leverage relative to everyone else. And the creators of AI are the most leveraged of them all.
Empezamos por una excepción real.
Una forma de explorar el problema: reconstruir el caso, ubicar la decisión y detectar qué criterio podría dejar de depender de la memoria de una persona.
-
Entender qué pasó
Qué intentó hacer el agente, dónde se detuvo y cómo llegó el caso a una persona.
-
Encontrar la decisión
Qué información hizo falta, quién tomó la decisión y con qué criterio.
-
Explorar qué es reutilizable
Qué podría explicitarse como regla, política, supervisión o mejora del flujo, y qué necesita seguir en manos de una persona.
¿Este problema aparece en tu operación?
El punto de partida es una operación real donde la IA se encuentra con decisiones humanas.
- Lideras CX, soporte u operaciones con agentes de IA en producción o en un piloto operativo.
- Hay casos que requieren derivación, revisión o intervención humana.
- Te interesa entender si esas decisiones se pueden hacer más consistentes y reutilizables.
Trae el último caso que tu IA no pudo resolver.
En 30 minutos intentaremos entender qué ocurrió, qué decisión necesitó una persona y qué pasó después. Si vemos un problema relevante para explorar juntos, acordamos el siguiente paso.