Con el proceso mapeado y el cuello de botella identificado, la siguiente pregunta es: ¿qué patrón de IA encaja aquí? Este módulo es la guía de referencia: seis patrones universales, cómo aparecen en cada área y dónde no encajan.
🗂️ Patrones de casos de uso de IA
Todo caso de uso de IA generativa en un contexto empresarial encaja en uno de estos seis patrones. Reconocer el patrón es el primer paso para recomendar la solución adecuada.
Categorizar texto o datos en clases predefinidas.
Ejemplos: clasificación inicial de tickets, categorización de correos electrónicos, clasificación de documentos por tipo.
Extraer información estructurada de texto no estructurado.
Ejemplos: extraer el CNPJ/valor de facturas, las direcciones de contratos y las fechas de correos electrónicos.
Crear contenido nuevo a partir de datos o instrucciones.
Ejemplos: redactar una propuesta comercial, generar una descripción de producto, crear un correo de respuesta.
Condensar contenido extenso en una síntesis práctica.
Ejemplos: resumir una reunión grabada, sintetizar un contrato para su aprobación, resumen de un ticket.
Inferir un estado futuro o una probabilidad a partir de datos.
Ejemplos: puntuación de leads, predicción de churn, probabilidad de morosidad.
Interfaz de diálogo para consultas o atención.
Ejemplos: chatbot de preguntas frecuentes interno, asistente de onboarding, helpdesk de primer nivel.
💼 Oportunidades por área funcional
Cada departamento tiene patrones recurrentes. Llegar a la reunión sabiendo ya qué buscar en cada área acelera el diagnóstico y demuestra dominio ante el cliente.
Ventas / CRM
Soporte / Customer Success
Finanzas / Jurídico
RR. HH. / Personas
🧱 Adaptar el patrón de IA a la etapa del proceso
El encaje correcto es de adentro hacia afuera: partes de la etapa del proceso y preguntas qué patrón la resuelve. Nunca al revés: partir de la herramienta y buscarle un problema.
✓ Enfoque correcto (inside-out)
- Identifica la etapa: «análisis manual de contratos»
- Caracteriza el trabajo: "lectura de texto, extracción de cláusulas"
- Pregunta por el patrón: "¿esto es extraer/resumir?"
- Evalúa el ajuste: "¿tenemos los contratos? ¿En qué formato?"
- Recomienda la solución adecuada
✗ Enfoque incorrecto (outside-in)
- Viste un chatbot que funcionó con otro cliente
- Quiero implementar un chatbot aquí también
- Busca un área que "podría usar un chatbot"
- Intenta encajar donde no encaja
- Entrega una solución que el cliente no usa
💡 Criterios de compatibilidad para la integración
- Datos disponibles: ¿los datos necesarios existen y son accesibles?
- Variación aceptable: ¿el resultado puede tener un margen de error o debe ser 100% correcto?
- Consecuencia del error: ¿un error genera retrabajo o un riesgo real?
- Volumen suficiente: ¿el proceso ocurre con la frecuencia necesaria para justificar la inversión?
🪜 Asignar al nivel de la pirámide
Para cada oportunidad identificada, el consultor la ubica en la pirámide de soluciones. La regla: usa el nivel más bajo que resuelva el problema. Subir innecesariamente en la pirámide aumenta el costo y el riesgo sin mejorar los resultados.
Determinístico — regla pura
Cuándo: el resultado siempre está determinado por las mismas reglas. Ejemplos: cálculo automático, enrutamiento por tipo, alertas por umbral.
Herramientas: n8n, Zapier, scripts, RPA.
Workflow con IA — estándar + variación
Cuándo: el trabajo tiene un patrón reconocible, pero varía. Ejemplos: clasificar tickets, extraer datos de facturas, resumir documentos.
Herramientas: LLM en workflow, Make + GPT, n8n + Anthropic.
Agente — contexto + decisiones encadenadas
Cuándo: la tarea requiere varias decisiones encadenadas y contexto acumulado. Úsalos con cautela: los agentes son costosos y tienen más puntos de falla.
Herramientas: Anthropic Claude, frameworks agentic.
🚩 Señales de alerta: casos atractivos que no dan resultados
Algunos casos de uso parecen perfectos en teoría, pero fallan de forma previsible cuando no se cumplen las precondiciones. Conocer las señales de alerta evita proyectos que van a fallar antes de empezar.
⚠ Chatbot sin base de conocimientos
Un chatbot de atención al cliente solo funciona si hay contenido estructurado y actualizado. Sin eso, alucina o responde «no sé» a todo. Preparar la knowledge base suele costar más que el chatbot.
⚠ Generación de informes financieros sin datos limpios
La IA generativa amplifica la calidad de los datos de entrada. Los datos sucios generan informes incorrectos con una confianza falsa. «Entra basura, sale basura» — pero con un lenguaje pulido.
⚠ Automatización de un proceso roto
Automatizar un proceso con problemas estructurales solo produce errores más rápido. Corrige el proceso antes de automatizarlo, o gastarás en mantener una máquina que produce errores.
⚠ Agente en un contexto de riesgo sin una persona supervisando
Agentes autónomos que toman decisiones con consecuencias financieras, jurídicas o de salud sin supervisión humana. La mayoría de estas aplicaciones aún no ha alcanzado la madurez necesaria.
📋 Crear el catálogo de oportunidades del cliente
El entregable de esta fase es una tabla estructurada con todas las oportunidades identificadas. Todavía sin priorización — el alcance debe ser intencionalmente amplio antes de recortarlo.
Estructura del catálogo
| Campo | Qué registrar | Ejemplo |
|---|---|---|
| Etapa | Nombre de la etapa en el VSM | Filtrado de tickets de soporte |
| Patrón de IA | Clasificar/Extraer/Generar/Resumir/Predecir/Conversar | Clasificar |
| Nivel de la pirámide | Determinístico / Workflow IA / Agente | Workflow de IA |
| Precondiciones | Qué debe existir para que funcione | Historial de tickets etiquetados (>500) |
| Dependencias | Qué debe hacerse antes | Limpieza y estandarización de las categorías |
💡 Por qué enumerar todo antes de priorizar
Mantener un catálogo amplio garantiza que las oportunidades menos obvias no se descarten antes de tiempo. La priorización (módulo 2.4) servirá de filtro — pero no puedes priorizar lo que no está en la lista.
🎒 Resumen del módulo
Siguiente módulo:
2.4 — Priorización inicial: matriz Valor × Viabilidad