Escrito por: Nubank Editorial

Ver un sistema de IA hacer algo impresionante es una cosa. Saber dónde esa capacidad puede marcar una diferencia relevante en tu propio trabajo es otra.

Esa brecha importa cuando las organizaciones pasan de experimentar con IA a aplicarla en los flujos de trabajo del día a día. En este contexto, una demo puede mostrar de qué es capaz una tecnología, pero identificar una aplicación útil exige algo más: suficiente entendimiento de cómo funciona la tecnología, combinado con un conocimiento profundo del problema que se quiere resolver.

Esta es una de las ideas detrás del pilar de Enablement del Ops AI Acceleration Program de Nubank. Su misión es dar a los equipos acceso práctico a conocimiento y herramientas de IA, manteniendo ese aprendizaje conectado con las realidades y los desafíos de su trabajo.

Un workshop reciente de IA aplicada con PJ Operations puso ese enfoque en práctica. En lugar de empezar con una solución de IA ya lista, la sesión construyó primero una base común y luego pidió a los participantes que aplicaran lo aprendido a un desafío operativo real.

El objetivo era ayudar a acercar el entendimiento técnico y la expertise operativa.

Crear un lenguaje común sobre IA

Entender la IA no significa saber construir un modelo desde cero, pero cuando las personas comprenden algunos de los conceptos detrás de la tecnología, pueden hacer mejores preguntas sobre dónde podría ser útil, qué necesitaría para funcionar y cómo podría encajar en un proceso ya existente. Precisamente por eso el workshop comenzó mucho antes del ejercicio práctico.

El recorrido de aprendizaje empezó por la aceleración más amplia de la computación, antes de avanzar hacia la IA generativa y los agentes. A partir de ahí, los participantes exploraron cómo la IA se está integrando al ciclo de vida del desarrollo de software y cómo distintos bloques de construcción pueden funcionar juntos en los sistemas modernos de IA: modelos, herramientas, contexto, skills, agentes y Model Context Protocols, o MCPs.

El propósito era hacer menos abstracta la arquitectura detrás de los sistemas de IA. Un modelo, por ejemplo, es solo una parte de lo que hace útil a una aplicación de IA. El contexto le ayuda a entender qué es relevante para una tarea específica, mientras que las herramientas le permiten ejecutar acciones o recuperar información más allá de lo que el modelo ya sabe, y las skills pueden aportar instrucciones especializadas para tareas recurrentes. Los agentes, por su parte, pueden combinar razonamiento y acciones a lo largo de múltiples pasos, mientras que los MCPs ofrecen una forma estandarizada de conectar modelos con herramientas externas.

Conocer estas distinciones cambia la conversación, porque en lugar de preguntar simplemente “¿puede la IA hacer esto?”, los equipos empiezan a hacer preguntas más específicas: ¿qué información necesitaría el sistema? ¿Qué partes del proceso requieren juicio? ¿A qué herramientas o datos necesitaría acceder? ¿Dónde seguiría siendo esencial la expertise humana?

Ese vocabulario compartido ayuda a crear un puente entre las posibilidades tecnológicas y la realidad del trabajo operativo.

Check our job opportunies

Donde Ingeniería se encuentra con Operaciones

La adopción de IA se vuelve más práctica cuando dos tipos de conocimiento pueden encontrarse. Ingeniería aporta el entendimiento de lo que la tecnología puede hacer, de cómo se pueden estructurar los sistemas y de dónde están las restricciones técnicas. Operaciones aporta algo igualmente importante: el conocimiento detallado de cómo ocurre realmente el trabajo.

Los equipos operativos entienden las excepciones, los handoffs, los cuellos de botella recurrentes, las reglas de negocio y las decisiones de criterio que pueden no ser evidentes desde fuera. Saben qué actividades consumen mucho tiempo, dónde la información se vuelve difícil de interpretar y qué partes de un flujo de trabajo son repetitivas sin ser necesariamente simples. Ese contexto es clave para identificar oportunidades útiles de IA.

El objetivo del enablement, entonces, es crear suficiente terreno común para que ambas perspectivas se conecten. Cuando la expertise operativa se combina con un mejor entendimiento de las capacidades de IA, las personas pueden ir más allá de pensar en la IA como una tecnología de propósito general y empezar a mirar cada flujo de trabajo de otra manera.

¿Qué parte de este proceso requiere análisis? ¿Qué es repetitivo? ¿Dónde se invierte tiempo en recopilar o interpretar información? ¿Dónde podría asistir un sistema de IA sin eliminar el juicio humano del que depende el proceso?

Esas preguntas están mucho más cerca del trabajo real que una demostración genérica de lo que un modelo puede generar.

Poner el aprendizaje en práctica

El 25 de agosto, 15 Nubankers de PJ Operations y del liderazgo participaron en un workshop de IA aplicada construido a partir de este enfoque. Después de explorar los fundamentos tecnológicos, la sesión avanzó hacia un desafío práctico centrado en el Performance Management Lifecycle. 

La elección del problema fue importante. En lugar de experimentar con un ejercicio artificial creado para mostrar las capacidades de la IA, los participantes trabajaron sobre un desafío real de PJ Operations: los análisis cuantitativos y cualitativos involucrados en la gestión de performance.

Esto incluye actividades como el análisis de causa raíz y la evaluación del desempeño de los BPO, un trabajo que exige que los equipos interpreten información y la conviertan en insights capaces de sustentar decisiones operativas.

El workshop recibió una puntuación general de satisfacción de 4,8 sobre 5, pero el resultado más importante de la sesión fue la oportunidad de conectar los conceptos que los participantes acababan de explorar con un problema que ya conocían en profundidad.

Empezar por un problema operativo real

El análisis de performance representa una carga de trabajo significativa dentro de Ops PJ. Hoy, el análisis cuantitativo y cualitativo involucrado en este flujo consume aproximadamente 100 horas por mes, y ese número ofrece un buen punto de partida para pensar en IA.

La oportunidad no es simplemente “agregar IA” a la gestión de performance. Es examinar el flujo de trabajo e identificar dónde las capacidades de IA podrían reducir el esfuerzo manual y hacer más ágil el proceso de análisis, y aquí es donde el conocimiento operativo se vuelve fundamental.

Quienes trabajan de cerca con el proceso pueden distinguir entre tareas repetitivas y tareas que requieren juicio contextual. Pueden identificar dónde hay que recopilar, comparar, interpretar o investigar información. Y pueden ayudar a determinar dónde la asistencia de la IA podría ser valiosa, sin asumir que todo el flujo de trabajo deba automatizarse.

El entendimiento técnico facilita imaginar lo que es posible. El entendimiento operativo ayuda a determinar lo que es útil.

De ~100 horas a un potencial de ~25

Para el caso de uso del Performance Management Lifecycle explorado en el workshop, la oportunidad esperada es significativa. La carga de trabajo actual es de aproximadamente 100 horas por mes. Con IA aplicada a partes del flujo, el objetivo es reducir ese esfuerzo a cerca de 25 horas por mes.

Es importante mencionar que esta cifra es una proyección, no un resultado medido. El flujo de trabajo todavía no ha demostrado una reducción de 100 a 25 horas en producción. La estimación representa, más bien, la eficiencia potencial identificada para el caso de uso y ofrece un objetivo concreto frente al cual evaluar futuras experimentaciones.

Al final del día, el enablement en IA se trata de ayudar a los equipos a identificar oportunidades ancladas en el trabajo real, formular hipótesis sobre dónde la IA puede ayudar y crear un camino más claro para poner a prueba esas hipótesis.

En este caso, la reducción proyectada aporta algo concreto para investigar. El valor del ejercicio no está solo en la cifra en sí, sino también en el proceso que produjo la oportunidad: partir de un problema operativo, entender el trabajo que hay detrás y luego examinar dónde podrían encajar las capacidades de IA.

El enablement como capacidad permanente

Un workshop puede introducir conceptos y una herramienta puede facilitar la experimentación, pero el enablement en IA a largo plazo depende de algo más amplio: dar a las personas suficiente entendimiento y experiencia práctica para que reconozcan oportunidades por sí mismas.

Eso significa ir más allá de enseñar a usar un modelo o una interfaz en particular: las herramientas cambiarán, los modelos evolucionarán y seguirán surgiendo nuevas formas de conectar los sistemas de IA con datos, aplicaciones y flujos de trabajo.

La capacidad más duradera es saber mirar un problema real y hacer las preguntas correctas. ¿Dónde se está invirtiendo el tiempo hoy? ¿Qué partes del trabajo dependen de la síntesis o el análisis de información? ¿Qué restricciones importan? ¿Dónde podría asistir la tecnología? ¿Y cómo sabríamos si un experimento realmente mejoró el proceso?

Para Operaciones, esto hace que el conocimiento técnico sea accionable en lugar de abstracto. Para Ingeniería, el contexto operativo ayuda a anclar las posibilidades tecnológicas en problemas que importan.

Acercar esas perspectivas es lo que convierte al enablement en IA de un aprendizaje sobre una tecnología en un aprendizaje sobre cómo aplicarla, y ese puede ser uno de los pasos más importantes para pasar de una demo impresionante de IA a una mejora real en la forma en que se hace el trabajo.

Check our job opportunies