AI-first: diseñar el proceso antes que el asistente

Una aplicación tradicional suele esperar a que una persona busque información, rellene campos y decida qué hacer en cada pantalla. La inteligencia artificial permite cambiar el punto de partida: reunir información, preparar una propuesta o ejecutar parte de una tarea antes de que el usuario intervenga. Esa posibilidad obliga a revisar el proceso completo, no solo la interfaz.

Del formulario al proceso

Imaginemos la preparación de un curso a partir de materiales aportados por una organización. Alguien debe revisar los documentos, proponer una estructura, configurar el curso y comprobar que el resultado funciona. Una solución que incorpora IA desde el diseño puede analizar los materiales, sugerir unidades, señalar lagunas y preparar una configuración inicial en un entorno de pruebas.

Cada etapa plantea preguntas distintas. ¿Qué documentos puede consultar? ¿Cómo distingue una versión vigente de una anterior? ¿Qué ocurre si falta una unidad? ¿Quién decide si una actividad responde a los objetivos? Las respuestas determinan tanto la utilidad como los límites de la solución.

Diseñar con IA desde el principio no exige utilizar un modelo en cada operación. Una validación de formato puede resolverse con reglas; una integración puede requerir una API convencional; una decisión pedagógica puede corresponder a una persona. La arquitectura reúne estas capacidades en torno a un resultado que se pueda comprobar.

Esquema conceptual. Las etapas representan decisiones de diseño y no una garantía de éxito del proceso.

Ver a tamaño originalCerrar

AI-first y AI-driven

AI-first describe un diseño en el que la IA ocupa un lugar central en la experiencia o la arquitectura. AI-driven pone el acento en que la IA impulsa parte del proceso: interpreta información, propone pasos o utiliza herramientas para avanzar hacia un objetivo. Los términos no tienen una definición única, pero separarlos ayuda a concretar de qué capacidad se habla.

Una aplicación puede organizarse alrededor de la IA y exigir intervención humana para cada acción. También puede incorporar un proceso impulsado por IA dentro de un producto convencional. En ambos casos es necesario distinguir entre generar una respuesta y actuar sobre un sistema externo.

Elegir el grado de variabilidad

Antes de delegar el recorrido en un agente, conviene identificar qué parte del proceso necesita adaptarse. Si las entradas y los pasos están definidos, un flujo convencional puede resolver la tarea con mayor previsibilidad. Cuando el camino depende del contenido encontrado, un agente puede elegir entre herramientas dentro de unos límites. Esa flexibilidad tiene un coste: hay más recorridos posibles que evaluar y más decisiones que observar.

En el ejemplo del curso, comprobar que todos los archivos tienen un formato admitido puede ser una regla fija. Proponer cómo distribuir materiales heterogéneos exige interpretación. Publicar el curso debe seguir sujeto a permisos y a una condición de aprobación que el modelo no pueda alterar por su cuenta. Esta combinación permite concentrar la IA en las partes donde aporta capacidad de interpretación.

Permisos y resultados

Leer la configuración de un curso, crear una copia de prueba y modificar un curso activo son operaciones diferentes. En lugar de asignar una autonomía genérica al agente, conviene definir qué información puede consultar, qué acciones puede ejecutar, en qué entorno y cuándo necesita autorización. La supervisión humana sobre propuestas y acciones desarrolla qué información y capacidad de decisión necesita quien revisa.

El resultado debe verificarse en el sistema que conserva el estado. Si un agente informa de que creó una actividad, esa afirmación no demuestra que la actividad esté disponible, configurada correctamente o asociada al curso previsto. Una comprobación independiente debe leer el estado real y registrar las excepciones.

Diseñar para lo que falta

Los recorridos ideales ocultan una parte importante del trabajo: documentos contradictorios, permisos insuficientes, respuestas incompletas y herramientas que fallan. El sistema necesita reconocer esas situaciones, explicar el bloqueo y facilitar una decisión. Si ya ha aplicado cambios, debe conservar qué se completó y qué queda pendiente antes de reanudar.

La productividad también se valora en el proceso completo. Generar muchos borradores no acelera necesariamente la entrega si la revisión se convierte en la etapa más lenta. Por eso, junto a las capacidades de generación, la solución necesita una forma viable de revisar, corregir e integrar los resultados.

La oportunidad de AI-first está en rediseñar la relación entre información, herramientas y decisiones. Su valor depende de que ese rediseño produzca resultados útiles que las personas puedan entender y comprobar.

Para concretar cómo se prepara una plataforma que ya tiene funciones de IA, el marco de madurez de producto y agentes distingue las capacidades del producto de los controles para delegar acciones. La verificación del resultado de una automatización desarrolla la comprobación del estado final.