Doxa 2439

Procesos de diseño para evolucionar con la tecnología emergente

Por Manish Sharma, Lan Guan y H. James Wilson

IA generativa

Harvard Business Review

#Doxa #DiseñoAdaptativo #InnovaciónTecnológica #FuturoDelDiseño #IAenDiseño #RealidadAumentada #DiseñoCentradoEnHumano #TecnologíaEmergente #PensamientoComputacional #DiseñoÁgil #Metaverso #SostenibilidadDigital #Bioinspiración #DiseñoColaborativo #TransformaciónDigital #PrototipadoRápido

Resumen. La tecnología inteligente permite a las organizaciones pasar de una transformación episódica a una evolución continua, reduciendo los costos de coordinación y experimentación que antes hacían que el cambio fuera lento y arriesgado. Tres capacidades sustentan este cambio: visibilidad en tiempo real de cómo se realiza el trabajo, gemelos digitales que permiten una experimentación rápida sin interrumpir las operaciones, y sistemas de IA con agentes que ejecutan y adaptan los flujos de trabajo. Los modelos operativos de alta fidelidad reemplazan las suposiciones simplificadas, brindando a los líderes una imagen precisa de los procesos actuales. Los gemelos digitales extienden esta visibilidad a un entorno de aprendizaje donde se pueden probar nuevos flujos de trabajo, materiales y diseños con bajo riesgo, comprimiendo los ciclos de validación y aumentando la experimentación. Los agentes autónomos se encargan de las tareas de ejecución que requieren percepción, predicción y juicio, reduciendo la fricción en la coordinación y permitiendo que los procesos rediseñados funcionen con mayor adaptabilidad. Los humanos siguen siendo fundamentales como guardianes de la ética, la creatividad y la dirección estratégica. El resultado es un modelo operativo diseñado para la reinvención perpetua.

Durante décadas, las empresas han estado atrapadas en un ciclo de cambios dolorosos y episódicos, lanzando proyectos masivos de reingeniería e invirtiendo en nuevos sistemas de TI, solo para descubrir que el metabolismo fundamental de su organización sigue siendo lento. Los enormes costos de transacción —la fricción de coordinar personas, gestionar la información y coordinar trabajos complejos— han hecho que la transformación profunda y continua sea prohibitivamente cara y arriesgada.

Según nuestro reciente análisis inédito, más de cuatro de cada diez horas laborales están relacionadas con este tipo de transacciones dentro de los procesos de negocio. Ahora, un nuevo marco de reinvención está a punto de reducir estos costos mediante la combinación de tres fuerzas: 1) visibilidad radical del proceso, 2) experimentación de bajo riesgo dentro de un gemelo digital, y 3) ejecución autónoma impulsada por agentes de IA. Juntos, transforman la reinvención de procesos de un proyecto disruptivo a una capacidad continua y esencial.

Ese futuro ya se está desplegando. En una encuesta realizada en 2025 a más de 3000 líderes de alto nivel, casi 9 de cada 10 (87 %) coincidieron en que la IA agencial está marcando el comienzo de una nueva era de transformación de procesos. Dos de cada diez (20 %) de estos líderes ya informan que su organización está rediseñando procesos con la IA como eje central. Sin embargo, casi tres de cada diez (29 %) de estos líderes están adoptando un enfoque gradual, mejorando los procesos existentes con IA paso a paso. Mientras tanto, los líderes del sector están sentando las bases de un nuevo modelo operativo que facilita la reinvención continua y ofrece una hoja de ruta para un diseño de procesos verdaderamente evolutivo.

Visibilidad radical

El modelo mental que la gerencia tiene de un proceso a menudo simplifica excesivamente la realidad. Por ejemplo, un solo proceso de cuentas por pagar en el sector salud puede tener millones de puntos de contacto que ningún gerente podría comprender. Cualquier iniciativa de mejora basada en un modelo defectuoso inevitablemente resuelve el problema equivocado; de ahí la alta tasa de fracaso de los programas de transformación tradicionales. Por eso, el primer paso esencial en la reinvención de procesos es codificar las operaciones en un modelo dinámico y computable: un plano actual y en tiempo real de cómo se realiza el trabajo. Alcanzar este nivel de visibilidad del proceso se convierte en el catalizador crucial para cada transformación posterior, sentando las bases para la construcción de un gemelo digital.

Consideremos el deseo de la empresa minera Boliden de optimizar el control del proceso de molienda de cobre en su mina Aitik en Suecia. La molienda desempeña un papel fundamental en la extracción de metales valiosos de los yacimientos minerales y sigue siendo el principal cuello de botella operativo de la planta. Incluso pequeñas mejoras en el rendimiento y la estabilidad del proceso pueden generar grandes beneficios económicos. En colaboración con el gigante multinacional ABB, la empresa creó un modelo tal cual de alta precisión; en efecto, una planta virtual. Lo codificaron creando una copia directa del proceso del sistema de control distribuido (DCS) real de la planta, incluyendo su lógica personalizada, para garantizar una réplica realista de la capa base de control.

Este modelo del sistema de control se conectó posteriormente a una simulación de procesos que albergaba la dinámica del proceso de la planta física. Las huellas digitales analizadas fueron los protocolos de comunicación en tiempo real que compartían datos entre la capa de control base y la simulación de procesos, reflejando el flujo de datos real de la planta física. Este modelo computable, con su visibilidad integral del proceso, proporcionó el entorno no disruptivo de un gemelo digital necesario para probar nuevas estrategias de control con respecto al estado actual.

El mero hecho de construir el nuevo modelo obligó a la empresa a reconocer que su modelo anterior ya no representaba con precisión el estado actual del proceso. Como señalan los ejecutivos de ABB y Boliden : «Es fundamental contar con una simulación que describa el estado actual del proceso... Encontrar e implementar este tipo de información es clave para configurar un entorno virtual para el desarrollo del control».

Experimentación continua en el gemelo digital

La mejora continua requiere experimentación continua. Durante la era puntocom de finales de los 90, por ejemplo, la aparición de las pruebas A/B sencillas transformó la toma de decisiones al sustituir la intuición ejecutiva por la evidencia. En lugar de adivinar qué diseño funcionaba mejor, las empresas mostraban diferentes versiones de diseños web a grupos aleatorios de usuarios y dejaban que métricas como los clics y las compras decidieran. En 2012, un ingeniero tuvo una idea sencilla : alargar los titulares de los anuncios combinando dos líneas de texto. Los ejecutivos rechazaron la idea hasta que una prueba A/B demostró que aumentaría los ingresos en un 12 %.

La experimentación con un gemelo digital extiende este principio al núcleo de las operaciones de una empresa. Las organizaciones pueden simular y validar procesos completamente nuevos desde cero en un entorno simulado sin riesgos, lo que supone que los agentes de IA se encargarán de la coordinación. Esta capacidad sustituye los cambios episódicos y de alto impacto en los procesos por un ciclo de reinvención continuo y de bajo riesgo.

La "Fábrica Virtual" de BMW Group ilustra este cambio. La compañía construyó un gemelo digital completo de sus plantas de producción, vinculando datos de construcción, datos de equipos, información logística e incluso simulaciones 3D de procesos de trabajo manual. Este gemelo virtual también simulará avatares de trabajadores humanos tomando piezas y herramientas, y ensamblando componentes, para encontrar el mejor procedimiento, minimizar problemas ergonómicos e identificar el número óptimo de trabajadores para cada tarea. Los ingenieros ahora pueden simular y validar virtualmente la integración de nuevos modelos de vehículos, reduciendo un costoso proceso de validación física de cuatro semanas a uno de tres días.

De cara al futuro, se espera que la Fábrica Virtual del Grupo BMW reduzca los costes de planificación de la producción hasta en un 30 %. El proceso de validación anterior de BMW para un nuevo modelo de vehículo requería guiar manualmente una carrocería física a través de la línea de producción durante varios fines de semana. En el taller de pintura, este proceso podía requerir el vaciado y la limpieza de tanques de recubrimiento por inmersión completos, lo que generaba enormes costes y paradas de producción. El nuevo proceso de validación permite a los planificadores ejecutar escenarios hipotéticos, como la optimización de la distribución de la línea para nuevos modelos en un entorno virtual, sin interrumpir la producción en directo.

Unilever aplica el mismo enfoque a los envases sostenibles en su fábrica de Tinsukia, India. Su gemelo digital de mejora simula virtualmente nuevos materiales de envasado, lo que reduce los tiempos de prueba en un 84 % y aumenta el número de experimentos de dos a treinta al año. Al simular, probar y supervisar virtualmente el rendimiento de los nuevos materiales de envasado, los equipos pueden identificar las opciones más prometedoras antes de iniciar la producción física, acelerando así el progreso hacia los objetivos de sostenibilidad de la empresa.

Los beneficios de trabajar con gemelos digitales van más allá del ahorro directo de costes y tiempo. Para BMW, acelerar el ciclo de validación, de cuatro semanas a tres días, facilita la planificación de más de 40 modelos de vehículos nuevos o actualizados en su red global para 2027. Para Unilever, aumentar el volumen de sus experimentos de dos a treinta ensayos anuales impulsa directamente sus objetivos estratégicos de sostenibilidad: la planta de Tinsukia ya ha logrado una reducción del 21 % en el uso de plástico virgen.

Ejecución y adaptación impulsadas por agentes

Hoy en día, aproximadamente un tercio de las tareas de proceso se pueden reinventar radicalmente mediante el uso eficaz de agentes, según nuestro análisis económico. Los gerentes ahora tienen una visibilidad sin precedentes de sus operaciones y pueden usar gemelos digitales para simular cómo podrían funcionar en la práctica las intervenciones de los agentes de IA en los procesos. Estos entornos virtuales ofrecen entornos de pruebas de bajo riesgo donde los agentes de IA pueden calibrar y desarrollar procesos, y luego realizar la transición a operaciones reales con un rendimiento comprobado. Una vez implementados, estos agentes orquestan procesos complejos en tiempo real, reduciendo drásticamente los costos de transacción que durante mucho tiempo han limitado la agilidad empresarial.

El sistema de conducción totalmente autónoma de Waymo ofrece un atisbo de este futuro. El proceso central de la compañía —conducir un vehículo de forma segura y eficiente a través de entornos urbanos complejos, dinámicos e impredecibles— ilustra cómo la ejecución impulsada por agentes evoluciona mediante la validación en situaciones reales en las calles de la ciudad, en lugar de mediante modelos abstractos. Esta tarea constituye uno de los mayores retos de la inteligencia artificial: el sistema debe interpretar su entorno, predecir el comportamiento de otros usuarios de la vía y actuar en consecuencia en cuestión de milisegundos. El agente debe interactuar de forma segura con innumerables factores no controlados —conductores humanos, peatones, ciclistas, etc.— en un entorno infinitamente variable, y anticipar las probables trayectorias futuras de todos los demás usuarios de la vía para tomar decisiones de conducción proactivas, defensivas y socialmente inteligentes.

Waymo entrena su sistema con miles de millones de kilómetros de datos de conducción real, incluyendo más de 160.000 kilómetros de conducción humana experta en entornos urbanos complejos. Esto permite a la IA establecer una base sólida, similar a la humana, para afrontar situaciones de conducción habituales con consistencia, previsibilidad y conciencia social. Sin embargo, los datos reales son inherentemente escasos cuando se trata de eventos de seguridad poco frecuentes pero críticos.

Para cerrar esta brecha, Waymo emplea aprendizaje por refuerzo en un entorno de simulación masivo de alta fidelidad. En este mundo virtual, los agentes se enfrentan y resuelven repetidamente millones de escenarios desafiantes y peligrosos (coches que se saltan semáforos en rojo, peatones que se cruzan repentinamente en la carretera) que serían imposibles e inseguros de implementar en la realidad. Este ciclo continuo de experimentación con datos reales y experiencias simuladas permite al sistema gestionar una gama más amplia de escenarios con mayor fiabilidad a lo largo del tiempo.

La programación del vehículo va mucho más allá de seguir las normas de circulación estáticas. Se trata de desarrollar y perfeccionar un proceso capaz de responder inteligentemente a las complejidades del mundo real, utilizando un conjunto completo de sistemas (lidar, radar, cámaras y receptores de audio externos) para percibir el entorno dinámico y a los usuarios de la vía, predecir su comportamiento y planificar y navegar un trayecto de A a B en tiempo real. Gracias a los avances en los modelos de lenguaje amplio (LLM) y los modelos de visión-lenguaje (VLM), los modelos de IA de próxima generación de Waymo combinarán la experiencia de conducción de Waymo y los avances de la IA agencial específica para vehículos autónomos con el conocimiento del mundo y las capacidades de razonamiento de los LLM/VLM para crear modelos específicamente aplicables al contexto de la conducción.

Integrar ese nivel de agilidad directamente en las operaciones reales de una empresa requiere agentes de IA autónomos capaces de ejecutar, gestionar y adaptar flujos de trabajo completos. Esto supone un avance significativo con respecto a la simple automatización robótica de procesos (RPA), que normalmente se centra en tareas discretas y repetitivas. Los agentes de IA avanzados pueden coordinar procesos de varios pasos que requieren criterio profesional y gestionar las transferencias entre sistemas y personas. Al automatizar estas capas de coordinación, las empresas pueden reducir significativamente los costes de transacción que durante mucho tiempo han obstaculizado la agilidad empresarial y acelerar la adopción de procesos rediseñados desde cero para nuevas capacidades técnicas y comportamientos humanos.

Lejos de volver obsoletos a los humanos, estos modelos impulsados ​​por agentes elevan su contribución. A medida que la IA coordina y ejecuta flujos de trabajo complejos, los empleados se centran en roles nuevos y más valiosos. Si bien la IA puede mapear flujos de trabajo explícitos, no puede capturar todo el conocimiento contextual profundo y no escrito que poseen los empleados experimentados, como el conocimiento tácito de los trabajadores de BMW sobre la estética implícita del fabricante de automóviles. A medida que los procesos se automatizan y se adaptan cada vez más, los empleados se convierten en administradores de procesos que garantizan que las operaciones impulsadas por agentes se alineen con los estándares éticos, las obligaciones regulatorias y los objetivos estratégicos de la empresa.

...

Líderes del sector como ABB, BMW, Unilever y Waymo demuestran que la visión de una empresa en constante evolución e impulsada por agentes no es un futuro lejano, sino una realidad emergente. Para los ejecutivos, el objetivo ya no es gestionar cambios incrementales en el sentido tradicional y episódico, sino institucionalizar un ciclo continuo de rediseño de procesos desde cero. Esto requiere construir un sistema evolutivo donde la innovación de procesos se convierta en una capacidad organizativa fundamental, en lugar de una disrupción periódica. A medida que las máquinas se encargan de la coordinación, las organizaciones más exitosas rediseñarán los roles y potenciarán capacidades eminentemente humanas, como la resolución creativa de problemas, el juicio innovador, la supervisión ética y la dirección estratégica, para guiar los sistemas que, cada vez más, gestionan sus operaciones.

Cuando los procesos se vuelven transparentes, comprobables y adaptables, las empresas adquieren un ritmo operativo que evoluciona a medida que cambian las condiciones. Este cambio reduce los costos de transacción internos, acelera la innovación y alinea la creatividad humana con la precisión de las máquinas. El resultado es un nuevo tipo de organización diseñada para la reinvención constante y capaz de evolucionar sus procesos tan rápido como el mundo que la rodea.

Lea más sobre IA generativa o temas relacionados: IA y aprendizaje automático, tecnología y análisis, y estrategia competitiva.

Manish Sharma es el director de servicios de Accenture.

Lan Guan es director de inteligencia artificial en Accenture.

H. James Wilson es director general global de investigación tecnológica y liderazgo intelectual en Accenture Research. Es coautor, junto con Paul R. Daugherty, de Human + Machine: Reimagining Work in the Age of AI (Humano + Máquina: Reimaginando el trabajo en la era de la IA), edición nueva y ampliada (HBR Press, 2024). @hjameswilson