Enseñe a la IA a trabajar como un miembro más de su equipo

por Rohan Narayana Murty, George Nychis, Ravi Kumar, Hemanth YamijalaEntorno e Innovación

Si su estrategia de IA depende únicamente de soluciones estándar, corre el riesgo de perderse una verdadera transformación.

n una empresa minorista de la lista Fortune 500, la dirección proporcionó a un equipo responsable de redactar contratos de negociación con proveedores una herramienta de IA diseñada para agilizar su trabajo. Impulsada por un modelo de lenguaje de gran tamaño (LLM, por sus siglas en inglés) ampliamente utilizado, la dirección esperaba que la herramienta acelerara el trabajo del equipo. Sin embargo, a pesar de las altas expectativas, la producción del equipo no cambió. Aunque la herramienta podía generar texto genérico (por ejemplo, un borrador inicial de un contrato), el equipo tenía que personalizar ese texto para cada proveedor.

Esta historia refleja un patrón de cómo las herramientas de IA no cumplen con sus promesas. En una encuesta reciente que realizamos a 30 empresas de diversos sectores, los encuestados informaron que las herramientas genéricas de IA a menudo no ayudan a los usuarios a completar las tareas específicas requeridas en flujos de trabajo únicos, porque son genéricas.

Esta brecha entre las capacidades genéricas de la IA y las necesidades específicas y cambiantes de los equipos apunta a un desafío más profundo: las herramientas actuales no están diseñadas para comprender cómo se realiza realmente el trabajo. En este artículo, ofrecemos dos conceptos clave que pueden ayudar a cerrar esa brecha: los “gráficos de trabajo” (mapas digitales de cómo trabajan los equipos) y la “localización mecanicista inversa” (adaptación de los modelos de IA a los equipos). Estas ideas ayudan a explicar por qué la IA tradicional a menudo se queda corta y cómo las organizaciones pueden diseñar sistemas de IA que se adapten a flujos de trabajo, usuarios y contextos reales.

Por qué la herramienta de IA no creaba valor

Considere este problema en el contexto de un proceso particular ejecutado por el equipo de contratos. Tradicionalmente, al redactar un nuevo contrato para un proveedor, el equipo:

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

— Revisaba las cotizaciones del proveedor y los términos de negociación de proveedores similares (o relacionados).

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

Cuando el equipo de contratos adoptó por primera vez la herramienta de IA, su proceso comenzaba generando un contrato básico y genérico. A partir de ahí, dedicaban una cantidad considerable de tiempo a perfeccionarlo manualmente. Los resultados de la herramienta de IA se basaban en gran medida en contenidos públicos de Internet y carecían de los matices y el contexto específicos necesarios para sus contratos. Aunque el equipo consideró que la herramienta de IA era interesante, le resultaba difícil ver un impacto real en términos de reducción de esfuerzo.

Este es un ejemplo de la “paradoja de la productividad” de la IA en acción: una tecnología increíble que, sin una profunda adaptación contextual, no se traduce en mejoras tangibles de productividad.

Los modelos de IA potentes destacan porque están entrenados con grandes conjuntos de datos genéricos, pero su universalidad es un arma de doble filo. Si bien estos modelos pueden realizar una amplia gama de tareas, a menudo pasan por alto el contexto único de flujos de trabajo específicos y las necesidades particulares de los equipos, lo que lleva a una pérdida de ganancias en productividad.

El contexto lo es todo

Mientras la empresa experimentaba con esta IA, también trabajaba en lo que se convertiría en una solución a ese problema del contexto mediante la implementación de herramientas para mapear sus procesos y crear un gráfico de trabajo: una vista dinámica en tiempo real de cómo los equipos ejecutan sus flujos de trabajo en todos los sistemas. Estos mapas capturaban más que solo tareas: revelaban cómo se tomaban las decisiones, qué datos se consultaban y qué sistemas estaban involucrados.

Y aquí es donde surgió la verdadera oportunidad: el gráfico de trabajo (que incluía dos meses de actividad verificada y rica en contexto) podía utilizarse para entrenar la herramienta de IA. Debido a que capturó todo lo que el equipo consideraba importante, proporcionó a la herramienta de IA un contexto en tiempo real validado por humanos, lo que permitió que la herramienta comenzara a trabajar de una manera alineada con cómo realmente trabajaba el equipo. Con esta información, la herramienta de IA fue capaz de producir un primer borrador significativamente más completo, reduciendo iteraciones y acelerando el camino hacia un contrato final y utilizable.

Sin embargo, para que esto funcionara se requería algo más que los datos correctos: exigía el enfoque correcto. Mientras que la automatización tradicional a menudo busca reemplazar el trabajo humano, el objetivo aquí era personalizar la IA para que trabajara mejor para los equipos, reflejando cómo operan. Para lograrlo, aplicamos un enfoque llamado “localización mecanicista inversa” (RML, por sus siglas en inglés). Para entender cómo funciona una IA, lo habitual es aplicarle ingeniería inversa desde una perspectiva humana. La RML le da la vuelta a esa idea: aplica ingeniería inversa a la forma en que trabajan los humanos, analizando en profundidad los flujos de trabajo, las decisiones y el contexto reales de un equipo, y lo usa para adaptar la IA para servir mejor al equipo.

Los siguientes pasos estuvieron involucrados en la implementación de la RML para el equipo de contratos.

1. Mapear el gráfico de trabajo.

Comenzamos capturando cada paso e interacción humano-máquina que los miembros del equipo de contratos realizaban en su trabajo: cómo recuperaban información sobre un proveedor, cómo realizaban verificaciones cruzadas, cómo integraban manualmente diversas fuentes de datos en archivos de Excel, etc. Estos datos granulares y de alta fidelidad son la esencia del contexto local de un equipo.

Estos datos, en todas las organizaciones, proporcionan los detalles específicos de cómo trabaja realmente un equipo. Cuando este rico tapiz se introduce en la herramienta de IA, le permite transformar un modelo genérico en una herramienta altamente especializada que comprende el lenguaje local del trabajo.

2. Ajustar el gráfico de trabajo.

Una vez que mapeamos el gráfico de trabajo del equipo de contratos, utilizamos sus conocimientos detallados como contexto y lo usamos para ajustar el modelo que impulsa la herramienta de IA. Eso requería alimentar al modelo (bajo la herramienta de IA) con patrones de trabajo y datos (por ejemplo, información de proveedores). Este es el paso clave: integrar el contexto local de un equipo en la herramienta de IA. Al integrar los patrones de trabajo específicos y las señales contextuales de las operaciones diarias del equipo, la herramienta de IA genera un primer borrador del contrato que incluye varios detalles del proveedor, los matices en torno a sus calificaciones crediticias, etc.

3. Perfeccionamiento continuo.

Las organizaciones evolucionan continuamente. Los procesos cambian, se introducen nuevas tecnologías y las situaciones y prioridades se transforman. Por lo tanto, las empresas deben actualizar continuamente el gráfico de trabajo e introducir los patrones emergentes en el modelo para mantener actualizadas las herramientas de IA.

Este tipo de retroalimentación, llamada “aprendizaje por refuerzo con retroalimentación humana” (RLHF, por sus siglas en inglés), se utiliza para ajustar y perfeccionar el modelo dentro de la herramienta de IA. Como resultado, la herramienta de IA continúa adaptándose a las necesidades del equipo, asegurando una alta precisión sostenida a lo largo del tiempo.

¿Qué pueden hacer los CXOs?

Los directores de experiencia del cliente (CXO, por sus siglas en inglés) deben reconocer que la IA no es una tecnología de “implementar y olvidar”. En cambio, su valor se desbloquea cuando el sistema está alineado con los patrones de trabajo específicos y los procesos de toma de decisiones de la organización.

Al invertir en un enfoque personalizado, las empresas pueden reducir significativamente las tasas de error, recortar los costos operativos y, en última instancia, lograr un ROI mucho mayor en sus iniciativas de IA. En el panorama competitivo actual, descuidar la integración de esta capa de conocimiento contextual significa dejar el dinero, y la ventaja estratégica, sobre la mesa.

En resumen, si su estrategia de IA depende únicamente de soluciones estándar, corre el riesgo de perderse una transformación que impulse una verdadera productividad y reducción de riesgos. Por lo tanto, una estrategia de IA completa debe incluir un perfeccionamiento continuo mediante conocimientos localizados para garantizar que las inversiones en tecnología aporten valor inmediato y a largo plazo.

Artículo en inglés

At a Fortune 500 retail company, the leadership provided a team responsible for drafting supplier negotiation contracts with an AI tool meant to streamline their work. Powered by a widely used large language model (LLM), the leadership expected that the tool would speed up the team’s work. Despite high expectations, however, the team’s output didn’t change. Although the tool could generate generic text — for example, a rough draft of a contract — the team had to then customize that text for each supplier.

This story reflects a pattern of how AI tools fail to live up to their promises. In a recent survey we conducted of 30 companies across industries, respondents reported that generic AI tools often fail to help users complete the specific tasks required in unique workflows because they are generic.

This gap between generic AI capabilities and the specific, evolving needs of teams points to a deeper challenge: Today’s tools aren’t built to understand how work actually gets done. In this piece, we offer two key concepts that can help bridge that gap: work graphs (digital maps of how teams work) and reverse mechanistic localization (tailoring AI models to teams). These ideas help explain why traditional AI often falls short and how organizations can design AI systems that adapt to real workflows, real users and real context.

WHY THE AI TOOL WASN’T CREATING VALUE

Consider this problem in the context of a particular process executed by the contracts team. Traditionally, when drafting a new contract for a supplier, the team would:

Log into multiple systems

Retrieve, analyze and vet supplier details

Review quotes from the supplier and negotiation terms from similar (or related) suppliers

Examine any relevant order history from the supplier

Manually draft a contract incorporating all these elements

When the contracts team first adopted the AI tool, their process began with generating a basic, boilerplate contract. From there, they spent considerable time manually refining it. The AI tool’s output was based largely on publicly available content from the internet and lacked the nuanced, context-specific insights needed for their contracts. While the team found the AI tool interesting, they struggled to see real impact in terms of effort reduction.

This is an example of AI’s “productivity paradox” in action: incredible technology that, without deep contextual adaptation, fails to translate into tangible productivity improvements.

Powerful AI models excel because they are trained on vast, generic data sets — but their universality is a double-edged sword. While these models can perform a wide range of tasks, they often miss the unique context of specific workflows and team requirements, which leads to missed productivity gains.

CONTEXT IS EVERYTHING

While the company was experimenting with this AI, it was also working on what would become a solution to that context problem by deploying tools to map its processes and create a “work graph”: a real-time, dynamic view of how teams execute workflows across systems. These maps captured more than just tasks — they revealed how decisions were made, what data was referenced and which systems were involved.

And here’s where the real opportunity emerged: The work graph — which included two months of activity that was vetted and context-rich — could then be used to train the AI tool. Because it captured everything the team deemed important, it provided the AI tool with real-time, human-validated context, which enabled the tool begin working in a way that aligned with how the team actually worked. With this input, the AI tool was able to produce a significantly more complete first draft, reducing iterations and accelerating the path to a final, usable contract.

Making this work, however, required more than the right data — it demanded the right approach. While traditional automation often aims to replace human work, the goal here was to customize AI to work better for teams by reflecting how they operate. To do this, we applied an approached called reverse mechanistic localization (RML). To understand how an AI works, it’s common is to reverse engineer it from a human perspective. RML flips that idea on its head: It reverse-engineers how humans work — deeply analyzing a team’s real workflows, decisions and context — and uses that to tailor the AI to better serve the team.

The following steps were involved in implementing RML for the contracts team.

1. MAPPING THE WORK GRAPH.

We started by capturing each step and human-machine interaction that members of the contracts team took in doing their work: how they retrieved information about a supplier, how they performed cross-checks, how they manually integrated diverse sources of data into excel files. This granular, high-fidelity data is the essence of a team’s local context.

This data, in all organizations, provides the granular specifics of how a team really works. When this rich tapestry is fed into the AI tool, it allows you to transform a generic model into a highly specialized tool that understands the local language of work.

2. FINE-TUNING WITH THE WORK GRAPH.

Once we mapped the contracts team’s work graph, we used its detailed insights as context and use it to fine-tune the model powering the AI tool. That required feeding the model (beneath the AI tool) work patterns and data (e.g. supplier information). This is the key step — integrating the local context of a team into the AI tool. By integrating the specific work patterns and contextual cues from the team’s daily operations, the AI tool generates a first draft of the contract that includes several details of the supplier, the nuances around their credit ratings, etc.

3. CONTINUOUS REFINEMENT.

Organizations continuously evolve. Processes change, new technologies are brought in and situations and priorities shift. As such, companies need to continuously update the work graph and feed emerging patterns back into the model to keep AI tools up to date.

This kind of feedback, called reinforcement learning with human feedback (RLHF), is used to further fine-tune and refine the model in the AI tool. As a result, the AI tool continues to adapt to the team’s needs, ensuring sustained high accuracy over time.

WHAT CAN CXOS DO?

CXOs must recognize that AI is not a “set it and forget it” technology. Instead, its value is unlocked when the system is aligned with the specific work patterns and decision-making processes of the organization.

By investing in a tailored approach, companies can significantly reduce error rates, cut operational costs and ultimately achieve a much higher ROI from their AI initiatives. In today’s competitive landscape, neglecting to integrate this layer of contextual insight means leaving money — and strategic advantage — on the table.

In short, if your AI strategy relies solely on off-the-shelf solutions, you risk missing out on a transformation that drives true productivity and risk reduction. A complete AI strategy, therefore, must include continuous refinement through localized insights to ensure that technology investments deliver both immediate and long-term value.