Hoja de Ruta para Impulsar Procesos a través de Tecnologías de Inteligencia Artificial
Resumen
Este artículo presenta una hoja de ruta práctica para evaluar e implementar soluciones de inteligencia artificial, específicamente mediante modelos gigantes de lenguaje, en procesos de negocio. El objetivo no es reemplazar sistemas existentes, sino complementarlos con capacidades que los doten de funcionalidad adicional. La metodología se basa en principios del diseño de procesos y de la ingeniería de software, y se estructura en las siguientes etapas: análisis del proceso de negocio, definición de requisitos funcionales, identificación de oportunidades para inteligencia artificial, y diseño e implementación de una prueba de concepto. Para el efecto, la hoja de ruta se desarrolla en torno al proceso de conciliación bancaria como ejemplo. El artículo concluye que es posible incorporar capacidades de inteligencia artificial en procesos reales de negocio. La clave está en identificar qué aspectos no pueden ser resueltos por reglas fijas y aprovechar la flexibilidad de los modelos gigantes de lenguaje para cubrir dichos vacíos.
Antecedentes
A pesar de las diversas clasificaciones de inteligencia artificial que destacan en textos científicos —donde se incluye el aprendizaje de máquina, el aprendizaje profundo, el aprendizaje reforzado, el procesamiento de lenguaje natural, la visión computacional, los sistemas expertos, la búsqueda por heurísticas y, finalmente, los algoritmos evolutivos—, el auge de los modelos gigantes de lenguaje en los últimos años, como resultado de una aplicación práctica de todas las áreas mencionadas, estableció una noción de lo que es la inteligencia artificial fuera de la academia y en la cotidianidad humana.
Esta noción, movida por las capacidades de razonamiento e inferencia que los modelos gigantes de lenguaje han demostrado, se ha vuelto tan ubicua que, al hablar de implementar inteligencia artificial en un proceso determinado dentro de una industria, la expectativa del resultado no es menor que dichas capacidades.
Con la tecnología lista y disponible al público en general, el reto recae entonces en cómo implementarla y en dónde, dentro de un abanico de procesos ya existentes. Ello incentiva la exploración de alternativas de aplicación, no solo para impulsar dichos procesos, sino también para crear nuevas líneas de aprovechamiento que, en última instancia, conduzcan a una mejora de negocio.
El presente artículo plantea una breve guía para implementar inteligencia artificial. Concretamente, desarrolla una línea de ruta para impulsar procesos a través del uso de modelos gigantes de lenguaje. El artículo se apoya en aspectos del diseño de procesos y de la ingeniería de software, tanto para identificar oportunidades que podrían beneficiarse del uso de inteligencia artificial, como para estructurar una prueba de concepto orientada a validar su aplicabilidad. Este ejercicio, a su vez, conduce a la identificación de requisitos de infraestructura y a la evaluación de alternativas tecnológicas disponibles.
Introducción
Para implementar inteligencia artificial a un proceso específico, es útil apoyarse en los sistemas o tecnologías que están en uso actualmente y que propician la ejecución total o parcial de dicho proceso. Estos sistemas conforman un indicador sobre oportunidades concretas donde la inteligencia artificial sería de utilidad.
Específicamente, los procesos son muchas veces atendidos por sistemas basados en reglas predefinidas, conocidos como sistemas expertos. Un sistema experto está construido sobre una colección de instrucciones imperativas que reflejan una pila de requisitos de negocio. Estas instrucciones son válidas mientras la pila de requisitos subyacente no cambie. Tan pronto como los requisitos de lógica de negocio cambien, las reglas programadas en el sistema deben actualizarse, y, por ende, producen una nueva versión del sistema experto.
No obstante, muchas veces la naturaleza de un requisito sobrepasa el alcance que las instrucciones del sistema experto son capaces de representar. Es decir, existe un límite en lo que el sistema experto puede realizar con respecto a los requisitos del negocio.
Este hecho revela un indicador de potencial aplicabilidad para implementar un componente de inteligencia artificial como parte del flujo que el sistema experto atiende. En otras palabras, aquello que un sistema experto no puede hacer constituye una oportunidad para explorar el uso de inteligencia artificial.
En un escenario totalmente distinto, ante la ausencia completa de un sistema experto para un proceso, la identificación de oportunidades para implementar inteligencia artificial resulta más difusa y representa un reto mayor. En el ejercicio de evaluar la aplicabilidad de inteligencia artificial, muchas veces se descubren aspectos que no requieren de las bondades que esta ofrece y, en realidad, se reducen a reglas específicas que eventualmente conformarían un sistema experto. Consecuentemente, en un escenario donde se busque analizar la aplicabilidad de inteligencia artificial a un proceso que aún no cuenta con un sistema experto, el primer paso consiste en concebir el sistema experto. Este último ejercicio recae específicamente en el diseño de procesos y no tiene relación directa con los factores determinantes de la inteligencia artificial.
En consecuencia, una guía concreta de aplicabilidad de la inteligencia artificial parte de la suposición de que existe un sistema experto que brinde soporte a un proceso. Sobre esta base, el análisis prosigue con la identificación de requisitos cuya naturaleza sobrepasa las capacidades del sistema. Desde este punto, los pasos a seguir corresponden a los clásicos de la ingeniería de software: diseñar una prueba de concepto, identificar los componentes de infraestructura que pondrían en marcha dicha prueba, implementar, e iterar. Durante la identificación de componentes de infraestructura, el análisis se enfoca en el aprovechamiento de modelos gigantes de lenguaje.
En tal sentido, al implementar inteligencia artificial, el objetivo principal no es, necesariamente, reemplazar por completo la tecnología ni los sistemas actuales que dan soporte al proceso, sino más bien desarrollar un puente que dote al sistema de la funcionalidad que le hace falta.
Sobre la base de este fundamento conceptual, el presente artículo desarrolla una hoja de ruta para la implementación de inteligencia artificial al proceso de conciliación bancaria, típico de la práctica contable y financiera.
Caso de Estudio
La práctica contable y financiera se centra en ofrecer servicios de contabilidad, tributación, tesorería, consultoría, entre otros. Estos servicios se ejecutan mediante una variedad de procesos que, a su vez, están soportados por una colección de sistemas expertos. De entre estos procesos, se adopta como caso de estudio el proceso de conciliación bancaria —parte del servicio de tesorería— para evaluar la aplicabilidad de la inteligencia artificial.
El desarrollo del caso inicia con una descripción breve de los fundamentos del proceso de conciliación bancaria, a partir de la cual se establecen los requisitos funcionales que lo conforman. A continuación, se caracteriza el estado del proceso en un escenario de práctica ficticio, pero típico. Posteriormente, se identifican aquellos requisitos que los sistemas expertos en dicha práctica no logran satisfacer y que, por tanto, representan una oportunidad concreta para la incorporación de componentes de inteligencia artificial. El caso concluye con una primera iteración en el diseño de una prueba de concepto y con la identificación de los componentes de infraestructura necesarios.
Fundamentos del Proceso de Conciliación Bancaria
El proceso de conciliación bancaria tiene como propósito verificar la correspondencia entre los movimientos registrados en los libros contables internos y aquellos reportados por las entidades financieras. Su objetivo principal es asegurar la consistencia de la información financiera y la detección de discrepancias.
Desde una perspectiva funcional, el proceso se estructura en torno a los siguientes requisitos:
- Recolección de información: Obtención de los estados de cuenta y de los registros contables internos correspondientes a un periodo contable determinado.
- Normalización de datos: Conversión de los archivos fuente a un formato común que permita su comparación estructurada, independientemente de su origen.
- Emparejamiento de transacciones: Identificación de coincidencias entre los asientos contables y los movimientos bancarios, con base en atributos como fecha, monto, número de transacción o concepto.
- Identificación de discrepancias: Detección de diferencias, transacciones no registradas, cargos duplicados o errores de digitación.
- Clasificación de casos: Agrupación de las discrepancias por tipo, naturaleza y causa probable.
- Registro de ajustes: Generación de propuestas contables para registrar ajustes, cuando corresponda, y mantener la concordancia entre ambas fuentes.
Estos requisitos funcionales constituyen el punto de partida para el diseño de un sistema experto dedicado, o bien sirven como referencia para comparar con un sistema ya existente y determinar las falencias donde un modelo de inteligencia artificial resultaría de utilidad.
Estado del Proceso en la Práctica
En la práctica operativa típica, el proceso de conciliación bancaria se ejecuta de forma periódica, en función de un calendario contable, y está compuesto principalmente por validaciones manuales.
El proceso inicia con la descarga de los estados de cuenta desde las plataformas digitales de las entidades financieras, así como con la recopilación de los registros contables correspondientes desde el módulo de tesorería de un sistema contable interno.
Esta información es posteriormente cargada en hojas de cálculo, como Microsoft Excel o herramientas similares, donde los registros se emparejan manualmente según número de referencia, coincidencias de valor y fecha, y comprobaciones de saldos. La intervención humana resulta indispensable principalmente debido a la presencia de casos de conciliación que requieren interpretación contextual, como por ejemplo:
- Transacciones agrupadas o divididas en diferentes fechas.
- Transacciones con descripciones ambiguas.
- Pagos parciales o recurrentes que no corresponden uno a uno con una transacción bancaria.
- Errores de digitación o formatos distintos entre sistemas.
Finalmente, las discrepancias encontradas son analizadas y se registran los asientos de ajuste correspondientes en el sistema contable, con el fin de garantizar la concordancia con los saldos reportados por las entidades financieras.
Análisis de Aplicabilidad de Inteligencia Artificial
La descripción de la ejecución del proceso en la práctica revela la ausencia de un sistema experto que automatice su operación. Notablemente, el sistema contable no constituye un sistema experto en el contexto del caso de estudio, pues ninguna de sus reglas o instrucciones imperativas está orientada a proporcionar la funcionalidad que el proceso de conciliación bancaria requiere. Consecuentemente, previo a analizar la aplicabilidad de inteligencia artificial al proceso, resulta necesario identificar aquellos aspectos funcionales que podrían ser representados mediante reglas fijas y que, por tanto, conformarían eventualmente un sistema experto dedicado.
Identificación de Reglas de un Sistema Experto
Con base en los requisitos funcionales del proceso general de conciliación bancaria, y con apoyo de profesionales del área de tesorería y de desarrollo de software, es posible inducir, a un nivel alto, las reglas imperativas que conformarían un sistema experto dedicado a dicho proceso. La tabla a continuación presenta los requisitos funcionales junto con una colección de reglas que un sistema experto podría implementar para satisfacerlos, así como un criterio de completitud que indica si dichas reglas permiten cubrir el requisito de forma total, parcial o nula.
| Requisito funcional | Reglas del sistema experto | Completitud | Comentario |
|---|---|---|---|
| Recolección de información | Conexiones con interfaces disponibles. | Parcial | La obtención de información depende de las interfaces que tanto los portales digitales de las entidades financieras como el sistema contable pongan a disposición. En el caso más extremo, no existen interfaces que faciliten la conexión automática, y la única opción disponible es la obtención de datos de manera manual. |
| Normalización de datos | Uso de expresiones regulares para estructurar y limpiar datos. | Parcial | Formatos de datos de diferentes fuentes reflejan distintos patrones de presentación de la información, y cada uno de ellos debe ser atendido de forma específica. En particular, los datos en formatos no estructurados, como imágenes o capturas de pantalla, no están soportados, y las expresiones regulares no resultan útiles para su procesamiento. |
| Emparejamiento de transacciones | Emparejamiento exacto entre montos y fechas. Comparación cruzada de números de referencia. | Parcial | Casos que requieren interpretación contextual no se resuelven con emparejamiento exacto y requieren intervención manual. |
| Identificación de discrepancias | Validación de saldos iniciales y finales por periodo. Comparación con transacciones esperadas. | Parcial | Permite informar sobre la existencia de discrepancias, pero no identifica cuáles son. Requiere intervención manual. |
| Clasificación de casos | Uso de heurísticas. | Parcial | El uso de heurísticas guía el proceso de identificación del contexto de un caso de conciliación, pero son propensas a generar ambigüedad. |
| Registro de ajustes | - | Nula | La generación de registros contables de ajuste es específica para cada caso de conciliación. |
Requisitos no Cubiertos y Oportunidades de Implementación de Inteligencia Artificial
El análisis de los requisitos funcionales del proceso junto con la categorización del grado de completitud de las reglas del sistema experto permiten identificar los requisitos no cubiertos, que revelan oportunidades concretas para incorporar un componente de inteligencia artificial. En particular, para cada uno de los requisitos surgen las siguientes oportunidades:
| Requisito funcional | Oportunidad de implementación de inteligencia artificial |
|---|---|
| Normalización de datos no estructurados | Aplicación de modelos de reconocimiento de texto para procesar información en formatos diversos, como descripciones textuales o capturas de pantalla. |
| Emparejamiento de transacciones | Uso de modelos de lenguaje para inferir relaciones entre registros bancarios y contables cuando no existe coincidencia exacta de atributos. |
| Identificación de discrepancias | Uso de modelos de vectorización para identificar similitudes y diferencias contextuales entre registros provenientes de las distintas fuentes. |
| Clasificación de casos | Uso de clasificadores entrenados con ejemplos históricos para categorizar discrepancias por tipo, causa o resolución recomendada. |
| Registro de ajustes | Empleo de modelos generativos que propongan registros contables preliminares a partir del contexto de la conciliación. |
Las oportunidades se concentran, principalmente, en aspectos que requieren interpretación contextual, reconocimiento de patrones no estructurados o razonamiento. Aunque estas oportunidades implican distintas áreas de la inteligencia artificial, muchas de ellas se abstraen mediante las capacidades que los modelos gigantes de lenguaje ofrecen en la actualidad. Concretamente, dichos modelos son capaces de adaptarse a la variabilidad semántica, gestionar datos ambiguos o incompletos y operar sobre estructuras de entrada en diversos formatos. En este sentido, la implementación de un componente de inteligencia artificial se enfoca particularmente en la incorporación de modelos gigantes de lenguaje para aprovechar las oportunidades identificadas.
Priorización de Oportunidades
Debido a que los modelos gigantes de lenguaje se prestan para ejecutar tareas a partir de una serie de instrucciones expresadas en lenguaje natural, en cualquier idioma, un primer abordaje tentativo de las oportunidades identificadas consistiría en elaborar una instrucción que las abarque en su totalidad y produzca el resultado esperado como una operación unificada. En el caso actual, dicho resultado corresponde a la identificación de discrepancias y la generación de registros contables de ajuste para la conciliación bancaria.
No obstante, estudios han demostrado que delimitar las instrucciones de entrada a una sola operación específica no solo incrementa la calidad y granularidad de los resultados, sino que también facilita la reproducibilidad de las instrucciones para nuevas instancias del proceso. Por consiguiente, de manera inicial, es necesario realizar una priorización de las oportunidades en función de requisitos reales de la lógica de negocio, los cuales se desprenden del análisis previo sobre la ejecución del proceso en la práctica. La priorización de oportunidades guía, seguidamente, la elaboración de instrucciones de entrada para el modelo gigante de lenguaje, adecuadamente enfocadas.
El ejercicio de priorización debe contar con el respaldo de expertos en el proceso y considerar criterios relevantes de la lógica del negocio. La tabla a continuación presenta una priorización aproximada de las oportunidades identificadas, junto con una justificación o consideraciones que se desprenden del análisis del proceso de conciliación bancaria en la práctica. La prioridad se asigna de forma tal que los valores más bajos corresponden a prioridades más altas.
| Requisito funcional | Oportunidad de implementación de inteligencia artificial | Prioridad | Justificación o consideraciones |
|---|---|---|---|
| Normalización de datos no estructurados | Aplicación de modelos de reconocimiento de texto para procesar información en formatos diversos, como descripciones textuales o capturas de pantalla. | 4 | En la práctica, los sistemas bancarios y el sistema contable producen archivos en formato CSV, por lo que la normalización corresponde únicamente a unificar los nombres de las columnas entre los distintos conjuntos de datos. |
| Emparejamiento de transacciones | Uso de modelos de lenguaje para inferir relaciones entre registros bancarios y contables cuando no existe coincidencia exacta de atributos. | 1 | Este paso permite resolver directamente la mayor parte de los casos que actualmente requieren intervención manual. |
| Identificación de discrepancias | Uso de modelos de vectorización para identificar similitudes y diferencias contextuales entre registros provenientes de las distintas fuentes. | 2 | Las discrepancias se deben, muchas veces, a contextos que no están expresados en los datos, por lo que el usuario responsable del proceso debe contactar personalmente a los actores involucrados en la transacción para obtener mayor información. |
| Clasificación de casos | Uso de clasificadores entrenados con ejemplos históricos para categorizar discrepancias por tipo, causa o resolución recomendada. | 2 | Las discrepancias son de naturaleza diversa y están fuertemente ligadas a la realidad específica en la que ocurre cada transacción. |
| Registro de ajustes | Empleo de modelos generativos que propongan registros contables preliminares a partir del contexto de la conciliación. | 3 | Requieren conocimiento contextual sobre lo que representan las cuentas afectadas en la conciliación. |
Esta priorización conduce a una aplicación ordenada del proceso de la ingeniería de software, que incluye el diseño de una prueba de concepto, la identificación de componentes de infraestructura y su posterior implementación. Este proceso se repite de forma iterativa, siguiendo el orden determinado por la priorización de cada oportunidad. El propósito del enfoque iterativo es producir, al culminar, una herramienta de software que no solo provea la funcionalidad demandada por los requisitos del proceso de negocio en cuestión, sino que se integre al resto de procesos del núcleo del negocio, y así constituya efectivamente el puente que los dota de las funcionalidades faltantes.
A lo largo de este desarrollo iterativo, suelen emerger aspectos que no necesariamente resultan evidentes durante las etapas tempranas. No obstante, si bien las pruebas de concepto permiten intuir cómo se verá el resultado final y podrían, en algún punto, entregar prematuramente un prototipo funcional sin necesidad de construir una herramienta de software completa a su alrededor, el enfoque en el desarrollo de la herramienta se mantiene como propósito principal. Esto garantiza tanto la reproducibilidad como el cumplimiento del objetivo fundamental: incorporar las funcionalidades dentro de los procesos de negocio y no tratarlas como soluciones aisladas.
En lo que sigue, se desarrolla únicamente una iteración del proceso de la ingeniería de software, atendiendo a la primera de las oportunidades identificadas según la priorización establecida: el uso de modelos de lenguaje para inferir relaciones entre registros bancarios y contables cuando no existe coincidencia exacta de atributos.
Diseño de Prueba de Concepto
Una prueba de concepto se desarrolla principalmente sobre la base de los componentes disponibles, y se simulan —mediante mocks— aquellos elementos que no están presentes pero resultan necesarios para su funcionamiento. En este caso, la prueba de concepto se enfoca en concebir una herramienta de software que aproveche un modelo gigante de lenguaje para inferir relaciones entre registros bancarios y contables, incluso cuando no existe coincidencia exacta entre atributos clave como fechas, montos o descripciones. La prueba se desglosa en entradas, procesamiento, salidas esperadas y consideraciones.
Nota: Las siguientes descripciones representan un ejemplo de alto nivel y no exhaustivo de los componentes que conforman la herramienta. Tienen un propósito didáctico y omiten numerosos detalles funcionales y no funcionales que deben abordarse en un caso real.
Entradas
Por parte del usuario, la herramienta de software recibe los siguientes insumos:
- Un conjunto de registros contables, provenientes del sistema contable, en formato tabular, con atributos como fecha, monto, concepto, cuenta asociada y número de comprobante.
- Un conjunto correspondiente de movimientos bancarios, provenientes de los sistemas de las entidades financieras, también en formato tabular, con atributos como fecha de transacción, monto, número de referencia, descripción y saldo resultante.
- Información de contexto relevante para el análisis.
Dentro de la programación interna de la herramienta, se consideran los siguientes elementos:
- Una instrucción en lenguaje natural, expresada en español o inglés, que define la tarea específica de emparejar registros contables con movimientos bancarios con base en criterios de similitud contextual.
Procesamiento
La herramienta ejecuta la funcionalidad destinada a identificar relaciones entre registros bancarios y contables:
- Ejecución del modelo gigante de lenguaje utilizando la instrucción en lenguaje natural, junto con la información tabular y contextual proporcionada.
- La instrucción define explícitamente la estructura esperada de la salida.
Salidas esperadas
El modelo gigante de lenguaje devuelve a la herramienta una respuesta que incluye:
- Una tabla que vincula cada asiento contable con un movimiento bancario, incluyendo observaciones sobre el grado de correspondencia contextual.
- Casos no emparejados, identificados como posibles discrepancias.
Consideraciones
- La prueba de concepto puede implementarse en un entorno controlado (por ejemplo, un cuaderno de Jupyter o un servicio con acceso a una API de modelo de lenguaje).
- Se simulan (mediante mocks) las interfaces de entrada y salida que, en un entorno de producción, corresponderían a conectores automatizados entre la herramienta y el sistema contable.
Identificación de Componentes de Infraestructura
El diseño de la prueba de concepto revela los componentes de infraestructura mínimos que propician su ejecución en condiciones controladas y reproducibles. En esta primera iteración, la prueba se apoya en una arquitectura simple, orientada a la experimentación y al refinamiento de los resultados. A continuación, se describen los componentes clave de infraestructura:
- Interfaz de usuario: Un entorno de interacción desde el cual el usuario pueda cargar los registros contables y estados de cuenta, proporcionar instrucciones específicas y visualizar los resultados. Esta interfaz puede ser implementada en una aplicación de escritorio simple, una hoja de cálculo enriquecida o una interfaz web de propósito limitado.
- Motor de procesamiento: Componente responsable de coordinar el flujo de ejecución, validar las entradas, construir las instrucciones para el modelo de lenguaje y formatear las salidas. Este módulo actúa como orquestador entre los datos de entrada, el modelo de lenguaje y la presentación de resultados.
- Conector con el modelo de lenguaje: Módulo que encapsula el acceso al modelo gigante de lenguaje (como GPT, Gemini o similares), envía las instrucciones y recibe respuestas.
- Almacenamiento: Espacio donde se almacenan los archivos cargados por el usuario, las respuestas del modelo y cualquier información contextual intermedia.
- Alojamiento: Espacio local o en la nube que pone la herramienta a disposición de los usuarios finales. Según los requisitos del negocio, la herramienta podría requerir portales de autenticación e inicio de sesión.
Implementación
Los componentes establecidos conforman una base sobre la cual se desarrolla y pone en marcha no solo la prueba de concepto en la iteración actual, sino también las futuras iteraciones. Concretamente, estas futuras iteraciones pueden centrarse en las oportunidades restantes de implementación de inteligencia artificial, que derivarían en nuevos requisitos de infraestructura, como conectores que faciliten la transferencia de los resultados hacia el sistema contable.
Evaluación Final
Este proceso se repite hasta alcanzar una solución mínimamente aceptable según la lógica de negocio, o, en su defecto, hasta que se determine que el beneficio de la solución no satisface las expectativas o necesidades del negocio, incluso cuando se trata de una propuesta impulsada por inteligencia artificial. En tal caso, la solución debe ser replanteada, o bien podrían explorarse otras áreas dentro de los procesos de negocio. De esta manera, se logra evaluar la aplicabilidad de una solución basada en inteligencia artificial a un proceso específico del negocio.
Conclusión
El presente artículo desarrolló una hoja de ruta para impulsar procesos de negocio a través del uso de modelos gigantes de lenguaje. En favor de la reproducibilidad y de la integración de la inteligencia artificial en los procesos actuales, la hoja de ruta se apoya en principios del diseño de procesos y de la ingeniería de software. Concretamente, la hoja de ruta inicia con un análisis general de los procesos actuales, seguido por una revisión de los sistemas expertos que se encuentran en uso y que dan soporte a dichos procesos. A continuación, se identifican los requisitos funcionales que sobrepasan las capacidades de los sistemas existentes, los cuales representan oportunidades concretas para implementar inteligencia artificial. Estas oportunidades se priorizan en función de criterios determinados por la lógica del negocio, para posteriormente plantear una prueba de concepto, determinar los componentes de infraestructura necesarios e iterar hasta alcanzar una solución mínimamente viable o, en su defecto, determinar que el beneficio obtenido no satisface las expectativas del negocio.
Para el efecto, la hoja de ruta planteó como ejemplo la implementación de modelos gigantes de lenguaje en el proceso de conciliación bancaria. A lo largo del desarrollo del ejemplo, se identificaron actores imprescindibles, como expertos en los procesos del negocio, así como especialistas en ingeniería de software.
Este artículo no pretende ser exhaustivo ni revelar una verdad absoluta, sino que busca contribuir como una guía inicial para navegar en un mercado altamente competitivo, en el que la barrera de entrada para la adopción de inteligencia artificial con fines comerciales se ha reducido significativamente y está al alcance de todo tipo de negocios.