Orquestación de IA
AI Orchestration
¿Qué es la orquestación de IA?
- Coordinar varios modelos de IA, herramientas y datos en un mismo flujo
- Asignar la IA adecuada a cada paso
- La base de la automatización empresarial
Con la orquestación de IA cambia la unidad de adopción. Antes, la preocupación era «qué prompt usar»; ahora es «en cuántas etapas dividir este trabajo y a quién asignar cada una». La unidad de uso de la IA pasa de la pregunta al flujo de trabajo. Por eso también cambia el liderazgo: ya no se trata de que cada persona escriba buenos prompts, sino de que quienes conocen el procedimiento del trabajo se sienten en la mesa de diseño.
Hay dos formas básicas de coordinar. El tipo de canalización (pipeline) tiene una ruta fija, por ejemplo « búsqueda → resumen → generación de tabla → envío », así que el resultado es predecible y la auditoría es sencilla. El tipo agente deja que el LLM observe la situación y elija por sí mismo la siguiente herramienta; es flexible, pero con la misma entrada puede tomar caminos distintos, por lo que es difícil de verificar. Lo realista es fijar la mayor parte como canalización y entregar a un agente solo uno o dos pasos que requieren juicio. La asignación de modelos sigue el mismo principio: los pasos simples, como clasificar o extraer, se pasan a modelos pequeños (sLM) para reducir costo y latencia, y solo en los pasos donde la calidad se nota a simple vista, como la redacción final, se usa un modelo grande.
También hay que distinguirla de RPA y de la automatización tradicional de flujos de trabajo. RPA repite clics según pantallas y reglas definidas, mientras que la orquestación se distingue porque la etapa que interpreta entradas no estructuradas forma parte del centro del flujo. Mientras RAG o el ajuste fino son técnicas que mejoran el rendimiento de una sola etapa, la orquestación es el diseño de en qué orden se encadenan esas etapas y a dónde se devuelve el proceso si una falla.
El malentendido más común es creer que basta con instalar una herramienta para que el flujo funcione solo. Si la precisión de cada paso es del 90%, al encadenar cinco pasos el éxito total baja a 59%, y un número mal leído en una etapa anterior llega al cliente envuelto en una frase convincente en la siguiente. El error no desaparece: se acumula sin que se vea. Si no se guardan los registros de entrada y salida de cada paso, al detectar una cifra incorrecta justo antes de la aprobación no se sabe en qué etapa está el origen, y hay que volver a ejecutar todo desde cero. Definir de antemano dónde una persona revisa y corta el flujo es más importante que aumentar el porcentaje de automatización.
John KimAutor de «Diseño del marketing B2B» y CEO de Nanum Consultoría. Instructor.
Seolyeong ParkEspecialista en IA generativa y AX, con 17 años de experiencia práctica y más de 200 sesiones de enseñanza, que logra que personas sin formación técnica la usen de inmediatoEs un concepto que surgió de la necesidad de combinar varias IA y herramientas para automatizar tareas complejas, y se está consolidando junto con el avance de las herramientas de agentes y de flujos de trabajo.
Veamos un caso hipotético. Se trata de la empresa A, distribuidora de componentes industriales con 240 colaboradores. Las solicitudes de cotización que llegan por correo electrónico de sus clientes suman unas 180 al día, y el equipo de atención al cliente de 4 personas abría los archivos adjuntos, buscaba el código de producto, consultaba el inventario en el ERP y luego enviaba la cotización. El tiempo promedio de respuesta era de 6 horas; en temporada alta, una de cada tres solicitudes pasaba al día siguiente.
- El jefe del equipo de atención al cliente clasificó a mano 420 correos de tres semanas y elaboró una tabla: « 68% con código de producto claro, 22% solo con planos o fotos, y el resto requiere consulta ». Esa proporción fue el punto de partida para diseñar el flujo.
- El primer paso fue que un modelo pequeño separara los correos en tres categorías, mientras que la extracción del código de producto y la consulta de inventario en el ERP se fijaron a herramientas basadas en reglas. El jefe de sistemas de información lo resumió así: juicio mínimo, consulta determinista.
- Para los casos en que solo llegan planos o fotos, un modelo grande estima las especificaciones, pero si la confianza es baja, se detiene el envío automático y el caso pasa a la bandeja de revisión del responsable. En las primeras dos semanas, el 31 % de los casos se derivó a revisión.
- En el primer mes salieron 7 cotizaciones sin reflejar la revisión de la lista de precios, y el director comercial señaló: un número equivocado no es automatización, es un incidente. Por eso se añadieron a la etapa de consulta de precios una validación de la fecha de revisión y registros por paso.
- Tres meses después, el tiempo promedio de respuesta bajó de 6 horas a 40 minutos y la proporción de envíos automáticos llegó al 61%. Dos de los cuatro integrantes del equipo de atención al cliente pasaron a atender consultas de compras por volumen.