¿Qué es un centro de excelencia (COE) de IA?

Un centro de excelencia (COE) de IA es un equipo centralizado y multifuncional diseñado para llevar las iniciativas de inteligencia artificial de la fase experimental a una producción escalable. Al cerrar la brecha entre la innovación pura y la fiabilidad empresarial, el centro de IA garantiza que la inteligencia artificial se convierta en una competencia central que impulse un valor empresarial medible.

¿Qué es un centro de excelencia de IA (COE de IA)?

Un COE de IA es un equipo centralizado y multifuncional encargado de definir la estrategia de IA, establecer marcos de gobernanza y fijar los estándares técnicos necesarios para llevar los proyectos de IA de pruebas piloto a la producción de nivel empresarial. Este centro de IA funciona como el vínculo esencial entre los objetivos empresariales y la ejecución técnica, lo que garantiza que la adopción de IA de modelos de lenguaje extenso (LLM) y de IA con agentes siga siendo segura, medible y escalable a nivel empresarial.

El centro de IA es fundamental porque la mayoría de las empresas no tienen un problema de IA, sino un problema de gobernanza de IA: no existe un equipo centralizado que determine cómo se evalúa, aprueba o mide el uso de la IA. Cada equipo está resolviendo la situación por su cuenta, lo que significa que cada equipo está asumiendo riesgos de forma independiente. Y cuando no existe una capa de ejecución unificada que conecte las piezas, la brecha se amplía.

Un COE de IA es el equipo que cierra esa brecha y permite que los esfuerzos de IA vayan más allá de los simples bots de charla para llegar a flujos de trabajo con agentes orquestados que interactúan con sistemas de registro como las plataformas de planificación de recursos empresariales (ERP), la administración de las relaciones con los clientes (CRM) y el sistema de información de recursos humanos (HRIS).

La automatización de procesos con agentes (APA) le brinda al COE de IA los medios para cerrar la brecha entre el establecimiento de normas y su aplicación, lo que permite que los modelos de IA, los bots de automatización robótica de procesos (RPA), los participantes humanos y los sistemas de registro operen juntos bajo un cumplimiento normativo consistente.

Los beneficios empresariales de un centro de excelencia de IA: evolución hacia la era con agentes

La mayoría de las empresas no crean un COE de IA en un vacío; evolucionan a partir de una base de automatización ya consolidada. Los programas existentes de automatización robótica de procesos (RPA) proporcionan los marcos de gobernanza fundamentales, las arquitecturas de integración y las bibliotecas de componentes reutilizables que evitan que un centro de IA se convierta en una colección de experimentos aislados.

Esta evolución está impulsada por el “techo de automatización”, donde la lógica determinista basada en reglas alcanza su límite al enfrentarse a datos no estructurados o procesos que requieren criterio.

La creación de un COE de IA permite que la organización trascienda estos límites, ya que actúa como multiplicador estratégico de valor en lugar de sustituir las funciones existentes. Al centralizar los conocimientos especializados en IA, los líderes empresariales logran una rápida generación de valor, una mayor calidad en la toma de decisiones y una reducción significativa de los riesgos asociados a una adopción descoordinada de la IA.

La transición potencia las inversiones existentes: donde la RPA proporciona las “manos” para la ejecución, la inteligencia artificial proporciona el “cerebro” para el razonamiento. Una biblioteca consolidada de bots y API se convierte en la capa de ejecución que los agentes de IA orquestan para realizar trabajos complejos y entre sistemas.

Comparación entre los marcos de COE de automatización y con agentes

La siguiente tabla ilustra cómo se amplía el mandato de un centro de excelencia a medida que pasa de dirigir tareas deterministas a gestionar iniciativas de IA con agentes probabilísticos.

Cómo se amplía el mandato del COE con la IA con agentes

Al evolucionar hacia un centro de IA centralizado, las organizaciones pueden asegurarse de que sus capacidades de IA no solo sean innovadoras, sino también fiables y alineadas con los objetivos empresariales. Este cambio es fundamental para una adopción exitosa de la IA en las todas unidades de negocio, ya que aprovecha los años de experiencia en integración dentro del COE de automatización para garantizar que los nuevos agentes de IA puedan acceder a los sistemas de registro que impulsan el negocio, leerlos y actuar en consecuencia.

Además, el COE de IA proporciona la infraestructura para la mejora continua. A medida que los modelos de IA aprenden a partir de los datos de ejecución proporcionados por la capa de APA, el COE puede perfeccionar la estrategia de IA en tiempo real. Esto crea un círculo virtuoso en el que el valor empresarial de las iniciativas de IA se multiplica con el tiempo, lo que permite a la organización pasar de pruebas de concepto aisladas a soluciones de IA a escala empresarial.

Los 5 pilares del COE de IA

Para evitar la trampa de los “guardianes”, el centro de IA debe ofrecer una plataforma que haga del cumplimiento normativo la opción más sencilla. Al combinar la estrategia de IA con los aspectos operativos, definimos los cinco pilares de un COE de IA exitoso.

1. Marcos de estrategia y establecimiento de prioridades

El COE de IA es responsable de gestionar la rápida incorporación de herramientas de IA generativa y aplicaciones de IA, lo que garantiza que estas soluciones respalden iniciativas de IA más amplias y generen valor empresarial a largo plazo. Los líderes empresariales deben ir más allá del modelo de selección basado en el orden de llegada y utilizar una matriz de valor frente a riesgo para priorizar las iniciativas de IA que se ajusten a los objetivos empresariales a largo plazo.

• Casos de uso de alto valor: céntrese en la orquestación entre departamentos (p. ej., la tramitación integral de reclamos) en lugar de en herramientas de productividad aisladas.
• Evaluación de viabilidad: el COE determina si un problema requiere un agente de IA, un bot tradicional o simplemente una mejor integración de API.
• Alineación: asegúrese de que cada iniciativa de IA esté alineada con un indicador clave de rendimiento (KPI) específico, como las tasas de “acierto a la primera” (FTR) o la reducción en el tiempo de ciclo.

2. Gobernanza integrada y barreras de protección con agentes

El uso efectivo de la IA requiere límites concretos. En lo que respecta a las decisiones financieras, un agente puede aprobar de forma autónoma los reembolsos inferiores a USD 500, pero debe remitir a un gerente las decisiones que oscilen entre USD 500 y USD 2000. El COE de IA establece protocolos para el uso ético de la IA con el fin de garantizar que su implementación no prescinda de la supervisión humana en situaciones de alto riesgo.
 

• Umbrales de autonomía: definición de límites monetarios y de riesgo. Por ejemplo, un agente puede aprobar de forma autónoma un reembolso de USD 500, pero debe remitir un reclamo de USD 2000 a una persona. Esto depende de que la gobernanza esté integrada en el funcionamiento del sistema de IA, de modo que las políticas formen parte inseparable del trabajo.
• Transparencia del razonamiento: implementación del registro de “cadena de pensamiento” para que cada decisión que tome una IA sea auditable.
• Supervisión de alucinaciones: establecimiento de protocolos automatizados de “equipo rojo” para realizar pruebas de resistencia a los modelos antes de su implementación.

3. Arquitectura unificada y LLMOps

El COE de IA aplica una gestión de datos adecuada para garantizar que la información esté “lista para su uso por parte de los agentes”. Esta experiencia en IA permite una generación aumentada por recuperación (RAG) precisa. El COE de IA es responsable de la arquitectura de referencia, lo que incluye la selección de la capa de orquestación para las operaciones de modelo de lenguaje extenso (LLMOps).

• Orquestación: uso de APA para coordinar entre diferentes modelos (p. ej., GPT-4o para razonamiento y Llama 3 para tareas específicas de extracción).
• Integración de datos: garantizar que los agentes tengan “acceso con privilegios mínimos” a los sistemas mediante conectores seguros, para evitar la filtración de datos.
• Administración del ciclo de vida útil del modelo: supervisión de la “deriva del modelo”, es decir, la situación en la que el rendimiento de un agente se deteriora a medida que cambia el entorno de datos subyacente.

La capa de preparación de datos: garantizar entradas de alta señal para los modelos de IA

Una responsabilidad central del COE de IA es garantizar el cumplimiento de las prácticas de gestión de datos que aseguren que la información sea de alta calidad y esté “lista para su uso por parte de los agentes”. En la era del aprendizaje automático y los modelos de lenguaje extenso, el antiguo paradigma de “datos a gran escala” ha evolucionado hacia el “contexto inteligente”. Para que un agente tome una decisión fiable, necesita datos de alta calidad en tiempo real.

El centro de excelencia de IA supervisa la transición de bases de datos estáticas a bases de datos vectoriales que admiten la generación aumentada por recuperación (RAG). Esta arquitectura permite que un sistema de IA “base” su razonamiento en los datos empresariales más recientes sin necesidad de un reentrenamiento constante.

Los científicos y los ingenieros de datos del COE deben colaborar para crear flujos de datos que garanticen la coherencia semántica. Si el concepto de “datos de clientes” se define de forma diferente en el CRM y en el ERP, los modelos de IA generarán razonamientos incoherentes. Al proteger la capa de datos, el COE de IA permite una expansión más rápida de las iniciativas de IA en todas las unidades de negocio a nivel mundial.

4. Habilitación mediante “módulos” reutilizables

El COE de IA impulsa el crecimiento de la organización al funcionar como un motor de habilitación. Mediante la creación de un núcleo de conocimientos centralizado, el centro facilita el intercambio de conocimientos y el desarrollo del talento.

• Plantillas de indicadores predefinidos: indicadores preaprobados que incluyen instrucciones de seguridad integradas.
• Modelos de agentes: “personajes” preconfigurados (por ejemplo, un “agente de clasificación de casos de servicio de atención al cliente”) que las unidades de negocio pueden personalizar.
• Patrones de orquestación de flujos de trabajo: métodos estandarizados para que los agentes interactúen con los sistemas heredados.

Las plantillas de indicadores cambian a medida que evoluciona el comportamiento del modelo. Los modelos de agentes deben contar con un sistema de control de versiones a medida que maduran los patrones de orquestación. Cuando docenas de equipos trabajan sobre una base común, las políticas de obsolescencia no son opcionales.

5. Medición y retroalimentación continua

El retorno de la inversión (ROI) tradicional es insuficiente para los proyectos de IA. El COE Manager de IA realiza un seguimiento de las iniciativas de IA mediante ciclos de mejora continua:

• Calidad de las decisiones: el índice de precisión de las decisiones de los agentes en comparación con los valores de referencia humanos.
• Frecuencia de la intervención humana (HITL): con qué frecuencia un agente requiere intervención manual.
• Eficiencia de los tókenes: gestión de la relación entre el costo y el valor de la inferencia de modelos.

Por qué la APA es la capa tecnológica más importante

Para un COE de IA, el razonamiento es inútil sin la capacidad de “actuar”. La automatización de procesos con agentes (APA) de una empresa líder en APA sirve como la capa de ejecución para el COE de IA, ya que convierte los conocimientos probabilísticos en acciones deterministas.

Ejecución entre aplicaciones

La adopción de la IA a menudo fracasa porque las iniciativas de IA no pueden interactuar con los sistemas heredados. Pensemos en un agente de la cadena de suministro: tiene que leer datos de un sistema de ERP, comprobar el inventario y actualizar una herramienta de logística. La APA proporciona el “tejido conectivo” que permite que las capacidades de IA conecten estos silos y, con una plataforma de agentes de IA para crear agentes basados en objetivos, ofrecer soluciones de IA a escala en todo el centro de IA.

Gobernanza del tiempo de ejecución

La APA y la IA responsable integran la gobernanza en los flujos de trabajo con agentes. En lugar de realizar auditorías tras los hechos, el COE de IA establece mecanismos de activación en tiempo real para la protección de datos (enmascarando la información de identificación personal [PII] antes de que llegue a los modelos de IA) y la aplicación de políticas, lo que evita problemas de cumplimiento normativo durante la ejecución. Esto es fundamental para el uso ético de la IA y la gestión adecuada de datos dentro de todas las aplicaciones de IA.

Casos de uso del COE de IA con agentes específicos de la industria: más allá de la simple automatización

Aunque las iniciativas iniciales en materia de IA suelen centrarse en la productividad en general, el verdadero valor de un COE de IA se pone de manifiesto cuando aborda las complejidades específicas de cada sector.

Al aprovechar la APA, el COE de IA puede orquestar flujos de trabajo que requieren razonamiento probabilístico en diferentes sistemas de registro, lo que permite a la organización pasar de una automatización basada en tareas a soluciones de IA basadas en resultados.

1. Servicios bancarios y financieros: AML y KYC autónomos

En el sector financiero, las iniciativas de IA a menudo se ven ralentizadas por la gran cantidad de requisitos de cumplimiento normativo. Un bot tradicional de RPA puede mover datos entre un portal de conocimiento del cliente (KYC) y un sistema bancario central, pero no puede “razonar” ante una alerta de actividad sospechosa.

El COE de IA permite adoptar un enfoque más sofisticado al implementar agentes que realizan investigaciones exhaustivas. Estos agentes analizan los historiales de transacciones, los cotejan con listas de sanciones globales e incluso interpretan el tono de los artículos periodísticos relacionados con una entidad concreta. El agente no procesa datos, sino que elabora un informe de razonamiento en el que se incluye una “puntuación de confianza” que determina si el caso debe resolverse de forma autónoma o remitirse a un responsable de cumplimiento humano.

2. Atención médica: coordinación orquestada de la atención al paciente

Las organizaciones de atención médica enfrentan dificultades con las “brechas de interoperabilidad” entre los registros médicos electrónicos (EMR), las herramientas de programación de citas y los portales de seguros. Un centro de IA puede solucionar estas deficiencias mediante la implementación de agentes que gestionan el ciclo de vida del alta de pacientes.

Cuando un profesional clínico actualiza el estado de un paciente a “listo para el alta”, el flujo de trabajo con agentes orquesta varias tareas de IA que se ejecutan en paralelo.

Verifica la disponibilidad de la atención de seguimiento, coordina con la farmacia la conciliación de medicamentos y envía la autorización definitiva al portal del pagador. Al gestionar los traspasos entre estos sistemas aislados, el COE de IA reduce considerablemente los tiempos de ciclo y mejora la experiencia del paciente gracias a la inteligencia artificial.

3. Cadena de suministro y logística: gestión de excepciones a gran escala

En el mundo de las cadenas de suministro, un simple retraso en un puerto o un fenómeno meteorológico puede afectar miles de pedidos. Un COE de IA proporciona la infraestructura para que los agentes supervisen estas “señales” en tiempo real y tomen medidas correctivas. En lugar de esperar a que un analista humano detecte el retraso, el agente puede evaluar de forma autónoma la relación entre el costo y el impacto que supone desviar un envío a un transportista alternativo. Este nivel de adopción de la IA permite a la organización pasar de una gestión reactiva y de resolución de problemas a una gestión logística proactiva y autónoma.

Definición de los roles dentro de un COE de IA

A medida que el programa crece, la estructura del equipo debe adaptarse para poder gestionar los matices de los sistemas probabilísticos.

El especialista en observabilidad supervisa los registros de razonamiento para detectar “fallas sutiles” en los modelos de IA. Al mismo tiempo, los científicos y los ingenieros de datos colaboran dentro del centro de IA para crear los flujos de datos necesarios para los flujos de trabajo con agentes y la inteligencia artificial a gran escala.

El rol de la observabilidad en los sistemas de IA con agentes

A medida que la adopción de IA avanza hacia las operaciones autónomas, el rol del líder de observabilidad se vuelve fundamental. A diferencia de un bot de RPA tradicional, que completa una tarea o genera un error, un agente de IA puede fallar de manera “sutil” y generar una respuesta que, aunque gramaticalmente correcta, es lógicamente errónea.

El centro de IA debe implementar herramientas avanzadas de observabilidad para supervisar los registros de razonamiento en tiempo real. Esto permite que el COE detecte las desviaciones del modelo o “alucinaciones” antes de que tengan un impacto en los flujos de trabajo de producción. Al mantener un registro de auditoría transparente del razonamiento de la “cadena de pensamiento”, el COE de IA garantiza que cada decisión autónoma pueda explicarse ante los líderes empresariales y los organismos reguladores, lo que permite reducir eficazmente la brecha entre los conocimientos especializados de la IA y los objetivos empresariales.

La hoja de ruta de la implementación: una estrategia de 6 pasos para el COE de IA

Crear un COE de IA es tanto un ejercicio de gestión del cambio organizacional como de ejecución técnica. La mayoría de las fallas se deben a mandatos insuficientes o a una autoridad poco clara, más que a la incompetencia técnica. El éxito requiere generar impulso mediante logros tempranos y de alta complejidad, al mismo tiempo que se establece una base de gobernanza que pueda respaldar la escalabilidad.

1. Obtener patrocinio directivo y capacidad de decisión

Esta etapa incluye el nombramiento de un director dedicado a la inteligencia artificial o director ejecutivo de IA (CAIO) con el fin de proporcionar la autoridad centralizada necesaria para impulsar la visión de la organización y gestionar las dinámicas interfuncionales. Sin un respaldo explícito, el COE se convierte en un foro de debate en lugar de una institución con “poder real”. Los líderes deben otorgar al COE la autoridad sobre la selección de plataformas, los umbrales de autonomía de los agentes y la resolución de conflictos entre las unidades de negocio y los equipos de seguridad. Este mandato garantiza que no se pase por alto la gobernanza para favorecer la rapidez.

2. Formar un equipo central multifuncional

El equipo debe salvar la brecha entre lo que es técnicamente posible y la realidad empresarial. Esto incluye a representantes de los departamentos de IA/automatización, TI, Seguridad y Asuntos Legales, junto con líderes de ciencia de datos y MLOps. Establecer estas alianzas desde el principio evita que “agendas contrapuestas” paralicen el programa durante la fase de implementación.

3. Definir barreras de seguridad detalladas y umbrales de autonomía

Las organizaciones suelen invertir poco en este ámbito, lo que se traduce en una gobernanza adaptada a la situación. El COE debe establecer normas concretas y exigibles, no principios genéricos.

• Niveles de autonomía: defina exactamente qué decisiones toman los agentes de forma independiente y cuáles requieren revisión humana (por ejemplo, “Los agentes preaprueban reembolsos de USD 500; cualquier monto superior se remite a la gerencia”).
• Acceso a datos: determine las condiciones específicas para la recuperación y el almacenamiento de los datos del modelo.

4. Ejecutar casos de uso de alta complejidad y entre sistemas

Elija casos de uso de “pruebas de estrés”, como la revisión de la normativa contra el blanqueo de capitales (AML) o la clasificación de reclamos. El objetivo es identificar las deficiencias en su arquitectura de integración y en las capacidades de la plataforma. Un caso de uso que abarca sistemas heredados y requiere un análisis riguroso revela más sobre su grado de preparación que una simple prueba piloto aislada.

5. Estandarizar una capa de ejecución compartida

Evite la “proliferación de herramientas” que se produce cuando se permite que las unidades de negocio adquieran soluciones puntuales de IA de forma fragmentada. La adopción de una capa de ejecución unificada, como la APA y otros productos de automatización empresarial más amplios, garantiza que la gobernanza en tiempo de ejecución, la integración de sistemas y los controles de seguridad se apliquen de manera coherente en todos los flujos de trabajo de la empresa.

6. Ampliar mediante la biblioteca de reutilización centrada en la gobernanza

Aproveche los componentes de automatización existentes como las “manos” de sus agentes de IA. Cree una biblioteca de plantillas de indicadores predefinidos, modelos de agentes y patrones de orquestación. La gestión activa del ciclo de vida (control de versiones y obsolescencia) es obligatoria en este caso; si la biblioteca se desvía de los comportamientos actuales del modelo, las unidades de negocio buscarán soluciones alternativas al COE en lugar de recurrir a él.

Desafíos comunes: cómo atravesar el “valle de la desilusión”

La creación de un COE de IA no está exenta de dificultades. El COE debe abordar esto de manera proactiva:

1. IA en la sombra: las unidades de negocio pasan por alto el COE para utilizar herramientas de IA destinadas al público general, lo que da lugar a la exposición de datos.
2. La percepción del “guardián”: si el COE es demasiado lento, pierde influencia. La solución pasa por ofrecer plataformas de autoservicio con agentes.
3. Silos de calidad de los datos: la eficacia de los agentes depende de la calidad de los datos a los que tienen acceso. El COE debe colaborar estrechamente con los equipos de gobernanza de datos.

Medición de la madurez del COE de IA: las 4 etapas de la autonomía

El COE debe evaluar su madurez en función del nivel de autonomía fiable, no de la cantidad de bots.

1. IA asistida: los agentes actúan como copilotos, proporcionan información a los humanos, que toman el 100% de las decisiones.
2. Validación humana: los agentes realizan el trabajo y recomiendan una acción; la persona simplemente hace clic en “aprobar”.
3. Operaciones autónomas: los agentes operan de forma independiente dentro de umbrales estrictos (p. ej., procesando facturas de bajo valor).
4. Habilitación estratégica: el COE proporciona un ecosistema consolidado donde las unidades de negocio crean sus propios agentes utilizando modelos centralizados y regulados.

Conclusión: preparándonos para la era con agentes

La transición de la fase experimental a un CEO de IA a gran escala constituye el cambio operativo más significativo de la década. Al proporcionar la base para la automatización de procesos con agentes, Automation Anywhere ayuda a las organizaciones a garantizar que sus iniciativas de IA no solo sean innovadoras, sino también fiables, reguladas y vinculadas a resultados medibles.

Para tener éxito en la era de la IA con agentes se requiere más que solo herramientas; se necesita una estrategia unificada y un centro de IA que pueda orquestar los modelos de IA en toda la empresa. Para las organizaciones que ya han realizado inversiones en automatización, el camino para seguir está claro: no se debe reemplazar lo que se ha creado, se debe activar. Utilice sus bibliotecas de automatización existentes como las “manos” para el cerebro de la IA, y deje que el COE de IA sea el orquestador que garantice que cada sistema de IA funcione en armonía. Aproveche la información que ofrece una guía completa para compradores de plataformas de IA con agentes para tomar decisiones fundamentadas.

Automation Anywhere colabora con las organizaciones en cada etapa de este recorrido, desde la implementación de los marcos iniciales de gobernanza de la IA hasta la ampliación de las operaciones con agentes en toda la empresa. Solicite una demostración y descubra cómo se adapta a su COE.

Preguntas frecuentes sobre el COE de IA

¿Cómo sé si mi organización está lista para crear un COE de IA?

Estar preparado significa reconocer que la adopción de la IA sin regulación genera riesgos. Si existe una inteligencia artificial “en la sombra”, el COE garantiza que su implementación sea deliberada, segura y esté vinculada a resultados empresariales cuantificables.

¿El COE de IA debe ser propietario de los modelos o solo establecer estándares para su uso?

Concéntrese en los estándares más que en la propiedad. El COE define los modelos aprobados, el acceso a los datos y los protocolos de validación, lo que permite a la organización mantener su independencia respecto a los modelos y su agilidad a medida que evoluciona la tecnología.

¿Cómo elegimos qué procesos priorizar para los agentes de IA?

Priorice los flujos de trabajo entre sistemas que requieran razonamiento probabilístico. El procesamiento de reclamos y las excepciones en la cadena de suministro ofrecen un ROI elevado al automatizar tareas que requieren un alto grado de criterio y que la RPA tradicional basada en normas no puede abordar.

¿Cuál es la diferencia entre un COE de IA y un COE de automatización?

Los COE de automatización gestionan la ejecución determinista basada en normas. Los COE de IA gestionan el razonamiento probabilístico y los agentes autónomos, lo que define los límites éticos y técnicos para la toma de decisiones complejas dentro de los flujos de trabajo empresariales.

¿Cómo habilitamos a los citizen developers sin comprometer la gobernanza?

Incorpore la gobernanza directamente en las plataformas. Utilice plantillas de indicadores preaprobados y enmascaramiento automático de datos, lo que convierte el cumplimiento normativo en la opción predeterminada para que los citizen developers creen flujos de trabajo con agentes de forma segura.

¿Cómo debe colaborar el COE de IA con los equipos de TI, seguridad y datos?

Establezca alianzas continuas. El COE establece los requisitos, mientras que los equipos de datos, seguridad y TI garantizan la viabilidad técnica, desde la seguridad de los puntos finales de los modelos hasta los flujos de datos RAG de alta calidad.