A finales de 2020, reseñamos una publicación de la que la conocida consultora Gartner, en la que daba a conocer lo que sus analistas veían como tendencias tecnológicas de mayor valor estratégico en el camino hacia la transformación digital.
Incluía la hiperautomatización, según la cual las empresas deben automatizar “tantos procesos de negocio e informáticos como sea posible, empleando herramientas que automatizan los procesos de toma de decisión y de ejecución de tareas”. La definición es un tanto vaga. Si solo 3% de todos los procesos son hiperautomatizables, ¿podemos afirmar que el negocio está hiperautomatizado?
Una definición comprensible
Cem Dilmegani, en un artículo sobre el mismo tema, examina las definiciones de Gartner y otros expertos. Su conclusión es que la hiperautomatización comprende cuatro aspectos:
Lo anterior, por así decrilo, pone el dedo en la llaga del asunto. Si una empresa busca la hiperautomatización, fracasará si solo gasta en tecnología. Sin un cambio organizacional, no llegará a ningún lado.
Otra cuestión que Dilmegani tiene buen cuidado de resolver es la diferencia entre la automatización a secas y la hiperautomatización. RPA (siglas del inglés robotic process automation) es una de las tecnologías “inteligentes” que más amplia penetración han logrado, a nivel mundial, en años recientes. Mediante RPA, por ejemplo, una aseguradora puede convertir un acervo de formularios de solicitud de seguro en una base de datos perfectamente estructurada y depurada, sin acudir a un ejército de capturistas. Pero RPA solo permite ejecutar tareas que cuentan con reglas nítidamente establecidas.
Los componentes al hiperautomatizar
A diferencia de la automatización, la hiperautomatización puede ocuparse de sopesar alternativas y de ahí, tomar decisiones que derivan en reglas ejecutables mediante RPA. Implica orquestar varias tecnologías digitales. Aunque son de avanzada, ya están disponibles, como la mencionada RPA y los siguientes ejemplos:
iBPMS. Estas siglas, intelligent busines process management suites, designan suites para la gestión inteligente de procesos de negocio. Se trata de sistemas que permiten modelar, implementar y ejecutar grupos de procesos interrelacionados, siguiendo ciertas reglas de negocio.
Minería de procesos. Es una técnica analítica que aporta una comprensión a fondo de los procesos que una compañía ejecuta. Si una empresa busca lograr la simplificación de sus procesos de modo que resulten más susceptibles de ser hiperautomatizados, le conviene filtrarlos primero empleando minería de procesos.
APIs. De manera esquemática, son recursos informáticos que permiten a dos softwares intercambiar datos, aunque no estén concebidos con la capacidad de comunicarse e inclusive si emplean lenguajes de programación distintos. Dado que una API facilita el intercambio de datos, favorece la hiperautomatización.
Inteligencia artificial (IA) y machine learning (ML). Aunque a veces se usan indistintamente, la capacidad de aprendizaje de una máquina es una subcategoría del concepto de IA. ML permite que una máquina aprenda a realizar una tarea a partir del análisis de un gran cúmulo de datos acerca de dicha tarea, pero sin necesidad de que se le proporcione un juego de instrucciones. Las máquinas que juegan ajedrez, por ejemplo, lo hacen desmenuzando jugada por jugada miles de partidas. Tienen la capacidad de distinguir las jugadas que en cierta condición figuran en mayor número de ocasiones del lado ganador. Así “aprenden” a ganar.
NLP (natural language processing). Se trata de una tecnología que permite a una máquina comprender datos que se llaman “desestructurados”. Un ejemplo son las opiniones sobre cierto producto, expresadas por lo que los consumidores publican en sus redes sociales. Los humanos podemos formular una misma opinión —“sí, me gusta mucho”— de mil y una maneras. Por eso se le caracteriza como carente de estructura, a diferencia de una calificación en una escala de cinco estrellas. En combinación con RPA, la tecnología NLP permite que un bot entienda el contexto de una tarea.
OCR (optical carachter recognition). Convierte los caracteres de un documento en código que una máquina comprende. Al igual que el anterior, es un auxiliar del RPA.
Qué se puede hiperautomatizar
Aunque hoy nadie se sorprenda al ver una oficina sembrada de terminales de cómputo en cada escritorio, hace poco era una imagen de ciencia ficción. Se hizo realidad gradualmente. Del mismo modo, hiperautomatizar es un proceso que afectará gradualmente las formas de trabajar.
Los casos de uso que hoy se encuentran más maduros para hiperautomatizar son los que constan de operaciones más bien repetitivas, decidiendo según reglas establecidas.
Procesar solicitudes, sea que se formulen a través de formularios de papel o en línea, son un buen ejemplo. El sector de seguros, los servicios de crédito, procesos de servicio preventivos en campo y algunos servicios de salud, como los análisis de laboratorio, lo ilustran. Los beneficios de hiperautomatizar estos procesamientos son, en general, cuatro:
Cómo abordar el asunto
Al describir en qué consiste la hiperautomatización, los analistas de Gartner mencionan la “deuda organizacional”. Como causas apuntan a “los procesos de negocio, costosos y numerosos, que dependen de una maraña de tecnologías no optimizadas, incongruentes e inconexas”. Deshacer ese nudo representa un reto al menos en tres órdenes:
El reto de la simplificación. Es un hecho que muchas empresas funcionan bien, aunque carezcan de procesos bien documentados; personal experimentado y rutinas de trabajo establecidas lo resuelven. La minería de procesos contribuye a remediarlo, sobre todo cuando se trata de cumplir con procesos para atender requerimientos acotados. Pero los procesos de atención al cliente son un reto mayor. Las organizaciones tienen que encontrar un punto de equilibrio entre máquinas y personas. Si a la automatización se desatiende las peticiones más heterodoxas de los clientes, los niveles de satisfacción caerán y la reputación de marca lo padecerá.
El reto de la tecnología. Machine learning, como ya se dijo, permite que una máquina aprenda “digiriendo” un acervo de datos. Implica disponer de ese acervo, llamado training data o “datos para entrenar”. Algunas empresas deben recabarlo, una tarea que consume tiempo; las que lo tengan deberán depurarlos, en particular de información personal, protegida por la ley. Además, al diseñar el sistema de automatización es necesario incorporarle un grado de intervención humana, que reconozca y trate por separado los casos excepcionales.
El reto organizacional. Automatizar un proceso implica la posibilidad de configurar un sistema que comete errores. Quienes lo intenten necesitan medios y espacio para probar. Los mandos directivos deben aceptarlo y tolerar que en el camino habrá arranques en falso, pues se trata de un aprendizaje en dos sentidos, en el de las capacidades del personal y en el del modo de funcionar de la organización. Se necesita enfrentar la resistencia interna. Pero dejar las cosas como están también tiene consecuencias y a largo plazo, estas pueden ser mayores.
La hiperautomatización entraña un vasto potencial y una gran promesa. Pero no puede ocurrir de la noche a la mañana. También depende de involucrar expertos externos. Conocen cómo aprovechar las tecnologías, lo que ahorra horas de prueba y error. Sin embargo, también deben saber de administración empresarial y de change management, para aportar soluciones útiles. La tecnología más cara no es la de más reciente aparición sino la que por rechazo nadie usa.
En Lennken Group sabemos de tecnología y también de alta administración de negocios. Podemos conducir el cambio porque nuestra trayectoria nos obliga a cambiar al ritmo con el que la tecnología evoluciona. Envía un correo a contacto@lennken.com y permítenos asegurar el éxito en la transformación digital de tu empresa con la ayuda de la hiperautomatización.
