Mariluz Rodríguez - Gerente Comercial
Automatización con IA: qué cambia frente a la automatización tradicional
La inteligencia artificial ya está presente en una parte importante de las organizaciones, pero existe una diferencia sustancial entre utilizarla y convertirla en una capacidad estable dentro de la operación.
Según el estudio The State of AI in 2025 de McKinsey, el 88% de los encuestados señaló que su organización utiliza IA regularmente en al menos una función empresarial. Al mismo tiempo, cerca de dos tercios todavía no habían comenzado a escalar IA a nivel corporativo.
La diferencia entre ambas cifras instala una tensión relevante: usar IA no significa haberla integrado de manera estable dentro de un proceso operacional.
Algo similar ocurre con la automatización.
Durante años, las empresas han utilizado reglas, workflows y RPA para ejecutar tareas repetitivas con mayor velocidad, consistencia y trazabilidad.
La incorporación de Machine Learning, IA generativa y agentes amplía ahora lo que puede automatizarse, incluyendo procesos donde existen documentos no estructurados, lenguaje natural, excepciones o decisiones condicionadas por contexto.
Pero eso no significa que cada proceso necesite inteligencia artificial.
La pregunta relevante para un CIO, CTO o líder de operaciones ya no debería ser simplemente “¿RPA o IA?”, sino:
¿Qué nivel de inteligencia necesita realmente este proceso y qué controles requiere para operar de forma confiable?
¿Qué cambia cuando incorporamos IA a la automatización?
La automatización tradicional funciona especialmente bien cuando existe una relación relativamente estable entre una condición y una acción.
Una regla puede establecer:
Si ocurre A, ejecutar B.
RPA lleva ese principio hacia procesos que necesitan interactuar con distintas aplicaciones:
Ingresar a un sistema, consultar un registro, copiar información, actualizar otra plataforma y generar una notificación.
Mientras las entradas, reglas e interfaces permanezcan dentro de parámetros conocidos, este tipo de automatización puede ser altamente efectivo.
ACL powered by DataArt aborda este tipo de automatización mediante capacidades de RPA orientadas a procesos repetitivos, integraciones y optimización de tareas operativas. Conoce nuestras capacidades
La dificultad aparece cuando el proceso deja de ser completamente predecible.
Por ejemplo:
- Un documento puede llegar en múltiples formatos;
- Una solicitud puede estar escrita en lenguaje natural;
- Una excepción puede necesitar interpretación;
- La siguiente acción puede depender del contenido recibido;
- Pueden existir distintos caminos válidos según el contexto.
En estos escenarios, incorporar IA permite que el flujo no se limite exclusivamente a ejecutar instrucciones, sino que pueda sumar capacidades de clasificación, extracción, interpretación, predicción o selección de acciones dentro de límites previamente establecidos.
La diferencia, entonces, no está solamente en automatizar más tareas.
Está en ampliar el tipo de situaciones que un proceso automatizado puede gestionar.
Automatización tradicional vs. automatización con IA: no es una competencia
Uno de los errores más frecuentes al evaluar estas tecnologías es asumir que la inteligencia artificial constituye automáticamente la siguiente versión de RPA y que, por lo tanto, debería reemplazarlo.
No necesariamente.
Deloitte plantea explícitamente que las empresas pueden mantener RPA para tareas estructuradas e incorporar agentes de IA para procesos más dinámicos y contextuales. También señala que la combinación de ambas capacidades puede equilibrar eficiencia, escalabilidad, adaptabilidad y costo.
Esto permite pensar la automatización empresarial mediante diferentes niveles:
La consecuencia práctica es importante:
un proceso estable no mejora automáticamente porque incorpore un LLM o un agente.
Si una tarea tiene reglas claras, entradas estructuradas y pocas excepciones, probablemente una automatización determinística pueda resolverla con menor complejidad operacional.
Agregar IA donde no existe una necesidad concreta puede incorporar nuevos costos de infraestructura, monitoreo, evaluación, seguridad y gobierno sin generar un beneficio proporcional.
¿Cuándo RPA sigue siendo suficiente?
RPA continúa teniendo un espacio claro dentro de la arquitectura empresarial.
Es especialmente adecuado cuando un proceso presenta características como:
- Alto volumen;
- Repetitividad;
- Reglas estables;
- Información estructurada;
- Poca ambigüedad;
- Baja necesidad de interpretación;
- Interacción frecuente con sistemas existentes o legacy.
Mover información estructurada entre plataformas, realizar conciliaciones basadas en reglas conocidas, ejecutar consultas periódicas o actualizar registros pueden seguir siendo buenos candidatos para RPA.
Caso DataArt: cuando RPA resuelve el problema sin agregar más complejidad
Un fondo de pensiones estadounidense necesitaba reducir la carga manual vinculada al procesamiento de transacciones, reporting y procesos internos de onboarding y offboarding.
DataArt utilizó UiPath para automatización y gestión de procesos, además de otras capacidades para reporting.
Los resultados fueron concretos:
- La conciliación pasó de 8 a 2 horas;
- Los procesos de payroll y cash-out se ejecutaron 10 veces más rápido;
- Se automatizó la generación y distribución de más de 80 reportes quincenales.
Estos resultados están documentados en el caso de éxito de DataArt sobre automatización RPA para un fondo de pensiones.
El caso demuestra un principio importante: si las tareas son suficientemente estructuradas y las reglas están bien definidas, incorporar una capa adicional de IA no necesariamente es la primera decisión que debe tomarse.
La arquitectura correcta es la que resuelve el problema con el nivel de complejidad adecuado.
¿Cuándo la IA amplía lo que podemos automatizar?
La automatización con IA comienza a aportar una capacidad distinta cuando parte del workflow exige algo que las reglas tradicionales gestionan con dificultad.
Cuando la información no está completamente estructurada
Facturas, contratos, correos electrónicos, formularios abiertos, imágenes o documentos pueden contener información relevante sin seguir siempre una estructura idéntica.
En estos casos, tecnologías de IA y Machine Learning pueden intervenir antes de la ejecución del proceso para identificar, clasificar o extraer información.
Después de esa interpretación, una regla, workflow o robot puede continuar ejecutando las siguientes acciones.
Caso DataArt: hasta 80% más velocidad y productividad en revisión documental
Este escenario puede observarse en el trabajo desarrollado por DataArt junto a DealNet Capital, una institución financiera canadiense que procesa grandes volúmenes de documentación asociada a solicitudes de préstamos y leasing.
Los documentos contenían componentes escritos a mano y mecanografiados, por lo que el procedimiento manual de validación demandaba tiempo y generaba necesidades variables de recursos. DataArt diseñó una solución sobre AWS que incorporó Amazon Textract, Amazon Rekognition y Amazon Augmented AI (A2I).
El workflow extrae información de los documentos, contrasta los datos con la información esperada y valida determinados elementos. Cuando el resultado automático no cumple las condiciones definidas, Amazon A2I activa un human loop y deriva la revisión a una persona. La solución permitió aumentar la productividad y velocidad del proceso de revisión documental hasta en 80%.
Este caso muestra con claridad cómo puede funcionar la automatización con IA en producción:
IA para interpretar información + automatización para ejecutar el proceso + intervención humana cuando la confianza o las reglas lo exigen.
RPA + IA: el valor puede estar en combinar capacidades
La distinción entre automatización tradicional e IA se vuelve todavía más útil cuando ambas tecnologías participan dentro del mismo proceso.
En lugar de preguntar cuál reemplaza a cuál, conviene determinar qué componente resuelve mejor cada parte del workflow.
DataArt documenta, por ejemplo, un proyecto para una compañía financiera en el que se combinaron capacidades de RPA e inteligencia artificial para optimizar operaciones de facturación.
La arquitectura utilizó UiPath para automatización de procesos y Amazon SageMaker para capacidades asociadas a IA.
El resultado reportado incluyó:
- Procesamiento 5 veces más rápido;
- Más del 90% de las facturas validadas automáticamente;
- Reducción de 20% en los errores.
DataArt también destaca este caso dentro de sus resultados para la industria financiera.
Más que demostrar que una tecnología reemplaza a otra, el caso ilustra una arquitectura complementaria:
RPA puede encargarse de la ejecución predecible del proceso, mientras la IA interviene allí donde se necesita capacidad adicional de análisis o validación.
Este enfoque es especialmente relevante para procesos empresariales complejos porque permite preservar componentes determinísticos donde continúan siendo eficientes y agregar inteligencia únicamente en aquellos puntos donde genera valor.
¿Qué ocurre cuando aumentan las excepciones?
Algunos procesos comienzan siendo buenos candidatos para automatización tradicional, pero progresivamente acumulan reglas:
Si ocurre A, hacer B; excepto cuando ocurre C; salvo que también exista D.
Cuando las excepciones aumentan, mantener árboles de decisión puede volverse costoso y difícil de gestionar.
Una capa de IA puede aportar valor cuando esas excepciones requieren interpretar información, establecer categorías o seleccionar entre distintas acciones permitidas.
Pero una excepción no justifica automáticamente el uso de inteligencia artificial.
La decisión debería considerar:
- Frecuencia;
- Impacto;
- Nivel de ambigüedad;
- Información disponible;
- Capacidad para evaluar la respuesta;
- Riesgo asociado a una decisión incorrecta.
En escenarios de alto impacto, determinadas excepciones pueden seguir requiriendo revisión humana.
¿Qué ocurre cuando el proceso necesita contexto?
Una automatización tradicional ejecuta aquello para lo que fue configurada.
Una arquitectura con IA puede interpretar información disponible y determinar cuál de varias acciones permitidas corresponde según el contexto. Esto no equivale necesariamente a entregar autonomía irrestricta a un modelo.
En un entorno empresarial, esa capacidad debería operar dentro de políticas, permisos, límites y mecanismos de supervisión definidos. Esta distinción es especialmente importante cuando la automatización interviene en procesos financieros, regulatorios, contractuales, de seguridad o relacionados con información sensible.
De IA a agentes: automatizar procesos de múltiples pasos
El siguiente nivel aparece cuando el sistema no solamente interpreta una entrada, sino que necesita trabajar hacia un objetivo, dividirlo en tareas, utilizar distintas herramientas y coordinar acciones.
Ahí entran los agentes de IA.
La adopción está avanzando, pero todavía existe una diferencia considerable entre experimentar y escalar.
En The State of AI in 2025, McKinsey reportó que 62% de las organizaciones encuestadas ya estaba al menos experimentando con agentes de IA, mientras solo 23% indicaba estar escalando algún sistema agéntico en al menos una función empresarial.
La brecha vuelve a mostrar un patrón importante:
Experimentar con autonomía es considerablemente más sencillo que convertirla en una capacidad operacional confiable.
Más autonomía exige más gobierno
Una automatización determinística permite anticipar con bastante precisión qué ocurrirá ante determinadas condiciones.
Cuando incorporamos modelos probabilísticos y agentes, aparecen nuevas preguntas:
- ¿Qué información recibió el modelo?
- ¿Qué modelo o versión intervino?
- ¿Qué resultado generó?
- ¿Qué acción seleccionó?
- ¿Qué herramientas tenía disponibles?
- ¿Qué permisos poseía?
- ¿Cuándo intervino una persona?
- ¿Qué ocurrió frente a una excepción?
- ¿Cuánto costó ejecutar el proceso?
Por eso, la capacidad de automatización no puede crecer separada de la capacidad de gobierno.
Una encuesta de Deloitte a 3.235 líderes de TI y negocio de 24 países encontró que solo 21% señalaba contar con un modelo maduro de gobierno para agentic AI.
La propia investigación de Deloitte destaca que la velocidad de adopción de agentes está avanzando por delante de capacidades como límites de autonomía, supervisión y accountability.
Una forma práctica de plantearlo es:
Más interpretación → Más observabilidad
Más autonomía → Más trazabilidad
Mayor impacto de la decisión → Mayor nivel de control
ACL powered by DataArt aborda este desafío desde una propuesta de IA y automatización empresarial orientada a producción, conectando capacidades de IA, automatización e integración.
Human-in-the-Loop: automatizar no significa eliminar a las personas
En determinados procesos, el diseño más robusto no consiste en eliminar completamente la intervención humana, sino en definir dónde la automatización puede actuar directamente y dónde debe escalar una decisión.
Un sistema puede, por ejemplo:
- Clasificar solicitudes;
- Extraer antecedentes;
- Identificar anomalías;
- Generar recomendaciones;
- Preparar una acción;
Mientras una persona conserva la aprobación cuando existen consecuencias financieras, regulatorias, contractuales o reputacionales relevantes.
Deloitte señala precisamente que la automatización de procesos dinámicos mediante agentes debe mantener human oversight para conservar control y accountability.
Por tanto, Human-in-the-Loop no debería entenderse como una limitación, es una decisión de arquitectura y gobierno.
El verdadero cambio ocurre en el workflow
Existe otro riesgo habitual: incorporar IA sobre un proceso existente sin revisar cómo debería funcionar realmente ese proceso.
La evidencia reciente apunta en otra dirección.
McKinsey encontró que las organizaciones que rediseñan sus workflows son 5,3 veces más propensas a reportar captura de valor empresarial que aquellas que mantienen los workflows sin cambios: 32% frente a 6%.
Esto cambia la pregunta inicial.
En lugar de:
¿Dónde podemos colocar IA?
conviene preguntar:
¿Cómo debería funcionar este proceso si combinamos correctamente reglas, automatización, IA y criterio humano?
La automatización con IA no debería consistir simplemente en superponer una nueva herramienta sobre procesos existentes.
Debería comenzar identificando:
- Dónde se genera fricción;
- Qué actividades son repetitivas;
- Dónde existen excepciones;
- Qué información necesita interpretación;
- Qué decisiones pueden automatizarse;
- Cuáles necesitan supervisión;
- Qué sistemas deben integrarse;
- Cómo se medirá el resultado.
La tecnología viene después.
¿Qué nivel de automatización necesita cada proceso?
Antes de elegir tecnología, conviene evaluar al menos cinco dimensiones.
1. Predictibilidad
¿Cuánto cambia el proceso entre una ejecución y otra?
Cuanto más estable sea, mayor posibilidad existe de resolverlo mediante reglas o RPA.
2. Tipo de información
¿Los datos son estructurados o aparecen en documentos, imágenes, correos y lenguaje natural?
El segundo escenario puede justificar capacidades de IA.
3. Nivel de decisión
¿El flujo simplemente ejecuta una acción o necesita interpretar información para determinar qué hacer?
Aquí comienza a aumentar la necesidad de incorporar inteligencia.
4. Riesgo
¿Qué ocurre si el sistema selecciona una acción incorrecta?
El nivel de autonomía debería estar directamente relacionado con el impacto potencial del error.
5. Retorno esperado
¿La complejidad adicional genera suficiente valor?
No todos los problemas necesitan la arquitectura técnicamente más avanzada.
El costo de construir, integrar, gobernar y operar la solución debería compararse con variables como:
- Tiempo de ciclo;
- Costo por transacción;
- Errores;
- Retrabajo;
- Cumplimiento de SLA;
- Horas operativas liberadas;
- Throughput;
- Disponibilidad;
- Riesgo operacional.
El objetivo debería ser encontrar la arquitectura mínima capaz de resolver correctamente el problema y escalarlo con control.
¿Dónde entran los agentes y SPIREX®?
Los agentes representan una capa adicional cuando un proceso necesita trabajar hacia un objetivo y coordinar múltiples acciones, herramientas o sistemas. Pero tampoco deberían convertirse en el punto de partida de toda iniciativa de automatización.
SPIREX® de ACL powered by DataArt permite ilustrar este nivel avanzado de orquestación mediante agentes especializados que participan en workflows controlados.
Su lógica permite trasladar un principio más amplio hacia la automatización empresarial:
La autonomía necesita límites operacionales.
Antes de avanzar hacia una arquitectura agéntica, una organización debería resolver preguntas como:
- ¿Qué herramientas puede utilizar el agente?
- ¿Qué información puede consultar?
- ¿Qué acciones puede ejecutar directamente?
- ¿Qué decisiones necesitan aprobación?
- ¿Cómo queda registrada cada acción?
- ¿Cómo se gestiona una excepción?
- ¿Cómo se revierte una operación incorrecta?
- ¿Cómo se supervisa rendimiento, costo y calidad?
La sofisticación tecnológica importa menos que la capacidad de responder esas preguntas.
Automatización con IA: empezar por el proceso, no por la herramienta
La automatización empresarial está ampliando sus fronteras.
- RPA continúa siendo efectivo para procesos estables, estructurados y repetitivos.
- IA y Machine Learning permiten extender la automatización hacia documentos, lenguaje natural, variabilidad, interpretación y determinados puntos de decisión.
- Los agentes de IA amplían nuevamente esa capacidad hacia workflows multi-step y coordinación entre herramientas.
Pero los casos reales muestran que estas tecnologías no tienen por qué competir.
Automatizar con IA no significa automatizar más, sino poder abordar procesos que antes requerían interpretar información, gestionar excepciones o tomar determinadas decisiones.
La pregunta, entonces, no es RPA o IA.
Es:
¿Qué nivel de inteligencia necesita realmente cada proceso y cómo llevarlo a producción con control?
Desde ACL powered by DataArt abordamos esta decisión desde el proceso y el impacto esperado: identificando oportunidades, evaluando factibilidad y diseñando arquitecturas que combinan automatización, IA y supervisión humana cuando corresponde.
El objetivo no es introducir la tecnología más sofisticada en cada workflow, sino construir la solución adecuada para el nivel de complejidad, riesgo y valor del proceso.
Mapea tus procesos automatizables con ACL powered by DataArt
Preguntas frecuentes
¿Qué es la automatización con IA?
La automatización con IA incorpora capacidades de inteligencia artificial dentro de un proceso automatizado para ejecutar tareas como interpretar información, clasificar, extraer datos, generar predicciones o seleccionar acciones dentro de reglas y controles definidos.
¿Cuál es la diferencia entre RPA e inteligencia artificial?
RPA se utiliza principalmente para ejecutar tareas estructuradas, repetitivas y basadas en reglas. La IA puede agregar capacidades de interpretación, análisis contextual y manejo de información no estructurada. Ambas tecnologías pueden combinarse dentro del mismo workflow.
¿Qué procesos son buenos candidatos para automatización con IA?
Procesos con suficiente volumen o impacto y que contienen información no estructurada, múltiples excepciones, clasificación, predicción o decisiones dependientes del contexto pueden ser buenos candidatos. También deben evaluarse riesgo, calidad de datos, integraciones y retorno esperado.
¿Qué son los agentes de IA en automatización?
Son sistemas capaces de trabajar hacia un objetivo, coordinar una secuencia de acciones e interactuar con diferentes herramientas. En entornos empresariales, su autonomía debería delimitarse mediante permisos, políticas, observabilidad y mecanismos de supervisión.
¿Cómo saber si un proceso necesita RPA, IA o agentes?
La decisión debería considerar predictibilidad, tipo de información, cantidad de excepciones, nivel de decisión, riesgo, integración y retorno esperado. Procesos altamente predecibles pueden resolverse mediante reglas o RPA; al aumentar la necesidad de interpretación o coordinación pueden incorporarse IA o agentes.
¿Te ha interesado este contenido? No te pierdas nuestros otros artículos
- Cómo escalar el gobierno de datos cuando faltan capacidades internas
- KPIs de gobierno de datos: cómo medir su impacto
- Gobierno de datos para IA: cómo escalar modelos y agentes sin perder control
- Roles del gobierno de datos: quién decide, quién valida y quién opera
- Calidad, catálogo y linaje de datos: las bases para construir información confiable
- Cómo implementar un gobierno de datos: fases, prioridades y errores frecuentes
- Gobierno de datos: qué es y cómo implementarlo
- Automatización empresarial: cómo elegir un buen partner
