Cuando el proceso escrito no contiene todo el trabajo

Los procedimientos suelen describir el camino esperado: qué información entra, qué pasos se siguen y qué resultado debería obtenerse. Pero el trabajo real incorpora desviaciones, señales contextuales y decisiones que las personas resuelven apoyándose en experiencia acumulada. Mientras quienes conocen el proceso siguen presentes, la distancia entre procedimiento y práctica puede pasar desapercibida.

El problema aparece al automatizar a partir de lo que está escrito. La IA puede recibir instrucciones, documentos y reglas, pero eso no garantiza que disponga del contexto que utilizaban quienes ejecutaban el proceso. AWS describe el conocimiento institucional como experiencia y conocimiento acumulados por los empleados que pueden ser tácitos, transmitirse informalmente y quedar fuera de la documentación. La cuestión es localizar dónde ese contexto ausente afecta a decisiones que se pretende delegar.

Dónde aparece el conocimiento tácito

El conocimiento tácito suele hacerse visible cuando alguien explica una decisión con frases como “normalmente hacemos esto, salvo que…”, “depende del cliente” o “en este caso conviene esperar”. No significa que la decisión sea arbitraria. Muchas veces existen criterios implícitos aprendidos mediante repetición, observación y experiencia.

Imaginemos un proceso de compras con proveedores, importes y autorizaciones bien definidos. El equipo puede saber que ciertos proveedores suelen retrasarse en determinadas épocas, que una incidencia menor afecta a otro proyecto o que una petición urgente cambia de significado según compromisos que no aparecen en el formulario. El procedimiento contiene los pasos, pero no todo el contexto necesario para decidir bien.

Por eso documentar un proceso no equivale a capturar todo el conocimiento que lo sostiene. Antes de automatizar conviene observar dónde las personas necesitan consultar a alguien con más experiencia, piden información adicional o toman una decisión distinta aunque los datos aparenten ser iguales.

Las excepciones que revelan la dependencia de expertos

Las excepciones son una buena forma de encontrar ese conocimiento oculto. Si un flujo necesita constantemente que una persona experta intervenga cuando algo no encaja, probablemente existen criterios no explicitados que siguen condicionando el resultado.

En atención al cliente, una política puede establecer cuándo aceptar una devolución. Sin embargo, una persona experimentada puede reconocer un error repetido, una situación especialmente sensible o un contexto en el que aplicar literalmente la regla produciría una mala decisión. La automatización puede seguir la regla y equivocarse si solo dispone de la política escrita.

Eso no significa que cada excepción deba convertirse en una nueva regla. Algunas son suficientemente frecuentes y estables para documentarlas; otras requieren información adicional; y otras todavía necesitan juicio humano. Automatizar primero y utilizar después a los expertos para resolver permanentemente todo lo no previsto solo traslada el problema.

Una señal clara aparece cuando falta la persona que “siempre sabe qué hacer”. Si el proceso se ralentiza, aumentan las consultas informales o aparecen decisiones inconsistentes, existe conocimiento crítico que todavía reside en personas y no en el proceso.

Qué conocimiento conviene hacer explícito antes de automatizar con IA

Detectar conocimiento tácito no significa convertir toda la experiencia de un equipo en un manual. El objetivo es identificar qué parte de ese conocimiento condiciona decisiones que la automatización tendrá que tomar o preparar. Si una excepción aparece con frecuencia, tiene consecuencias relevantes o modifica de forma predecible la respuesta del proceso, probablemente contiene conocimiento que conviene explicitar.

La revisión debería concentrarse en los puntos donde las personas se apartan del procedimiento, solicitan contexto adicional o aplican criterios que no aparecen en los datos de entrada. Ahí es donde la automatización con IA necesita algo más que reproducir pasos: debe saber qué condiciones cambian la decisión y cuándo dejar de avanzar por sí sola.

De la experiencia a criterios que el proceso pueda utilizar

Una persona experta puede explicar que “sabe cuándo un caso necesita revisión”, pero esa formulación todavía no sirve como criterio operativo. Conviene preguntar qué observa realmente: antecedentes, dependencias, incidencias abiertas, ausencia de alternativas, sensibilidad del caso o proximidad de una fecha crítica. Hacer explícito el conocimiento consiste en descubrir qué señales sostienen el juicio.

Algunas pueden convertirse en condiciones claras. Un proceso podría exigir revisión si concurren determinados antecedentes, si una operación supera cierto impacto o si falta información necesaria para decidir. Otras señales seguirán siendo ambiguas y funcionarán mejor como motivo para escalar que como regla automática.

Una técnica útil es revisar decisiones recientes con quien conoce bien el proceso y preguntar no solo qué hizo, sino qué habría cambiado su decisión. Comparar casos similares con resultados diferentes ayuda a descubrir criterios que rara vez aparecen cuando simplemente se pide a alguien que documente cómo trabaja.

Qué excepciones conviene capturar y cuáles deben escalarse

No todas las excepciones merecen convertirse en una regla nueva. Si cada caso extraño genera una condición adicional, el proceso puede terminar siendo más difícil de entender y mantener. Conviene separar las excepciones repetibles, que muestran un patrón estable, de aquellas que dependen de contexto difícil de anticipar.

Las primeras son buenas candidatas para incorporarse al proceso cuando existe una respuesta consistente. Por ejemplo, si determinadas incidencias operativas producen siempre el mismo cambio de prioridad, ese criterio puede hacerse explícito. Las segundas deberían activar un punto de decisión humana en lugar de forzar a la IA a resolver con información insuficiente.

También importa el impacto. Una excepción poco frecuente puede justificar intervención humana si una decisión equivocada tiene consecuencias económicas, legales o personales relevantes. Automatizar más casos no es necesariamente mejor si obliga a transformar incertidumbre conocida en decisiones que después resultan difíciles de revisar.

La pregunta útil antes de incorporar una excepción al sistema es: ¿podemos explicar por qué debería resolverse así de forma consistente? Si la respuesta sigue dependiendo demasiado del contexto, probablemente el proceso todavía necesita criterio humano antes de convertir esa situación en una regla.

Cómo evitar que el conocimiento experto se convierta en cuello de botella

Hacer visible el conocimiento tácito no debería terminar creando otra dependencia: que todas las situaciones dudosas vuelvan siempre a la misma persona experta. Si la automatización funciona solo mientras alguien resuelve manualmente cada excepción, el equipo ha trasladado el cuello de botella en lugar de resolverlo.

La alternativa es utilizar esas intervenciones para mejorar el proceso. Cada excepción puede revelar que falta una regla, una señal contextual, información necesaria para decidir o un punto que debe permanecer bajo responsabilidad humana. El objetivo es reducir la dependencia innecesaria del experto sin eliminar el criterio donde sigue aportando valor.

Mapa de regla, excepción, señal contextual y decisión humana

Una revisión práctica puede clasificar lo que ocurre en el proceso en cuatro elementos:

Elemento	Pregunta que conviene hacer	Tratamiento posible
Regla	¿Qué condición produce normalmente una respuesta conocida?	Hacerla explícita y valorar su automatización
Excepción	¿Qué situación hace que la regla deje de funcionar?	Capturarla si es repetible o escalarla si sigue siendo ambigua
Señal contextual	¿Qué información cambia la interpretación del caso?	Incorporarla si puede observarse y definirse con claridad
Decisión humana	¿Dónde siguen siendo necesarios juicio, contexto o responsabilidad?	Mantener un punto de escalado y una persona con autoridad para decidir

El mapa funciona mejor cuando parte de casos reales recientes y no solo del procedimiento formal. Si varias intervenciones expertas responden al mismo patrón, probablemente existe conocimiento que puede incorporarse al proceso. Si cada caso exige interpretar circunstancias diferentes, convertirlo en una regla puede generar más rigidez que autonomía.

También ayuda a separar dependencia evitable y criterio necesario. Que una persona intervenga hoy no demuestra que siempre deba hacerlo, pero que consiga explicar una decisión después tampoco significa que esa decisión pueda automatizarse de forma fiable.

Cuándo mantener el criterio humano y cuándo ampliar la automatización

La automatización puede ampliarse cuando el equipo entiende qué condiciones determinan una decisión, dispone de información suficiente para reconocerlas y espera una respuesta consistente. Cuanto más repetible sea la excepción y más estable su resolución, más posibilidades existen de convertir parte del conocimiento experto en criterio operativo.

Conviene mantener la intervención humana cuando las señales siguen siendo difíciles de formalizar, aparecen situaciones nuevas con frecuencia o una decisión equivocada tiene consecuencias relevantes. En esos casos, escalar es un límite diseñado, no un fracaso de la automatización.

También importa revisar qué aprende la organización de esos escalados. Si las mismas dudas vuelven una y otra vez al experto, probablemente hay conocimiento pendiente de transferir. Si los casos son genuinamente distintos, debe conservarse un punto de decisión humano en lugar de forzar una regla incompleta.

Para los equipos que después necesiten convertir esta revisión en flujos concretos, la ruta Automatización y productividad con IA trabaja la identificación de tareas automatizables y el diseño de automatizaciones. Pero la decisión previa sigue siendo la misma: qué puede delegarse y dónde debe mantenerse el criterio humano.

Conclusiones

El conocimiento tácito se convierte en un problema para la automatización cuando el proceso depende de decisiones que solo funcionan porque alguien sabe interpretar excepciones, señales y contextos que nunca se documentaron. La IA hace visible esa dependencia al intentar ejecutar de forma sistemática lo que antes resolvían personas con experiencia.

La respuesta no consiste en transformar toda la experiencia en reglas. Antes de automatizar, conviene distinguir qué conocimiento puede hacerse explícito, qué excepciones pueden incorporarse al proceso y qué situaciones siguen necesitando criterio humano y capacidad de escalado.

Un proceso está mejor preparado para automatizarse cuando no depende de que una persona concreta recuerde continuamente cómo resolver lo inesperado. El objetivo es reducir esa dependencia sin eliminar el juicio experto que permite reconocer cuándo una regla deja de ser suficiente.