“¿Esto lo podría hacer una inteligencia artificial?”
La pregunta es válida.
Lo que me preocupa es la velocidad con la que solemos responderla.
Vemos una tarea repetitiva y concluimos que es sencilla.
Tomar un pedido.
Responder una consulta.
Clasificar un documento.
Validar una solicitud.
Agendar una cita.
Como una persona la realiza cientos de veces al día, asumimos que el proceso está perfectamente definido y que solo falta pasárselo a una máquina.
Pero repetitivo no significa simple.
Muchas tareas parecen fáciles precisamente porque una persona lleva años absorbiendo su complejidad sin que la organización se dé cuenta.
Interpreta excepciones.
Corrige información incompleta.
Reconoce cuándo el cliente está confundido.
Identifica algo que no encaja.
Hace una pregunta adicional.
Escala el caso cuando las reglas ya no alcanzan.
Todo eso ocurre en segundos y casi nunca aparece en el manual del proceso.
Por eso creo que uno de los errores más frecuentes de la transformación digital es intentar reemplazar el trabajo humano antes de haber entendido realmente en qué consiste.
El piloto de inteligencia artificial de McDonald’s en sus autoservicios permite ver este problema con bastante claridad.
Una tarea aparentemente perfecta para automatizar
En un restaurante de comida rápida, tomar un pedido parece una actividad ideal para la inteligencia artificial.
El menú es limitado.
Las preguntas se repiten.
Los productos están codificados.
La conversación tiene una finalidad concreta.
El cliente pide.
El sistema registra.
La cocina prepara.
Desde afuera, parece casi una transacción estructurada.
Además, el autoservicio es estratégico para McDonald’s. La empresa ha mantenido durante años una estrategia apoyada en cuatro grandes frentes: digital, entrega a domicilio, autoservicio y desarrollo de restaurantes. En sus mercados principales, los canales digitales ya representan una parte importante de las ventas y de su relación con el consumidor.
Automatizar la toma de pedidos podía prometer varias mejoras al mismo tiempo:
reducir la presión sobre los equipos;
atender con mayor rapidez;
aumentar la consistencia;
procesar más vehículos;
y permitir que los trabajadores se concentraran en preparar y entregar la comida.
La oportunidad no era imaginaria.
En octubre de 2021, McDonald’s e IBM anunciaron un acuerdo para acelerar el desarrollo de su tecnología de toma automatizada de pedidos. IBM adquiriría McD Tech Labs, una unidad creada después de que McDonald’s comprara en 2019 a Apprente, una empresa especializada en inteligencia artificial conversacional.
McDonald’s estaba dirigida por Chris Kempczinski, quien había asumido como CEO en 2019.
La compañía no estaba improvisando con una herramienta descargada unas semanas antes. Había adquirido capacidades, creado un laboratorio tecnológico y establecido una alianza con una de las compañías más experimentadas del mundo en inteligencia artificial empresarial.
Era una apuesta seria.
Y, sobre el papel, razonable.
El mundo real no habla como una base de datos
El problema apareció cuando una conversación aparentemente estructurada se encontró con la realidad.
Un autoservicio no es un ambiente silencioso.
Hay motores.
Viento.
Música.
Personas hablando dentro del vehículo.
Distintas pronunciaciones.
Acentos.
Niños cambiando de opinión.
Clientes que interrumpen.
Pedidos personalizados.
Productos agotados.
Promociones.
Correcciones de último momento.
Frases como:
“Quitame la salsa de ese, pero ponésela al otro.”
“Dame lo mismo que pidió ella, pero sin queso.”
“No, esperá. Mejor cambiame las papas por…”
Una persona no procesa esas conversaciones únicamente como una secuencia de palabras.
Las interpreta dentro de un contexto.
Sabe cuándo confirmar.
Cuándo esperar.
Cuándo ignorar un ruido.
Cuándo detectar que el pedido registrado no tiene sentido.
La inteligencia artificial debía convertir esa ambigüedad en instrucciones precisas para la cocina.
Y algunas veces no lo logró.
Durante el piloto aparecieron reportes de pedidos incorrectos. Algunos errores se hicieron virales: cantidades desproporcionadas, productos añadidos sin que el cliente los pidiera y combinaciones extrañas, como helado con tocineta.
Las anécdotas son llamativas, pero no deberían distraernos del punto central.
La dificultad no consistía simplemente en reconocer palabras.
Consistía en manejar una conversación llena de variaciones, excepciones y correcciones en un ambiente operativo ruidoso.
El trabajo era más complejo de lo que parecía.
En 2024, McDonald’s detuvo el piloto
En junio de 2024, McDonald’s confirmó que terminaría la prueba desarrollada con IBM y retiraría la tecnología de los restaurantes participantes.
La compañía explicó que el piloto había servido para evaluar si la toma automatizada de pedidos generaba ahorros operativos o mejoras en la velocidad del servicio. También afirmó que el aprendizaje le daba confianza en que los pedidos por voz formarían parte del futuro de sus restaurantes, aunque la solución probada con IBM no continuaría.
Este punto es importante.
McDonald’s no declaró que la inteligencia artificial fuera inútil.
Tampoco abandonó su estrategia digital.
De hecho, continuó profundizando su infraestructura tecnológica y su colaboración con otros proveedores, incluyendo iniciativas en la nube y aplicaciones de IA en la operación de sus restaurantes.
Lo que terminó fue una implementación específica.
Eso hace que el caso sea mucho más interesante que una historia sencilla de éxito o fracaso.
Una transformación madura no consiste en defender eternamente una tecnología porque ya se invirtió en ella.
También implica detener una solución, aprender de la experiencia y reconsiderar cómo debe diseñarse.
El problema no fue haber experimentado.
El problema habría sido escalar el sistema por orgullo, aun sabiendo que no entregaba una experiencia suficientemente confiable.
La automatización suele ignorar el trabajo invisible
Creo que acá aparece una reflexión que sirve para muchas industrias.
Las empresas conocen bastante bien el costo visible de una actividad.
Cuántas personas la realizan.
Cuánto tiempo dedican.
Cuánto cuestan sus salarios.
Cuántos turnos se requieren.
Lo que no siempre conocen es el valor invisible que esas personas agregan.
Un trabajador de autoservicio no solo transcribe.
También detecta errores antes de enviarlos.
Un asesor bancario no solo registra una solicitud.
También identifica que el cliente no entendió una condición.
Un agente de seguros no solo vende una póliza.
También traduce exclusiones que podrían generar un conflicto futuro.
Una persona de servicio al cliente no solo responde.
También reconoce cuándo el problema necesita empatía, criterio o una excepción.
Cuando la organización automatiza sin identificar ese trabajo invisible, suele comparar dos cosas que no son equivalentes.
Por un lado, calcula el costo total de la persona.
Por otro, calcula únicamente la capacidad básica de la tecnología.
Entonces concluye que la máquina es más barata.
Pero después aparecen los costos que nunca estuvieron en el caso de negocio:
errores;
reprocesos;
reclamos;
abandonos;
intervención manual;
pérdida de confianza;
supervisión adicional;
y daño reputacional.
La automatización puede seguir siendo rentable.
Pero el análisis debe incluir el trabajo completo, no solamente su parte más visible.
El error de diseñar desde el promedio
La inteligencia artificial suele funcionar bastante bien en los casos frecuentes.
El problema es que las operaciones reales no están compuestas únicamente por casos promedio.
Supongamos que una herramienta procesa correctamente el 90 % de los pedidos.
La cifra puede parecer excelente.
Pero en un negocio con millones de transacciones, el 10 % restante sigue representando una cantidad enorme de clientes afectados.
Además, no todos los errores tienen el mismo costo.
Confundir una bebida puede producir una molestia.
Registrar un alérgeno que el cliente pidió retirar puede tener una consecuencia mucho más seria.
El promedio puede ocultar los casos que realmente importan.
Por eso las empresas no deberían preguntar solamente:
“¿Qué porcentaje de operaciones puede automatizar la IA?”
También deberían preguntar:
“¿Qué tipos de error comete?”
“¿Cuándo necesita ayuda?”
“¿Qué tan rápido detectamos que se equivocó?”
“¿El proceso permite corregir antes de afectar al cliente?”
“¿Qué ocurre en los casos que se salen de la norma?”
Una automatización responsable no elimina necesariamente a la persona.
A menudo cambia el momento en el que interviene.
El verdadero modelo no siempre es reemplazar
Muchas conversaciones de inteligencia artificial parten de una elección demasiado limitada:
persona o máquina.
Pero existen diseños más inteligentes.
La IA puede tomar una primera parte del pedido y pasar a una persona cuando detecta incertidumbre.
Puede sugerir respuestas, mientras un trabajador las valida.
Puede transcribir la conversación y permitir una confirmación visual.
Puede identificar pedidos rutinarios y dejar los complejos al equipo.
Puede escuchar la interacción y alertar cuando algo parece inconsistente.
En esos modelos, la tecnología no compite con el criterio humano.
Lo amplifica.
Esto puede parecer menos revolucionario que anunciar que una tarea fue automatizada por completo.
Pero quizá sea mucho más útil para el negocio.
La transformación digital no tiene que demostrar que una máquina puede operar sola.
Tiene que generar mejores resultados.
Si una combinación entre IA y personas entrega mayor velocidad, menos errores y una experiencia más confiable, esa debería ser la solución, aunque no produzca un titular tan atractivo.
Lo que este caso significa para otras industrias
Banca
Los bancos están automatizando originación de créditos, prevención de fraude, atención y análisis documental.
La IA puede procesar enormes volúmenes de información.
Pero un caso financiero no siempre cabe completamente en un modelo.
Un cliente puede tener ingresos irregulares.
Un negocio puede no parecerse a los datos históricos.
Una transacción extraña puede ser legítima.
Automatizar no debería significar que nadie pueda comprender, revisar o corregir una decisión.
Seguros
Un siniestro parece un proceso estructurado hasta que se escucha la historia del cliente.
Los documentos pueden clasificarse automáticamente.
El fraude puede detectarse con modelos.
Pero las circunstancias humanas, las excepciones contractuales y los momentos emocionalmente sensibles siguen requiriendo criterio.
La eficiencia no puede convertir la reclamación en una conversación donde nadie escucha.
Salud
Un asistente digital puede clasificar síntomas, recordar medicamentos o gestionar citas.
Pero el riesgo de interpretar mal una excepción es alto.
En salud, automatizar la respuesta promedio sin una ruta clara de escalamiento puede ser peligroso.
Educación
Una universidad puede usar IA para orientar estudiantes, corregir ejercicios o recomendar contenidos.
Pero aprender no es simplemente recibir una respuesta.
También implica motivación, contexto, diálogo y acompañamiento.
La tecnología puede ampliar la capacidad del profesor.
Eso no significa que haya entendido todo el trabajo que realiza.
Recursos humanos
Una herramienta puede filtrar candidatos y resumir hojas de vida.
Pero los datos históricos pueden reproducir decisiones anteriores, incluyendo sus sesgos.
Automatizar el proceso no garantiza mejorar el criterio con el que se decide.
Servicio al cliente
Un chatbot puede resolver miles de preguntas frecuentes.
Pero no debería retener al cliente cuando la conversación ya necesita una persona.
Una automatización que impide resolver el problema no es autoservicio.
Es una barrera digital.
Cinco preguntas para los líderes
Antes de automatizar una actividad, haría estas preguntas.
1. ¿Qué hace realmente la persona?
No lo que dice la descripción del cargo.
Lo que ocurre en la práctica.
¿Qué excepciones resuelve?
¿Qué riesgos detecta?
¿Qué decisiones toma sin que aparezcan en el proceso formal?
2. ¿Qué ocurre cuando la tecnología no entiende?
Debe existir una ruta rápida y visible para pedir ayuda.
Si el cliente tiene que luchar contra la automatización para llegar a una persona, el diseño ya falló.
3. ¿Estamos midiendo ahorro o resultado?
Reducir segundos, contactos o empleados no demuestra por sí solo que la experiencia mejoró.
También hay que medir precisión, resolución, satisfacción, reclamos y correcciones.
4. ¿Podemos experimentar sin escalar el error?
McDonald’s probó la solución en una parte limitada de su red y finalmente decidió retirarla.
Ese es precisamente el valor de un piloto: aprender antes de convertir una hipótesis en un estándar global.
5. ¿La tecnología está ampliando el criterio o intentando eliminarlo?
Hay tareas donde la automatización total tiene sentido.
En otras, el mejor resultado aparece cuando la máquina procesa y la persona interpreta.
No distinguirlas es una decisión gerencial, no un problema del algoritmo.
La reflexión que me queda
Es fácil quedar impresionado por una inteligencia artificial que realiza en segundos algo que antes tomaba minutos.
Pero la velocidad no nos dice si entendió.
La reducción de costos no nos dice si creó valor.
Y el porcentaje de automatización no nos dice si el cliente recibió una mejor experiencia.
Creo que el verdadero desafío de la IA no es demostrar que puede reemplazar personas.
Es descubrir dónde la tecnología mejora el trabajo, dónde necesita supervisión y dónde el criterio humano sigue siendo parte esencial del valor.
McDonald’s no fracasó por probar inteligencia artificial en el autoservicio.
Hizo lo que una empresa que experimenta debería hacer: probó, midió, aprendió y retiró una solución que todavía no estaba lista para escalar.
La enseñanza para los líderes no es evitar la automatización.
Es dejar de tratarla como una carrera por eliminar personas.
Porque antes de preguntarnos quién sobra en un proceso, deberíamos entender algo mucho más básico:
qué problema resuelve esa persona cuando la realidad deja de comportarse como estaba previsto.