WEBVTT 00:00:00.000 --> 00:00:03.500 Tus automatizaciones low-code fallan porque intentan ser demasiado listas para su propio bien. 00:00:03.840 --> 00:00:09.940 La lógica rígida de si entonces es una sentencia de muerte cuando te enfrentas a inconsistencias de datos reales que bloquean tus sistemas a diario. 00:00:10.200 --> 00:00:13.040 Asumir que los datos están limpios es el pecado original del diseño low-code. 00:00:13.360 --> 00:00:18.060 Construimos nuestro mundo sobre el modelo de si entonces, pero ese modelo requiere una certeza absoluta para funcionar. 00:00:18.340 --> 00:00:19.680 Los datos del mundo real no son ciertos. 00:00:19.860 --> 00:00:20.900 Tienen errores tipográficos. 00:00:20.980 --> 00:00:21.620 Les falta contexto. 00:00:22.360 --> 00:00:23.740 Son un flujo caótico de error humano. 00:00:24.480 --> 00:00:29.060 Cuando un sistema determinista encuentra una variación del 1%, no cede y ciertamente no se adapta. 00:00:29.060 --> 00:00:30.080 Simplemente cero. 00:00:31.360 --> 00:00:35.540 Esto crea la trampa de la fragilidad, donde tu automatización es tan fuerte como tu punto de datos más limpio. 00:00:35.720 --> 00:00:38.080 En el entorno empresarial es un estándar muy bajo para el éxito. 00:00:38.360 --> 00:00:41.160 Pero el problema no son los datos, sino el modelo que usamos para procesarlos. 00:00:41.880 --> 00:00:42.700 La muerte de determinismo. 00:00:43.300 --> 00:00:46.380 La lógica determinista es una reliquia de la era de los datos estructurados. 00:00:47.120 --> 00:00:52.640 Funcionaba cuando todo vivía en una tabla SQL y cuando obligábamos a los humanos a encajar en casillas predefinidas. 00:00:53.360 --> 00:00:54.140 Pero ese mundo ya no existe. 00:00:54.460 --> 00:00:57.160 Hoy, el 80% de los datos empresariales no están estructurados, 00:00:57.160 --> 00:00:59.720 lo que significa que viven en correos, chats y grabaciones de voz. 00:01:00.300 --> 00:01:05.640 Los flujos tradicionales de Power Automate tratan a manzanas y cuatro manzanas como dos universos distintos, como dos unidos. 00:01:06.580 --> 00:01:09.240 Para un sistema binario, son cadenas de texto totalmente ajenas. 00:01:10.120 --> 00:01:14.620 Hemos llegado a un punto crítico donde el costo de limpiar datos manualmente supera el valor de la propia automatización. 00:01:15.540 --> 00:01:20.320 Si tienes que pasar dos horas arreglando un CSV para que un flujo corra cinco segundos, realmente no has automatizado nada. 00:01:21.200 --> 00:01:22.260 Solo has trasladado el trabajo. 00:01:22.260 --> 00:01:25.840 La IA no es solo una nueva característica brillante que pegamos al costado de la Power Platform. 00:01:26.520 --> 00:01:29.300 Es un cambio fundamental de la coincidencia exacta a la similitud. 00:01:30.340 --> 00:01:31.980 Viejo modelo pregunta, ¿es esto A? 00:01:32.500 --> 00:01:34.540 El nuevo modelo pregunta, ¿qué tanto se parece esto A? 00:01:35.200 --> 00:01:36.960 Piensa en cómo navegas en tu bandeja de entrada. 00:01:37.300 --> 00:01:39.380 No ejecutas una expresión regular en tu cabeza para encontrar una factura. 00:01:39.640 --> 00:01:40.580 Buscas patrones. 00:01:40.940 --> 00:01:41.540 Buscas contexto. 00:01:41.540 --> 00:01:47.760 Reconoces que INV2 y NOSO2 y NÚMERO DE FACTURA 202 son lo mismo, aunque los caracteres no coincidan. 00:01:48.200 --> 00:01:49.600 Los sistemas deterministas no pueden hacer eso. 00:01:49.840 --> 00:01:50.760 Son ciegos a la intención. 00:01:51.040 --> 00:01:51.800 Solo ven la sintaxis. 00:01:52.140 --> 00:01:56.120 Y a medida que avanzamos hacia 2026, la sintaxis es menos importante que la semántica. 00:01:56.760 --> 00:02:02.240 Estamos viendo una explosión masiva en el volumen de datos de sensores IoT, flujos en tiempo real y resúmenes generados por LLMS. 00:02:02.240 --> 00:02:07.880 Si intentas gestionar ese volumen con ramas de 111 codificadas, tu lógica se convertirá en un laberinto. 00:02:08.360 --> 00:02:10.700 Terminarás con flujos que tienen 50 condiciones anidadas. 00:02:10.900 --> 00:02:13.620 Y aún así fallarán en el momento en que un proveedor cambie su firma de correo. 00:02:14.100 --> 00:02:17.780 El modelo sí es esto entonces de aquello es un mundo perfecto donde la entrada siempre coincidirá con el esquema. 00:02:18.920 --> 00:02:20.460 Pero en realidad es todo lo contrario. 00:02:21.000 --> 00:02:21.880 Los datos son la variable. 00:02:22.500 --> 00:02:26.620 La lógica debería ser la constante, pero nuestra lógica ha sido demasiado rígida para sobrevivir al contacto con la realidad. 00:02:27.020 --> 00:02:29.780 Hemos construido casas de cristal en un mundo donde graniza constantemente. 00:02:29.780 --> 00:02:32.260 Y luego nos preguntamos por qué el suelo está lleno de esquirlas. 00:02:32.900 --> 00:02:36.340 El cambio al diseño probabilístico consiste en construir con goma en lugar de cristal. 00:02:36.820 --> 00:02:41.120 Se trata de crear sistemas que puedan absorber el impacto de un error tipográfico sin hacerse añicos. 00:02:41.860 --> 00:02:45.320 Nos alejamos de la idea de que un sistema debe ser 100% correcto o 100% incorrecto. 00:02:45.380 --> 00:02:48.780 Porque en el mundo real, nada es 100%. 00:02:48.780 --> 00:02:51.460 Hemos estado mintiendo sobre la calidad de nuestros datos durante décadas. 00:02:51.840 --> 00:02:53.720 Creamos alas blancas para nuestra lógica. 00:02:53.720 --> 00:02:57.960 Y luego fingimos sorpresa cuando los datos sucios del equipo de ventas causaban un fallo en todo el sistema. 00:02:57.960 --> 00:03:00.320 La muerte del determinismo es la muerte de esa mentira. 00:03:00.820 --> 00:03:04.160 Es admitir que no podemos controlar la entrada, por lo que debemos modernizar el procesamiento. 00:03:05.020 --> 00:03:10.840 Estamos entrando en la era de la empresa aproximada, donde aceptamos que suficientemente cerca es mejor que exactamente incorrecto. 00:03:11.500 --> 00:03:18.900 Porque un sistema que puede procesar una coincidencia del 90% es infinitamente más valioso que uno que rechaza todo, excepto una coincidencia del 100%. 00:03:18.900 --> 00:03:21.560 Esto no es solo un cambio técnico, es un cambio psicológico. 00:03:21.560 --> 00:03:26.300 Pero debes sentirte cómodo con la idea de que tu sistema pueda estar bastante seguro sobre un dato. 00:03:27.440 --> 00:03:31.900 Debes aprender a diseñar para duda, porque la duda es la única forma honesta de manejar información no estructurada. 00:03:32.860 --> 00:03:35.980 Este cambio requiere que pasemos de activadores binarios a algo mucho más matizado. 00:03:36.580 --> 00:03:38.900 La puntuación de confianza, la arquitectura de la incertidumbre. 00:03:39.580 --> 00:03:43.720 Si aceptamos que la era de la lógica binaria ha terminado, debemos reemplazarla con un nuevo marco. 00:03:44.180 --> 00:03:45.680 Yo llamo a esto el modelo de lo que estás informando. 00:03:45.680 --> 00:03:50.180 En una arquitectura informática tradicional, cada uno es un solista que sigue una partitura rígida. 00:03:50.340 --> 00:03:52.580 Y si alguien falla una sola nota, toda la actuación se detiene. 00:03:53.660 --> 00:03:57.760 Pero en arquitectura probabilística tenemos directores deterministas gestionando músicos probabilísticos. 00:03:58.260 --> 00:03:59.580 El director es tu flujo de power automate. 00:04:00.200 --> 00:04:02.540 Proporciona la estructura, marca el tempo y define los límites. 00:04:03.160 --> 00:04:04.420 Los músicos son los modelos de IA. 00:04:05.360 --> 00:04:07.440 Son talentosos, pero expresivos, y no siempre. 00:04:07.760 --> 00:04:09.900 Alcanzan la misma frecuencia exacta cada vez que tocan. 00:04:11.040 --> 00:04:13.440 El trabajo del director no es obligar a los músicos a ser robot. 00:04:13.440 --> 00:04:17.500 Si escucharlos y decidir si el sonido que producen es lo suficientemente bueno para continuar. 00:04:18.340 --> 00:04:21.580 Esto nos lleva al pilar fundamental del diseño moderno, la puntuación de confianza. 00:04:22.260 --> 00:04:25.200 Un puntaje de confianza es un valor de 0 a 1 que cuantifica la duda. 00:04:25.960 --> 00:04:30.060 Es la forma en que el modelo dice, creo que esto es una coincidencia, y esto es lo que estoy dispuesto a apostar por ello. 00:04:30.820 --> 00:04:32.960 En el viejo mundo tenemos rutas programadas de forma real. 00:04:33.360 --> 00:04:36.160 Si el asunto del correo electrónico contiene factura, entonces guarda la chugada. 00:04:36.600 --> 00:04:38.600 En el nuevo mundo utilizamos el enrutamiento basado en el campo. 00:04:38.940 --> 00:04:41.480 Estamos haciendo que la duda interna del modelo sea visible para el sistema. 00:04:41.480 --> 00:04:46.960 Ya no tratamos a la IA como una caja negra, sino que la tratamos como a un testigo con un nivel específico de credibilidad. 00:04:47.960 --> 00:04:50.040 Así es como realmente construyes esto en Power Platform. 00:04:50.400 --> 00:04:53.800 Cuando usas AI Builder o Azure AI, no solo obtienes los datos extraídos. 00:04:54.300 --> 00:04:57.420 Obtienes una capa de metadatos que revela la probabilidad de cada campo. 00:04:58.200 --> 00:05:03.280 Si el modelo extrae el monto total de $1,500, también te dice que está 95% seguro de ese número. 00:05:04.100 --> 00:05:06.320 Como arquitecto ahora tienes tres zonas de acción distintas. 00:05:06.320 --> 00:05:07.760 Primero, la zona verde. 00:05:08.380 --> 00:05:09.820 ¿La confianza es de 0.1 o superior? 00:05:10.620 --> 00:05:14.740 El riesgo de error es bajo, el costo de un error es manejable y el resultado es que automatizas. 00:05:15.420 --> 00:05:17.140 El sistema procede sin intervención humana. 00:05:17.780 --> 00:05:18.700 Segundo, la zona amarilla. 00:05:19.080 --> 00:05:21.740 La confianza está entre 0.60 y 0.89. 00:05:22.420 --> 00:05:24.380 El modelo está bastante seguro, pero no tiene certeza total. 00:05:24.660 --> 00:05:27.640 Tal vez el documento estaba un poco borroso, tal vez la letra difícil de leer. 00:05:27.920 --> 00:05:29.020 En esta zona marcas el proceso. 00:05:29.320 --> 00:05:32.200 El sistema envía los datos a un revisor humano para una verificación rara. 00:05:32.900 --> 00:05:33.760 Tercero, la zona roja. 00:05:33.760 --> 00:05:35.780 La confianza está por debajo de 0.60. 00:05:36.180 --> 00:05:36.940 El modelo está adivinando. 00:05:37.260 --> 00:05:39.100 En esta zona, rechazas o escalas. 00:05:39.440 --> 00:05:41.720 No permite que esos datos se acerquen a tu base de datos de producción. 00:05:42.240 --> 00:05:44.120 Esta es una capa transparente de gestión de riesgo. 00:05:44.580 --> 00:05:47.380 Te permite escalar tu automatización manteniendo una válvula de seguridad. 00:05:47.880 --> 00:05:49.340 Piensa en las implicaciones para gobernar. 00:05:49.820 --> 00:05:51.860 En un sistema determinista los errores son silencios. 00:05:52.240 --> 00:05:56.580 Un flujo se ejecuta, elige el número incorrecto debido a un error tipográfico y escribe ese número erróneo en tu ERP. 00:05:57.020 --> 00:05:58.580 No te enteras hasta el final del trimestre. 00:05:58.940 --> 00:06:00.800 En un sistema probabilístico el error tiene una firma. 00:06:00.800 --> 00:06:05.620 El sistema sabe que está teniendo problemas y dice, oye, procesé esto, pero mi confianza fue solo el 62%. 00:06:05.620 --> 00:06:07.940 Esa es una señal increíblemente poderosa. 00:06:08.240 --> 00:06:09.520 Te permite construir un panel de dudas. 00:06:09.800 --> 00:06:11.360 Puedes ver exactamente dónde están fallando tus modelos. 00:06:11.820 --> 00:06:17.480 Puedes ver qué proveedores envían documentos que la EA no puede leer y qué pasos del proceso alcanzan constantemente la zona amarilla. 00:06:18.240 --> 00:06:20.720 No solo estás construyendo un flujo, estás construyendo un ciclo de inteligencia. 00:06:21.100 --> 00:06:23.680 Y aquí es donde Azure AI y AI Builder realmente destacan. 00:06:23.680 --> 00:06:29.700 Exponen estas puntuaciones a un nivel granular para que puedas ver la confianza en una tabla, celda o intención específica. 00:06:30.240 --> 00:06:32.520 Incluso puedes usar PowerFX para crear umbrales dinámicos. 00:06:33.140 --> 00:06:36.600 Quizá para un informe de gastos de 50 dólares, una confianza de 0.70 está bien. 00:06:37.160 --> 00:06:40.260 Pero para una orden de compra de 50 mil dólares necesitas un 0.98. 00:06:40.260 --> 00:06:44.100 Finalmente estás alineando tu lógica técnica con tu riesgo empresarial. 00:06:44.640 --> 00:06:47.400 Hemos tratado cada punto de datos como si tuviera el mismo peso, pero no es así. 00:06:48.020 --> 00:06:53.800 El diseño probabilístico te permite tratar una decisión de alto riesgo de forma distinta a una de bajo riesgo, incluso en el mismo flujo. 00:06:54.520 --> 00:07:00.420 Ya no construyes para un mundo perfecto, construyes para un mundo donde sabes exactamente cuánta incertidumbre estás dispuesto a tolerar. 00:07:01.300 --> 00:07:04.740 Y una vez que dominas la puntuación, puedes empezar a mirar la lógica que cierra las brechas. 00:07:05.520 --> 00:07:06.780 Coincidencia difusa, lógica semántica. 00:07:06.780 --> 00:07:10.740 Pero ¿cómo manejamos realmente los datos que caen en ese punto medio de incertidumbre? 00:07:11.860 --> 00:07:14.000 Comenzamos admitiendo que la coincidencia exacta fallando. 00:07:14.520 --> 00:07:15.880 Falla porque carece de contexto. 00:07:16.300 --> 00:07:19.360 En el modelo antiguo, si el nombre de un proveedor tenía un punto de más, la búsqueda fallaba. 00:07:20.060 --> 00:07:21.600 La búsqueda no se preocupa por tu intención. 00:07:21.880 --> 00:07:23.120 Solo le importan los valores así. 00:07:23.620 --> 00:07:24.880 Aquí es donde entra en juego la coincidencia. 00:07:25.280 --> 00:07:32.540 Es una técnica que identifica y vincula registros no idénticos calculando una puntuación de similitud y actúa como puente entre IBM e IBM. 00:07:33.180 --> 00:07:34.300 Y el impacto no es teórico. 00:07:34.300 --> 00:07:39.260 La investigación muestra que implementar la coincidencia difusa puede mejorar tus tasas de coincidencia hasta en un 24%. 00:07:39.260 --> 00:07:43.740 Eso es un 24% de tus datos que antes hubieran sido rechazados o enviados a una persona para su corrección manual. 00:07:44.100 --> 00:07:47.200 En un entorno de alto volumen, eso representa miles de horas de tiempo recuperado. 00:07:47.560 --> 00:07:48.680 Pero tienes que entender la mecánica. 00:07:49.240 --> 00:07:50.700 Hay dos formas principales de pensar sobre esto. 00:07:50.960 --> 00:07:52.340 Primero, la lógica basada en caracteres. 00:07:52.580 --> 00:07:54.220 A esto se le suele llamar distancia de Levenstein. 00:07:54.720 --> 00:07:57.220 Puente el número de decisiones necesarias para convertir una cadena en otra. 00:07:57.620 --> 00:07:58.700 Es perfecto para los errores típicos. 00:07:58.700 --> 00:08:06.640 Si alguien escribe manage en lugar de management, el sistema ve la falta de la e y la a, calcula la distancia y ve que son casi idénticos. 00:08:07.740 --> 00:08:09.180 Segundo, tenemos la lógica semántica. 00:08:09.700 --> 00:08:10.780 Y es donde las cosas se ponen interesantes. 00:08:11.120 --> 00:08:12.800 A la lógica semántica no le importa la ortografía. 00:08:13.080 --> 00:08:13.940 Le importa el significado. 00:08:14.360 --> 00:08:19.100 Si un sistema dice customer y otro dice client una coincidencia basada en caracteres, fallará siempre. 00:08:19.100 --> 00:08:21.460 Pero un modelo semántico sabe que son la misma cosa. 00:08:22.040 --> 00:08:24.540 Este es el cambio de coincidir caracteres a coincidir conceptos. 00:08:25.040 --> 00:08:30.540 Cuando combinas puntajes de confianza con coincidencia difusa, creas un sistema que puede navegar la compleja realidad de los datos empresariales. 00:08:31.200 --> 00:08:34.960 Ya no estás limitado por reglas rígidas que se rompan en el momento en que un humano comete un error tipográfico. 00:08:35.060 --> 00:08:36.840 Estás construyendo un sistema que comprende los metices. 00:08:37.520 --> 00:08:41.040 Y así es como pasas de una automatización simple a una verdadera inteligencia digital. 00:08:41.520 --> 00:08:43.100 Construyendo flujos de trabajo autocorrectivos. 00:08:43.720 --> 00:08:47.680 Incluso con la mejor coincidencia difusa del mundo, debemos enfrentar la realidad de que la IA todavía alucina. 00:08:48.120 --> 00:08:49.900 Simplemente cómo funciona la tecnología en este momento. 00:08:50.340 --> 00:08:55.200 Los datos actuales muestran que incluso los modelos más avanzados tienen tasas de alucinación de entre el 15 y el 20%. 00:08:55.200 --> 00:08:59.380 Si construyes sistemas para una empresa, no puedes ignorar una tasa de fallo de uno de cada cinco. 00:08:59.540 --> 00:09:01.960 Y definitivamente no puedes solucionarlo solo con ingeniería de PROMS. 00:09:02.680 --> 00:09:06.320 Debes aceptar que alcanzar una tasa de alucinación del 0% no es un truco de magia. 00:09:06.900 --> 00:09:08.500 Es una elección arquitectónica deliberada. 00:09:08.860 --> 00:09:13.100 Aquí es donde dejamos atrás la automatización simple y comenzamos a construir flujos de trabajo resistentes de autocorrectivo. 00:09:13.500 --> 00:09:16.280 Lo hacemos utilizando una estructura que llamo el patrón de validación de WB. 00:09:16.280 --> 00:09:20.980 Actúa como una salvaguarda que impide que la imaginación creativa de la IA arruine tus datos reales. 00:09:21.660 --> 00:09:23.680 Existe una regla fundamental para el arquitecto modelo. 00:09:24.140 --> 00:09:26.000 Nunca deje un modelo de lenguaje granegado que alguno te mata. 00:09:26.540 --> 00:09:30.720 Los LLM son motores de razonamiento flexible, lo que los hace excelentes para entender la intención 00:09:30.720 --> 00:09:33.680 o encontrar detalles específicos en textos desordenados. 00:09:34.520 --> 00:09:37.520 Sin embargo, son estadísticamente poco fiables cuando se trata de aritmética básica. 00:09:37.520 --> 00:09:42.720 Si le pides a una IA que extraiga tres artículos de una factura y calcula el total, básicamente estás pidiendo que el sistema falle. 00:09:43.080 --> 00:09:43.380 Falle. 00:09:43.880 --> 00:09:49.260 En un diseño autocorrectivo, usas el LLM para la parte de razonamiento flexible, como extraer datos de un PDF desordenado. 00:09:50.000 --> 00:09:54.040 Una vez que tienes esos números, los pasa a un sistema determinista para manejar las restricciones estrictas. 00:09:54.740 --> 00:09:58.840 Tu flujo de Power Automate o un motor de reglas básico debería ser el encargado de realizar la suma. 00:09:59.380 --> 00:10:01.940 Debería ser el que verifique los impuestos o confirme la conversión de moneda. 00:10:01.940 --> 00:10:07.020 Si el LLM afirma que el total es de 500 dólares, pero tus cálculos muestran que debería ser 480 dólares, 00:10:07.120 --> 00:10:08.920 sistema detectado una alucinación en tiempo real. 00:10:09.780 --> 00:10:11.980 En lugar de bloquearse, el sistema activa una vía de recuperación. 00:10:12.520 --> 00:10:15.700 Podría intentar con un prompt diferente o podría marcar el error para que una persona lo revise. 00:10:16.720 --> 00:10:20.420 Esta es la diferencia entre un flujo que se rompe y un flujo que realmente se repara a sí mismo. 00:10:21.040 --> 00:10:23.660 Estamos viendo el mismo cambio ocurrir en la automatización robótica de proceso. 00:10:24.020 --> 00:10:27.240 La ARPA tradicional es muy frágil porque depende de coordenadas exactas en una pantalla. 00:10:27.940 --> 00:10:30.740 Si un botón se mueve solo tres píxeles a la izquierda, todo el bot falla. 00:10:30.740 --> 00:10:34.340 La ARPA autorreparable cambia eso mediante el uso de visión probabilística. 00:10:34.900 --> 00:10:37.340 El bot ya no busca una coordenada de píxeles específica. 00:10:37.840 --> 00:10:41.060 En cambio, busca el botón que parece un ícono de guardar cerca de la parte superior de la pantalla. 00:10:41.520 --> 00:10:44.640 Cuando la interfaz cambia, el bot usa el contexto para adaptarse sobre la marcha, 00:10:45.440 --> 00:10:48.580 reconoce el nuevo diseño, actualiza su propia lógica y termina la tarea. 00:10:49.500 --> 00:10:52.440 Esto crea un ciclo resiliente donde el sistema ve un fallo potencial 00:10:52.440 --> 00:10:56.100 y construye un puente hacia la solución antes de que el usuario note el problema. 00:10:56.740 --> 00:11:00.100 Este cambio traslada nuestro enfoque de las tasas de éxito a las tasas de recuperación. 00:11:00.520 --> 00:11:03.100 Dejamos de intentar que la IA sea perfecta, lo cual es imposible, 00:11:03.200 --> 00:11:05.180 y empezamos a hacer que el sistema sea inquebrantable. 00:11:05.760 --> 00:11:08.740 Se trata de integrar una capa de control y equilibrio en cada transacción. 00:11:09.340 --> 00:11:12.360 Deberías tratar a la IA como un pasante veloz que se distrae con facilidad. 00:11:13.120 --> 00:11:15.420 Le dejas hacer el trabajo pesado de leer miles de correos, 00:11:15.780 --> 00:11:18.820 pero nunca dejas que firme los cheques sin que un auditor senior verifique la firma. 00:11:19.800 --> 00:11:21.900 En este caso, tu código determinista es ese auditor. 00:11:21.900 --> 00:11:27.100 Al separar el pensamiento del cálculo, construyes un sistema que maneja el caos del lenguaje humano 00:11:27.100 --> 00:11:29.440 manteniendo la precisión de un reloj suizo. 00:11:30.200 --> 00:11:33.540 Si es como sacas a la IA de la fase de pruebas y la llevas al núcleo de tu negocio. 00:11:34.260 --> 00:11:37.180 No confías en el modelo, confías en la arquitectura que construiste a su alrededor. 00:11:37.940 --> 00:11:41.860 Creas una red de seguridad tan fuerte que el tropiezo ocasional del modelo ni siquiera cuenta como error. 00:11:42.560 --> 00:11:44.700 Simplemente se convierte en otra parte del ciclo de autocorrección. 00:11:44.700 --> 00:11:51.460 Esto suena genial en el laboratorio, pero en la producción, el mayor cuello de botella no es la IA, 00:11:51.620 --> 00:11:52.880 es la realidad del humano en el ciclo. 00:11:53.560 --> 00:11:57.940 Esto suena genial en el laboratorio, pero en la producción, el mayor cuello de botella no es la IA, es el humano. 00:11:59.160 --> 00:12:02.640 Solemos hablar de la automatización como una elección simple entre humano o máquina, 00:12:02.860 --> 00:12:06.320 pero el cambio de probabilidad nos obliga a un terreno medio complejo. 00:12:07.040 --> 00:12:09.420 Los puntos de referencia de la industria muestran una verdad bastante eleccionada. 00:12:09.940 --> 00:12:14.340 Alrededor del 50% de los flujos de trabajo de IA aún necesitan que un experto los revise ante término. 00:12:14.620 --> 00:12:17.400 Esta es la razón principal por la que vemos una crisis de paso de piloto-producción. 00:12:17.640 --> 00:12:20.780 Si observan las cifras, el 88% de los proyectos piloto de IA fallan un año. 00:12:21.160 --> 00:12:22.580 No fallan porque la tecnología está rota. 00:12:23.320 --> 00:12:27.460 Fallan porque quienes los diseñan intentan automatizar el 100% de la tarea demasiado pronto. 00:12:28.280 --> 00:12:30.540 Construyeron un sistema que funciona con datos de prueba limpios, 00:12:30.620 --> 00:12:33.280 pero la lógica se rompe al chocar con la fricción de un departamento real. 00:12:33.860 --> 00:12:36.620 Cuando ignoras el elemento humano, creas una carga de verificación. 00:12:37.140 --> 00:12:42.200 Si tu IA ahorra 10 minutos de entrada de datos, pero añades 50 minutos de revisión porque el equipo no confía en ella, 00:12:42.300 --> 00:12:43.860 en realidad has perdido productividad. 00:12:44.780 --> 00:12:46.880 Has construido un pasivo en lugar de un activo. 00:12:47.260 --> 00:12:50.960 Los diseños exitosos en 2026 tratarán el trabajo de verificación como una característica. 00:12:51.500 --> 00:12:53.860 No ven la revisión humana como un fallo del sistema. 00:12:54.540 --> 00:12:56.560 En cambio, la ven como una parte necesaria de la arquitectura. 00:12:56.560 --> 00:13:00.560 Integran el costo de esa revisión en el retorno de inversión desde el primer día. 00:13:01.280 --> 00:13:03.680 El secreto para que esto funcione es una lógica de revisión por niveles. 00:13:04.400 --> 00:13:06.440 Así es como escalas las cosas sin perder la cabeza. 00:13:07.020 --> 00:13:08.940 Las transacciones de alta confianza ocurren cidiosamente. 00:13:08.940 --> 00:13:13.420 Si el modelo tiene un 98% de certeza y el cálculo es correcto, el sistema simplemente sigue adelante. 00:13:14.060 --> 00:13:17.620 Pero los casos de baja confianza, como esa zona amarilla de la que hablamos, se activarán en escalada. 00:13:18.180 --> 00:13:19.620 Esto cambia el papel humano por completo. 00:13:20.140 --> 00:13:22.300 Estamos pasando de la entrada de datos a la auditoría de datos. 00:13:22.300 --> 00:13:26.160 En el modelo antiguo, el humano era el motor porque hacía todo el trabajo de escribir y hacer clic. 00:13:26.660 --> 00:13:28.200 En el nuevo modelo, el humano es el gobernador. 00:13:28.700 --> 00:13:33.000 Ellos manejan las excepciones y aportan el matiz que un modelo probabilístico no termina de entender. 00:13:33.500 --> 00:13:34.760 Piensa en cómo se siente esto para el equipo. 00:13:35.120 --> 00:13:40.020 Cuando las personas saben que solo tienen que mirar el 5% de los casos que son realmente difíciles, se mantiene mucho más comprometida. 00:13:40.340 --> 00:13:41.580 Ya no se aburren con la rutina. 00:13:42.260 --> 00:13:44.640 Se sienten desafiados por la complejidad de los casos difíciles. 00:13:44.640 --> 00:13:47.040 Pero tienes que construir la interfaz correcta para que esto funcione. 00:13:47.460 --> 00:13:49.660 No puedes simplemente enviar un correo diciendo que algo salió mal. 00:13:50.200 --> 00:13:51.780 Necesita mostrar una comparación lado a lado. 00:13:52.400 --> 00:13:53.720 Muestra a la persona el documento original. 00:13:54.460 --> 00:13:58.220 Muestra lo que la idea extrajo y resalta el campo exacto donde cayó la puntuación de confianza. 00:13:58.940 --> 00:14:02.900 Si quieres escalar, tienes que dejar de actuar como si la revisión humana significara que tu automatización es débil. 00:14:03.120 --> 00:14:03.940 Realmente todo lo contrario. 00:14:04.460 --> 00:14:09.800 Un humano bien integrado es lo que hace que un sistema probabilístico sea lo suficientemente fuerte para sobrevivir en el mundo real. 00:14:10.360 --> 00:14:12.540 Es la capa final de tu arquitectura de autocorrección. 00:14:13.520 --> 00:14:14.660 El futuro agéntico. 00:14:15.020 --> 00:14:17.460 Estamos mirando hacia un nuevo horizonte llamado la empresa agéntica. 00:14:18.240 --> 00:14:20.880 Este es el punto final lógico para todo lo que hemos discutido hoy. 00:14:20.880 --> 00:14:27.200 Nos adentramos en un mundo donde los agentes ya no son solo scripts simples o flujos básicos porque se están convirtiendo en trabajadores digitales de primera clase. 00:14:28.040 --> 00:14:30.180 Power Platform está cambiando justo frente a nosotros. 00:14:30.820 --> 00:14:34.300 Está pasando de ser un constructor de aplicaciones estándar a un centro de orquestación completo. 00:14:34.300 --> 00:14:37.860 En el modelo antiguo, construías una aplicación específica para resolver un problema específico. 00:14:38.260 --> 00:14:42.360 Pero en el modelo agéntico, construías un entorno donde los agentes resuelven esos problemas por ti. 00:14:42.800 --> 00:14:45.000 Estos agentes no solo siguen una lista estática de pasos. 00:14:45.620 --> 00:14:50.360 Observan su entorno, evalúan sus propios niveles de confianza y deciden qué herramientas realmente era adecuada para usar después. 00:14:51.000 --> 00:14:54.260 Para 2026, la gobernanza no se parecerá en nada a lo que era hace dos años. 00:14:54.260 --> 00:14:58.500 Herramientas como Purview y Sentinel se dirigen hacia la detección probabilística de anomalías. 00:14:59.280 --> 00:15:01.260 Ya no solo están buscando una contraseña filtrada. 00:15:01.800 --> 00:15:05.200 En cambio, están buscando patrones de comportamiento que simplemente no parecen correctos. 00:15:06.260 --> 00:15:10.400 Están aplicando la misma lógica de similitud que usamos para la extracción de datos a la seguridad de todo su entorno. 00:15:11.080 --> 00:15:11.960 Este cambio es permanente. 00:15:11.960 --> 00:15:16.720 Las personas que se aferran a la lógica rígida de si entonces terminarán gestionando sistemas rotos y equipos frustrados. 00:15:17.240 --> 00:15:22.740 Se quedarán atrapados en un ciclo de mantenimiento constante mientras intentan reparar una casa de cristal que nunca fue construida para este clima. 00:15:23.140 --> 00:15:25.040 La empresa agéntica comienza con una sola realización. 00:15:25.760 --> 00:15:28.640 No necesitamos controlar cada variable para obtener un resultado fiable. 00:15:29.060 --> 00:15:30.300 Solo necesitamos controlar al arquitecto. 00:15:30.820 --> 00:15:35.600 Nuestro trabajo es definir los umbrales y establecer las directrices para que los agentes puedan trabajar dentro de sus límites. 00:15:36.160 --> 00:15:38.260 En este mundo, su lógica de negocio se vuelve elástica. 00:15:38.260 --> 00:15:43.940 Se estira para manejar un nuevo proveedor o un formato de documento diferente sin necesitar que un desarrollador reescriba una sola línea de código. 00:15:44.420 --> 00:15:45.840 Esta es la verdadera promesa de Low-Code. 00:15:46.080 --> 00:15:49.360 Es la capacidad de moverse a la velocidad del pensamiento en lugar de la velocidad de la sintaxis. 00:15:49.580 --> 00:15:51.180 Pero para llegar allí, tienes que empezar hoy. 00:15:51.640 --> 00:15:55.100 Deja de construir para el mundo perfecto y empiece a construir para el mundo caótico en el que realmente vivimos. 00:15:55.660 --> 00:15:56.520 Tienes que aceptar la duda. 00:15:57.600 --> 00:15:58.380 Desafío de inventación. 00:15:58.980 --> 00:15:59.900 Y está tu tarea por la semana. 00:16:00.460 --> 00:16:02.320 Quiero que encuentres tu flujo con mayor tasa de fallos. 00:16:02.800 --> 00:16:06.540 No eliges el más complejo, sino el que falla más a menudo debido a datos erróneos. 00:16:06.540 --> 00:16:08.020 El objetivo no es arreglar los datos. 00:16:08.440 --> 00:16:11.280 No puedes controlar lo que tus usuarios o tus proveedores deciden enviarte. 00:16:11.980 --> 00:16:14.900 En lugar de luchar contra esa realidad, quiero que añadas un umbral de confianza. 00:16:15.420 --> 00:16:19.020 Entra en tu A-Builder o en tu acción de LLM y expone esa puntuación de probabilidad. 00:16:19.340 --> 00:16:20.020 Crea una condición simple. 00:16:20.580 --> 00:16:23.980 Si la puntuación de confianza es inferior al 85%, no dejes que el flujo falle. 00:16:24.600 --> 00:16:28.400 Dirige ese caso específico a una carpeta de revisión o a una lista de SharePoint para una verificación manual. 00:16:28.680 --> 00:16:30.200 Observa qué sucede con tu tasa de éxito. 00:16:30.720 --> 00:16:34.900 Verás cómo el estrés abandona tu sistema en el momento en que dejas de pretender que cada entrada será perfecta. 00:16:35.380 --> 00:16:38.440 Si este cambio de mentalidad modificó tu enfoque, sígueme Mirko Peters en LinkedIn. 00:16:39.160 --> 00:16:41.880 Comparte constantemente análisis profundo sobre estos patrones arquitectónicos. 00:16:42.340 --> 00:16:44.820 Comparte esto con tu equipo, especialmente si tus flujos se están rompiendo ahora mismo. 00:16:44.820 --> 00:16:47.940 Necesitamos dejar de construir con cristal y empezar a construir con intención. 00:16:48.240 --> 00:16:51.340 Hace la técnica y reduce tu tiempo de inactividad a la mitad una vez que empiezas a practicarla. 00:16:52.020 --> 00:16:55.240 Si quieres la versión avanzada que usan los profesionales, mira este video a continuación. 00:16:55.880 --> 00:16:57.080 Suscríbete para más tutoriales. 00:16:57.760 --> 00:17:01.000 Deja de luchar contra la realidad desordenada de tus datos y empieza a diseñar para ella. 00:17:01.700 --> 00:17:06.360 Cuando usas puntuaciones de confianza, transformas flujos frágiles en sistemas resilientes que realmente funcionan. 00:17:06.780 --> 00:17:07.540 Pero aquí está el detalle. 00:17:07.540 --> 00:17:09.640 El modelo solo funciona si lo construyes correctamente. 00:17:10.420 --> 00:17:14.240 Si quieres ver exactamente cómo configurar esto en Copilot Studio, mira este video ahora mismo. 00:17:14.820 --> 00:17:19.700 Si esto cambió tu forma de pensar sobre la IA, sígueme en LinkedIn o suscríbete a Master the New Model.