Sebastián Rinaldi, fundador y CEO de Laburen.com, explica cómo y para qué es útil la IA, limitaciones y ventajas, con varios ejemplos prácticos

El uso de Inteligencia artificial (IA) en la logística es un tema del que se habla bastante, pero aún parece muy teórico y poco práctico. ¿Cómo describiría el escenario?

Lo que está pasando con la IA es justamente eso: conceptualmente es muy potente y todos entendemos el impacto que tendrá en nuestras industrias y segmentos, pero no terminamos de entender cómo lograr que eso empiece a funcionar en la práctica.

Por suerte, fuimos uno de los primeros -si no el primero- en Argentina en tener una empresa de agentes de IA, una variante específica de IA. Ya tenemos mucho know-how y hemos tenido experiencias que no funcionaron y otras que sí. La logística es un rubro muy particular, pero comparte desafíos y volúmenes con otros sectores ágiles.

Veamos un ejemplo práctico: en logística, los puestos que más estamos automatizando y que más mejoran la eficiencia son los vinculados con data entry -gestión de pedidos, recepción, remitos- y la administración operativa y de recursos humanos del área logística. Son compañías con mucha intensidad de personal, y se puede automatizar entre un 80% y 90% sobre lo que ya hacían los sistemas previos.

Tenemos clientes con sistemas muy distintos -desde Odoo, típico en pymes, hasta SAP en grandes firmas- y todos terminan teniendo equipos dedicados exclusivamente a cargar datos. ¿Cómo puede ser que en pleno siglo XXI, en la era de la inteligencia artificial, tengamos inteligencia humana dedicada a la carga de datos?

Cuando lo vimos en el rubro, en nuestro primer cliente automatizamos el equivalente a 60 puestos de data entry en cuatro meses. Fue muchísimo, y partió de un caso de uso repetitivo: la misma tarea que alguien hacía por la mañana, al mediodía y a la tarde. Además, en las organizaciones logísticas el operario raso a menudo termina haciendo trabajo de data entry por fuera de su labor principal. Ahí está el mayor volumen posible de automatización.

Además de eso, encaramos customer service 100% automatizado: el front office de las compañías logísticas frente a sus clientes, tanto B2C (entrega final) como B2B (concesionarias, comercios, etc.). La mayor oportunidad está en entender y atacar esos procesos.

¿Cuándo identificaron las primeras oportunidades?

Tuvimos la suerte de comprender esto en 2021, cuando arrancamos la compañía. En ese momento los modelos disponibles eran muy distintos a los actuales; ChatGPT ni siquiera existía cuando empezamos. Lo que hoy consideramos “útil” a nivel personal -ChatGPT- se queda corto para entornos empresariales: le falta potencia, le falta adaptación al negocio. Nosotros reentrenamos modelos a un nivel muy alto para que funcionasen en empresas de logística.

Dependiendo del caso de uso, hemos hecho cosas muy complejas. Entramos al programa Nvidia Inception y una de las razones por las que nos seleccionaron fue que, desde Argentina, reentrenamos el primer LLM (modelo de lenguaje de gran tamaño) para logística del mundo: un modelo base adaptado específicamente para ruteo.

Hay desde soluciones muy simples -el concepto de “humanos digitales”- hasta la opción de reentrenar un modelo gigante solo para una compañía, con el objetivo de automatizar 60 o 70 puestos en una empresa de 1.000, 2.000 o 3.000 personas.

Las pymes encuentran difícil esta adopción, y la IA no hace magia: hace falta una buena base de datos. ¿Es así?

En mis clases siempre digo: hay mucha información, pero poca que pueda realmente usarse. Nosotros trabajamos con el concepto de compañía híbrida, humanos + IA: mucho del trabajo actual lo puede hacer IA, pero hay tareas que nunca la IA podrá reemplazar. La clave es integrar ambos mundos.

Cuando nos contratan, nos pasan procesos y know-how. El problema típico en las pymes es que esos datos no están digitalizados, o si lo están son pobres o ambiguos, de modo que la IA no puede trabajarlos correctamente. Se nota con algo simple: cuando contratas un humano nuevo, el tiempo de capacitación suele ser de 90 a 180 días hasta que es productivo; ese proceso es el que sirve de “datos” para un trabajador humano. Con IA pasa lo mismo: necesita datos para ingerir, procesar y dar resultados certeros, predecibles y continuos.

Ninguna pyme y pocas corporaciones tienen los datos “perfectos”. Hemos trabajado con corporaciones espectaculares y también les faltan datos bien tratados. Si no tenés datos, empezás a trabajar con hipótesis o datos sintéticos, y eso puede salir muy bien o muy mal.

Ejemplo práctico: imaginen el departamento de atención al cliente de una empresa logística. Esas personas saben de memoria dónde trabajamos, tiempos de envío aproximados, tipos de productos y rangos de precio. Si ese conocimiento no está documentado (un Word, la web, etc.), ¿cómo esperar que una IA haga el trabajo? La IA solo responderá con la información que le demos.

Hay diferentes tipos de IA que pueden implementar: lo básico es ChatGPT y guías generales; luego hay copilotos (Microsoft, Perplexity), asistentes con algo de información pero sin acción en sistemas, y finalmente los “empleados IA”-concepto que trajimos nosotros-: agentes de IA semiautónomos o autónomos, entrenados con la información de cada negocio y conectados a los sistemas, que pueden consultar y realizar acciones.

Los empleados IA semiautónomos tienen un humano que aprueba o desaprueba ciertas acciones (por ejemplo, un presupuesto listo para enviar que el humano revisa). En back office, la mayoría de los casos usados son 100% autónomos: en facturación, administración, gestión operativa de RR. HH.; y algunos empleados semiautónomos para reporting o gestiones que requieren aprobación ante eventos en el warehouse.

Donde más se puede mejorar hoy: back office (RR. HH. y operaciones). Las empresas pueden tener una guía IA que notifique el día de pago, responda dudas habituales, gestione avisos de tardanzas, genere solicitudes de recibo de sueldo o de vacaciones; la parte operativa de RR. HH. puede automatizarse (no la contención humana o la parte estratégica). La IA mira el sistema y responde.

Las empresas logísticas manejan volúmenes enormes de facturación. Ahí pueden tener una suite de empleados IA para asistencia y facturación, carga y control de facturas, consolidación de órdenes de compra, gestión de proveedores, gestión de cuenta corriente (avisos de saldos, vencimientos), y luego asistentes de business intelligence que generan reportes personalizados (CEO, gerente, etc.) como un analista de datos junior.

¿Por qué es importante la adopción?

Porque los líderes del segmento que adopten antes no solo obtendrán beneficios operativos, sino una velocidad organizacional enorme. No se trata solo de las horas que ahorrás: es que esas horas se pueden reinvertir en actividades de mayor valor: atender más clientes, mejorar la operación, profesionalizar procesos, expandirse a otros países, mejorar compras. En definitiva, la IA nos devuelve tiempo a los humanos:

Vea la entrevista completa a Sebastián Rinaldi, fundador y CEO de Laburen.com, en este enlace.