AI-Augmented BPM: cuando la inteligencia artificial deja de reemplazar tareas y comienza a potenciar decisiones

Durante los últimos años, la conversación sobre inteligencia artificial en las organizaciones ha girado principalmente alrededor de la automatización. Se habla de reducir tareas repetitivas, agilizar operaciones o disminuir tiempos de ejecución. Sin embargo, muchas empresas descubren que, aun después de automatizar parte de sus procesos, continúan enfrentando decisiones inconsistentes, retrasos en aprobaciones, riesgos operativos o dificultades para adaptarse a cambios del entorno.

Esto sucede porque un proceso empresarial no depende únicamente de las actividades que lo componen, sino también de las decisiones que se toman en cada etapa. Elegir qué solicitud priorizar, cuándo escalar un incidente, qué proveedor representa menor riesgo o qué cliente requiere atención inmediata son ejemplos de decisiones que impactan directamente la eficiencia, el cumplimiento y la experiencia del cliente.

En empresas medianas y grandes de Latinoamérica, este desafío se vuelve especialmente relevante a medida que la operación crece. Una gerente de operaciones puede tener procesos que involucran distintas áreas, sistemas, niveles de aprobación y fuentes de información. En ese escenario, automatizar una actividad puntual ayuda, pero no necesariamente resuelve la complejidad de decidir qué debe ocurrir después.

En este contexto surge la Gestión de Procesos de Negocio Aumentada por Inteligencia Artificial (AI-Augmented Business Process Management o AI-Augmented BPM), una evolución del BPM que incorpora inteligencia artificial para fortalecer la toma de decisiones dentro de los procesos, manteniendo mecanismos de control, trazabilidad y supervisión humana.

¿Cómo está evolucionando el BPM hacia procesos más inteligentes?

Durante décadas, las organizaciones han utilizado la Gestión de Procesos de Negocio (Business Process Management o BPM) y estándares como el Modelo y Notación para Procesos de Negocio (Business Process Model and Notation o BPMN) para documentar, estandarizar y optimizar sus procesos. Posteriormente, tecnologías como la automatización de flujos de trabajo y la Automatización Robótica de Procesos (Robotic Process Automation o RPA) permitieron ejecutar tareas repetitivas con menor intervención manual.

Sin embargo, los procesos actuales enfrentan escenarios cada vez más dinámicos. Cambios regulatorios, variaciones en la demanda, nuevos riesgos y grandes volúmenes de información pueden hacer que las reglas estáticas resulten insuficientes para responder con rapidez a todas las situaciones.

Por ello, la investigación sobre BPM propone una nueva generación denominada Sistemas de Gestión de Procesos de Negocio Aumentados por Inteligencia Artificial (AI-Augmented Business Process Management Systems o ABPMS).

De acuerdo con Dumas et al. (2023), estos sistemas combinan la gestión de procesos con inteligencia artificial confiable para hacer los procesos más adaptables, proactivos, explicables y sensibles al contexto. Su propósito es utilizar los datos disponibles para razonar y actuar dentro de límites definidos, mejorando continuamente la ejecución de los procesos.

Fuente: Dumas et al. AI-Augmented Business Process Management Systems: A Research Manifesto. ACM Transactions on Management Information Systems, 2023.

El cambio es importante: la inteligencia artificial puede intervenir no solo en la ejecución de actividades, sino también en el análisis del contexto necesario para tomar mejores decisiones.

La inteligencia artificial aporta contexto, no solo automatización

Pensemos en un proceso de aprobación de compras.

En un esquema tradicional, una regla puede establecer que cualquier solicitud inferior a determinado monto sea aprobada automáticamente. El sistema ejecuta la instrucción cada vez que se cumplen las condiciones.

Con AI-Augmented BPM, la decisión puede considerar variables adicionales: historial del proveedor, comportamiento de compras anteriores, posibles anomalías, tiempos de entrega, condiciones contractuales o patrones identificados en operaciones similares.

Con esa información, la inteligencia artificial puede generar una recomendación que apoye al responsable del proceso.

El mismo principio puede aplicarse en distintas áreas:

Finanzas: identificar transacciones que requieren una revisión adicional por su nivel de riesgo.

Recursos Humanos: analizar información relevante para apoyar la priorización de candidatos según criterios previamente definidos.

Atención al cliente: recomendar qué casos requieren atención inmediata según su impacto y contexto.

Compras: detectar comportamientos atípicos de proveedores o posibles incumplimientos.

Dependiendo del nivel de riesgo y de las reglas de gobierno definidas por la organización, algunas decisiones podrán automatizarse y otras requerirán validación humana.

Este enfoque forma parte del aumento de la toma de decisiones (Decision Augmentation): utilizar datos, analítica e inteligencia artificial para ampliar la capacidad de las personas para decidir con mayor contexto.

Gartner diferencia precisamente entre soporte, aumento y automatización de decisiones. En el aumento de decisiones, personas y tecnología participan conjuntamente, mientras que en la automatización la máquina puede ejecutar la decisión de forma autónoma. La elección entre ambos enfoques depende del proceso, el riesgo y los controles necesarios.

Banco do Brasil: gobernar la IA antes de confiarle decisiones críticas

Un ejemplo regional de los controles necesarios para incorporar inteligencia artificial en contextos empresariales es Banco do Brasil, la institución bancaria más antigua de América Latina.

Junto con IBM y EY, el banco desarrolló un modelo unificado para fortalecer la gobernanza del ciclo de vida de sus iniciativas de inteligencia artificial. El modelo contempla evaluación de riesgos, explicabilidad, trazabilidad, monitoreo continuo y seguimiento de indicadores como sesgo, drift o deriva del modelo y desempeño.

La estrategia combina los marcos de gobernanza desarrollados por EY con IBM watsonx.governance para proporcionar supervisión continua y facilitar el cumplimiento de los estándares definidos por la institución.

Fuente: IBM. Banco do Brasil leads in innovation with responsible AI and ethical oversight. 2025.

Es importante hacer una distinción: este caso se centra en la gobernanza de modelos de inteligencia artificial, no en una implementación documentada de AI-Augmented BPM.

Sin embargo, permite observar uno de los principios fundamentales para llevar inteligencia artificial a procesos empresariales: una recomendación generada por IA no debería incorporarse a una decisión crítica sin definir previamente cómo será evaluada, monitoreada, explicada y supervisada.

Para empresas medianas y grandes de Latinoamérica, la escala puede ser diferente a la de una institución financiera como Banco do Brasil, pero la pregunta de fondo permanece: ¿qué controles necesita una organización antes de permitir que la IA influya en sus decisiones operativas?

Para una gerente de operaciones, esto significa determinar qué decisiones pueden recibir apoyo de IA, qué información necesita el modelo, cuándo debe intervenir una persona, qué excepciones deben escalarse y cómo quedará registrada cada decisión.

La adopción de IA crece más rápido que su impacto empresarial

La incorporación de inteligencia artificial ya es una realidad para gran parte de las organizaciones.

Según el informe The State of AI in 2025: Agents, Innovation, and Transformation de McKinsey & Company, el 88 % de las organizaciones encuestadas afirma utilizar inteligencia artificial regularmente en al menos una función del negocio, frente al 78 % reportado el año anterior.

Sin embargo, la adopción generalizada todavía no equivale a una transformación a escala. McKinsey señala que la mayoría de las organizaciones continúa en etapas de experimentación o pilotos y que solo el 39 % reporta algún impacto de la IA en el EBIT a nivel empresarial.

Fuente: McKinsey & Company, QuantumBlack. The State of AI in 2025: Agents, Innovation, and Transformation. 2025.

La diferencia entre experimentar con inteligencia artificial y generar valor empresarial sostenido está, en gran medida, en cómo se integra dentro de la operación. No basta con incorporar un modelo. Es necesario definir dónde participa, qué información utiliza, qué decisión apoya, quién conserva la responsabilidad y cómo se mide su impacto.

Gartner también anticipa una evolución importante en esta dirección: para 2027, el 50 % de las decisiones empresariales serán aumentadas o automatizadas por agentes de IA mediante inteligencia para la toma de decisiones (Decision Intelligence).

Esta disciplina combina datos, analítica e inteligencia artificial para apoyar o automatizar juicios complejos. Gartner también advierte que estos sistemas deben operar junto con mecanismos efectivos de gobernanza y gestión de riesgos.

Fuente: Gartner. Gartner Announces the Top Data & Analytics Predictions. 2025.

El reto, por tanto, no es simplemente adoptar más inteligencia artificial, sino integrarla en decisiones y procesos donde exista suficiente estructura para utilizarla de manera confiable.

¿Qué ocurre cuando la inteligencia artificial aprende de un proceso mal diseñado?

Incorporar inteligencia artificial sobre un proceso ineficiente no elimina automáticamente sus problemas. Si existen actividades redundantes, criterios de aprobación inconsistentes, responsabilidades poco claras o información fragmentada, la IA operará sobre esas mismas condiciones.

Por eso, antes de incorporar capacidades inteligentes resulta indispensable comprender cómo funciona realmente el proceso, identificar cuellos de botella, revisar las reglas de negocio y establecer mecanismos claros de gobierno.

Este principio lo abordamos con mayor profundidad en nuestro artículo “Automatizar el caos sigue siendo caos: por qué la tecnología no puede salvar procesos empresariales mal diseñados”, donde explicamos por qué el diseño del proceso debe preceder a cualquier iniciativa tecnológica.

También existe una relación directa con los cuellos de botella en la toma de decisiones. Una organización puede incorporar IA para analizar información más rápido y, aun así, mantener una operación lenta si cada recomendación continúa atravesando aprobaciones redundantes o responsabilidades poco claras.

En “Cuellos de botella en la toma de decisiones: cómo las aprobaciones lentas afectan la productividad empresarial” analizamos cómo identificar esos puntos de fricción y por qué la velocidad de decisión también depende de la forma en que se diseñan y gobiernan los procesos.

Cuando además intervienen múltiples áreas, sistemas y responsables, la coordinación se vuelve fundamental. En nuestro artículo “Process Orchestration: más que automatizar, es lograr la sincronía empresarial total” exploramos cómo la orquestación permite conectar esas partes dentro de un flujo común.

¿Cómo incorporar IA en los procesos sin perder control?

En Atenia partimos de una premisa: la inteligencia artificial debe incorporarse sobre procesos que primero han sido comprendidos, diseñados y gobernados.

Por eso, nuestro enfoque de automatización de procesos está liderado por consultoría. Antes de definir qué tecnología incorporar, trabajamos con los equipos para mapear cómo funciona realmente la operación, identificar decisiones críticas, detectar puntos de fricción y rediseñar el proceso cuando sea necesario.

Solo después evaluamos dónde la automatización y la inteligencia artificial pueden generar valor.

Este enfoque se traduce en cuatro prácticas fundamentales:

Diseñar el proceso antes de incorporar inteligencia artificial

La primera pregunta no debería ser “¿dónde podemos poner IA?”, sino “¿qué decisión necesitamos mejorar y cómo funciona hoy?”

Esto implica comprender las actividades, responsables, reglas, datos, excepciones y puntos de decisión que conforman el proceso.

Definir qué decisiones requieren supervisión humana

No todas las decisiones tienen el mismo nivel de riesgo.

En procesos financieros, regulatorios, legales, laborales o estratégicos puede ser necesario mantener mecanismos de humano en el circuito (Human-in-the-Loop) para revisar recomendaciones, gestionar excepciones y asumir la responsabilidad final.

La autonomía debe definirse según el contexto y el nivel de riesgo de cada proceso.

Garantizar trazabilidad y explicabilidad

Si una recomendación influye en una decisión empresarial, debe ser posible comprender qué ocurrió.

Esto requiere registrar información como los datos utilizados, la recomendación generada, las reglas aplicadas, las intervenciones humanas y el resultado final.

La trazabilidad facilita auditorías, fortalece el cumplimiento y permite analizar posteriormente la calidad de las decisiones.

Monitorear continuamente el proceso y las decisiones

La mejora continua continúa siendo uno de los pilares del BPM.

Incorporar inteligencia artificial no elimina la necesidad de medir indicadores, detectar desviaciones y revisar el comportamiento del proceso conforme cambian las condiciones del negocio.

También permite responder preguntas esenciales: ¿las recomendaciones están mejorando realmente los resultados?, ¿están reduciendo tiempos?, ¿están apareciendo nuevos riesgos?, ¿existen decisiones que deberían volver a intervención humana?

¿En qué procesos empresariales puede generar mayor valor el AI-Augmented BPM?

El mayor potencial suele aparecer en procesos donde existe un volumen considerable de información, decisiones frecuentes y suficiente estructura para medir los resultados.

Por ejemplo:

Aprobaciones: 

analizar información y presentar recomendaciones antes de una decisión.

Gestión de riesgos: 

identificar patrones o anomalías que requieren revisión.

Atención al cliente: 

priorizar casos según urgencia, contexto e impacto.

Compras: 

evaluar variables relacionadas con proveedores y operaciones anteriores.

Operaciones: 

anticipar desviaciones y recomendar acciones antes de que afecten el flujo.

Cumplimiento: 

identificar situaciones que requieren validaciones o controles adicionales.

Para una organización en crecimiento, el beneficio no consiste únicamente en procesar información más rápido. También puede significar reducir la dependencia de decisiones manuales repetitivas, dar mayor consistencia a los criterios utilizados y permitir que los responsables concentren su atención en las excepciones y decisiones de mayor impacto.

El BPM aporta la estructura y el contexto del proceso. La inteligencia artificial amplía la capacidad de analizar información dentro de esa estructura. La gobernanza define los límites bajo los cuales ambas pueden trabajar.

De automatizar tareas a diseñar mejores decisiones

La evolución del BPM muestra que la siguiente etapa de la automatización empresarial no consiste únicamente en ejecutar más tareas sin intervención humana. El reto es construir procesos capaces de utilizar información y contexto para responder mejor a situaciones cambiantes, sin perder trazabilidad, responsabilidad ni control.

AI-Augmented BPM abre esa posibilidad al integrar inteligencia artificial dentro de procesos estructurados y gobernados. Pero su valor depende de una decisión previa mucho más importante: comprender qué proceso queremos mejorar y qué papel debe tener la inteligencia artificial dentro de él.

Para las empresas medianas y grandes de Latinoamérica, este enfoque permite avanzar hacia operaciones más inteligentes sin convertir la adopción de IA en una colección de iniciativas aisladas.

En Atenia combinamos consultoría especializada, gestión de procesos y automatización empresarial para acompañar ese recorrido. Primero analizamos y rediseñamos el proceso junto con tu equipo; después identificamos dónde la inteligencia artificial y la automatización pueden aportar valor de manera medible, gobernada y alineada con los objetivos del negocio.

Agenda un diagnóstico con nuestro equipo consultor. En una sesión identificamos qué decisiones dentro de tus procesos pueden potenciarse con IA gobernada y evaluamos las oportunidades para mejorar la velocidad, trazabilidad y control de tu operación.