La función de IA que nadie pidió
Google acaba de añadir una nueva función "Video Remix" a Google Photos. Puede aplicar iluminación cinematográfica para iluminar clips oscuros, cambiar fondos y añadir estilos artísticos a tus videos. Sobre el papel, suena útil. En la práctica, revela algo más grande sobre cómo las empresas de IA están construyendo productos.
Están entrenando IA en funciones, no en problemas.
Esto importa porque el mismo patrón aparece en todas partes en el desarrollo de IA, incluyendo el servicio al cliente. Las empresas construyen primero capacidades impresionantes, y luego descubren qué problemas resuelven después. Es al revés, y es por eso que tantas funciones de IA parecen soluciones en busca de problemas.
Entrenar en salidas, no en resultados
Video Remix de Google puede transformar tus grabaciones en segundos. Pero pregúntate: ¿con qué frecuencia necesitas iluminación cinematográfica en los videos de tu teléfono? ¿Cuándo fue la última vez que pensaste: "Este clip de mi perro necesita un estilo artístico aplicado"?
La función existe porque la IA puede hacerlo, no porque los usuarios la necesiten. Google entrenó modelos en técnicas de transformación de video, construyó la capacidad y luego la empaquetó como una función. La ingeniería es impresionante. El pensamiento de producto es cuestionable.
Esta es la fábrica de funciones de IA en acción. Entrena un modelo en un conjunto de datos. Demuestra una capacidad. Lánzala como función. Repite.
Lo que el servicio al cliente hace mal
El mismo patrón se reproduce en el servicio al cliente con IA. Las empresas entrenan modelos en conjuntos de datos de conversaciones, luego construyen funciones basadas en lo que la IA puede hacer técnicamente:
- Análisis de sentimiento porque el modelo puede detectar emociones
- Autocategorización porque el modelo puede clasificar texto
- Respuestas sugeridas porque el modelo puede generar texto
Estas no son malas capacidades. Pero liderar con ellas es como Google liderando con iluminación de video. Terminas con funciones técnicamente impresionantes que no necesariamente resuelven los problemas reales que enfrentan los clientes.
Los problemas reales en el servicio al cliente no se tratan de detectar sentimientos o categorizar tickets. Se tratan del tiempo de resolución, la consistencia entre canales, el manejo de picos de volumen y el mantenimiento de la calidad sin escalar la plantilla indefinidamente.
La pregunta de entrenamiento correcta
Aquí está la pregunta que las empresas de IA deberían hacer primero: ¿Qué resultado estamos tratando de cambiar?
No "¿Qué puede hacer nuestro modelo?" sino "¿Qué problema del cliente necesita resolverse?"
Para Darwin AI, esa pregunta es directa. Las empresas necesitan manejar un volumen creciente de conversaciones sin aumentar proporcionalmente sus equipos de soporte. Necesitan calidad consistente en chat, correo electrónico y teléfono. Necesitan escalar eficientemente.
Las capacidades de IA (comprensión del lenguaje natural, retención de contexto, coordinación multicanal) existen para servir a esos resultados. Las funciones que construimos no son vitrinas de lo que pueden hacer los modelos. Son herramientas para lo que las empresas necesitan lograr.
Esto es lo que realmente significa el pensamiento centrado en IA. No liderar con capacidades de IA, sino comenzar con problemas reales y preguntar cómo la IA los resuelve mejor que cualquier alternativa.
Más allá de la demostración
Video Remix de Google Photos será genial para demostraciones. Generará revuelo en redes sociales. Algunos usuarios jugarán con ella durante unos minutos, aplicarán filtros artísticos a uno o dos videos y luego olvidarán que existe.
Eso está bien para una aplicación de fotos de consumo. No está bien para herramientas empresariales.
Cuando la IA maneja conversaciones con clientes, no hay espacio para funciones que existan solo porque la tecnología lo permite. Cada capacidad necesita vincularse directamente a un resultado empresarial: resolución más rápida, mayor satisfacción del cliente, menor costo por conversación, mayor capacidad.
Esto requiere profundizar más allá de los requisitos superficiales. Cuando un cliente dice que quiere análisis de sentimiento, la pregunta no es "¿Podemos detectar el sentimiento?" Es "¿Qué harás diferente cuando sepas que un cliente está frustrado? ¿Cómo cambia eso el resultado?"
Ese es el segundo clic. Ahí es donde encuentras el problema real que vale la pena resolver.
Entrenar IA para resolver, no para exhibir
El futuro de la IA en el servicio al cliente no son más funciones. Son mejores resultados.
Eso significa entrenar sistemas de IA en lo que importa: resolución de conversaciones, satisfacción del cliente, ganancias de eficiencia. No solo lo que es técnicamente posible, sino lo que es realmente valioso.
Significa construir fuerzas laborales de IA que no solo respondan mensajes, sino que se apropien del resultado completo. Desde el contacto inicial hasta la resolución, en cada canal, con total responsabilidad por el resultado.
Esto es más difícil que construir demostraciones de funciones. Requiere comprender el contexto empresarial, el recorrido del cliente, los casos extremos y los modos de falla. Requiere decir no a capacidades impresionantes que no sirven a necesidades reales.
Pero es la única forma en que la IA se vuelve verdaderamente útil en lugar de simplemente impresionante.
Hacia dónde estamos construyendo
Google seguirá añadiendo funciones de IA a Photos. Algunas serán genuinamente útiles. Otras se desvanecerán en el fondo, técnicamente impresionantes pero prácticamente irrelevantes.
En el servicio al cliente, no tenemos ese lujo. Cada función, cada capacidad, cada decisión de IA necesita servir al resultado: mejores conversaciones con clientes a escala.
Eso no es una función que puedas demostrar en 30 segundos. No es una transformación llamativa que puedas mostrar en redes sociales. Es el trabajo poco glamuroso de comprender profundamente los problemas del servicio al cliente y construir IA que realmente los resuelva.
Las empresas que ganen en IA no serán las que tengan las demostraciones más impresionantes. Serán las que hagan las preguntas correctas primero: no qué puede hacer la IA, sino qué problemas necesitan resolverse. Luego construirán fuerzas laborales de IA entrenadas en resultados, no solo en salidas.
Ese es el futuro que estamos construyendo en Darwin AI. No se requiere iluminación cinematográfica.