Por qué la transformación digital fracasa: es un problema de inteligencia operativa, no de tecnología

Cada programa de transformación comienza con un mapa de procesos, diagramas de carriles de natación, flujos de trabajo documentados y una creencia compartida de que la organización entiende cómo se mueve su propio trabajo.

Esa creencia es casi siempre incorrecta y el costo de descubrirlo en medio de la migración rara vez es pequeño. Pregúntale a TSB.

En abril de 2018, TSB migró 1.3 mil millones de registros de clientes desde una plataforma heredada de Lloyds a un nuevo sistema construido por su matriz española, Sabadell. En 48 horas, 1.9 millones de clientes quedaron bloqueados fuera de sus cuentas.

MásHistorias

                                    En defensa cautelosa de Air Peace

9 de mayo de 2026

                                    Solucionando el verdadero problema del sistema de reciclaje de SIM en Nigeria

7 de mayo de 2026

Los clientes hipotecarios podrían ver los saldos de otras personas. Las cuentas comerciales estuvieron inaccesibles durante semanas.

El costo superó los 330 millones de libras. El CEO renunció. Una revisión posterior encontró que la migración había avanzado sin una comprensión adecuada de las interdependencias entre los procesos existentes de TSB y la arquitectura del nuevo sistema. La tecnología funcionaba, pero nadie había mapeado lo que se suponía que debía soportar. El problema tiene un nombre, y es más preciso de lo que la mayoría de las organizaciones aprecia.

¿Qué es la Inteligencia Operacional?

La inteligencia operacional deriva una imagen precisa de cómo realmente se mueve el trabajo a través de procesos, sistemas, decisiones y personas, a partir de los sistemas que ya existen. Responde preguntas que ninguna entrevista o taller con partes interesadas puede responder de manera confiable: ¿Qué caminos toma realmente el trabajo? ¿Dónde se acumulan los retrasos y por qué? ¿Qué decisiones se toman, en qué puntos, por quién y con qué consistencia? Sin ella, ocurren tres cosas de manera confiable. Los equipos automatizan flujos de trabajo indefinidos. Digitalizan cuellos de botella. Escalan ineficiencias en plataformas.

La Capa de Datos

El material bruto de la inteligencia operacional son los datos de eventos. Cada sistema empresarial: ERP, CRM, gestión de casos, gestión de órdenes, escribe registros de eventos. Cada cambio de estado, disparador de aprobación y actualización de registro deja una marca de tiempo. Esas marcas de tiempo, vinculadas por un identificador de caso, contienen un registro completo del comportamiento operacional real. Los datos ya existen en los sistemas que las organizaciones ya gestionan. Lo que típicamente no existe es la práctica de tratarlos como una entrada principal para la estrategia de transformación en lugar de un subproducto de cumplimiento.

A partir de un registro de eventos limpio, herramientas de minería de procesos como Celonis, UiPath Process Mining y SAP Signavio reconstruyen caminos de proceso reales, muestran dónde se concentran los retrasos y comparan el comportamiento real con los modelos documentados. La brecha entre lo que muestra el mapa de procesos y lo que muestra el registro de eventos rara vez es trivial. Las aprobaciones que parecen automáticas en un diagrama pueden involucrar tres hilos de correo electrónico y una hoja de cálculo que nadie ha sancionado oficialmente. Cuando DHL aplicó minería de procesos a sus operaciones de despacho aduanero, no encontró los cuellos de botella que sus gerentes esperaban. La mayoría de los retrasos no estaban en el tiempo de procesamiento. Estaban en la latencia de decisiones, la brecha entre la llegada de un caso a un punto de decisión y la decisión realmente tomada.

Esa distinción importa. La mayoría de los programas de transformación se centran en la visibilidad del proceso: dónde están las cosas en la línea de producción. La visibilidad de decisiones va más allá. El punto de decisión es donde la secuencia de trabajo se bifurca, y superponer atributos del caso en esas bifurcaciones revela qué factores gobiernan la selección de caminos y si esa gobernanza es consistente entre equipos y a lo largo del tiempo. Te dice qué caminos de excepción consumen una capacidad desproporcionada y cómo se comportan los flujos de trabajo en realidad versus cómo los arquitectos del proceso asumieron que serían.

Inteligencia Operacional y Preparación para IA

Aquí es donde los riesgos son mayores y donde una secuenciación deficiente causa más daño. Un modelo de aprendizaje automático entrenado para automatizar decisiones de enrutamiento funcionará bien si los datos de entrenamiento reflejan con precisión la lógica de decisión que debería gobernar esas decisiones. El énfasis está en debería.

En la mayoría de las organizaciones, los datos históricos de decisiones no reflejan la lógica prevista. Reflejan reglas formales mezcladas con soluciones informales, discreción individual y excepciones manejadas fuera del sistema y nunca registradas. Un modelo entrenado con esos datos aprende una versión corrupta de la lógica prevista, no las reglas, sino el promedio de lo que la gente realmente hizo, incluyendo cada atajo y ruta de escalamiento no documentada. Implementado a escala, reproduce esos patrones a velocidad de máquina: de manera consistente, confiada y equivocada. Establecer la lógica de decisión correcta antes del entrenamiento y construir un conjunto de datos que refleje el comportamiento previsto en lugar del observado no es un paso de higiene. Es la diferencia entre un sistema de IA que acelera buenas decisiones y uno que escala las malas.

Secuencia Antes de la Selección

La inteligencia operacional no es un flujo de trabajo que corre en paralelo con la implementación. Es el prerrequisito que hace que las decisiones de implementación sean defendibles. Antes de que se seleccione cualquier plataforma o se redacte un brief de automatización, tres preguntas necesitan respuestas a partir de los datos: ¿Qué caminos toma realmente el trabajo y con qué frecuencia ocurre cada variante? ¿Dónde se acumulan los retrasos y qué atributos los predicen? ¿En qué puntos de decisión se bifurca el flujo de trabajo, qué gobierna esas bifurcaciones en la práctica y qué tan consistente es esa gobernanza entre equipos y a lo largo del tiempo?

Felicia Oyedara es una analista de datos con sede en Reino Unido, especializada en operaciones digitales, optimización de procesos y análisis de personas en entornos fintech, bancarios y de consultoría. Se enfoca en traducir datos operativos y de fuerza laboral en ideas claras y accionables que mejoran el rendimiento, simplifican procesos y apoyan mejores decisiones.