¿Qué es human in the loop? Cómo mejoran las personas los flujos de trabajo de IA

Human in the loop (HITL) es un flujo de trabajo utilizado en modelos de IA que distribuye las tareas entre sistemas automatizados y expertos humanos a partir de límites operativos claros. En un sistema HITL, la IA se encarga de tareas predecibles y basadas en reglas, mientras que especialistas humanos mantienen la responsabilidad de las decisiones complejas, los requisitos de cumplimiento normativo y los casos excepcionales.

Para las empresas, HITL ofrece una forma práctica de automatizar el trabajo rutinario sin dejar de involucrar a las personas cuando se necesita su criterio. Un agente de IA puede consultar los datos de una cuenta, recopilar información sobre una reclamación, enviar formularios de incorporación o concertar una cita, y después señalar un caso incierto o delicado para que una persona lo revise, apruebe, corrija o se haga cargo de él. 

Además de los flujos de trabajo en tiempo real, HITL también se aplica al desarrollo de aprendizaje automático. Las personas pueden etiquetar datos de entrenamiento, evaluar resultados del modelo, corregir errores o aportar comentarios que ayuden a mejorar su rendimiento. En este contexto, la persona forma parte del proceso de entrenamiento o mejora del modelo, en lugar de un flujo de trabajo empresarial en tiempo real. 

En este artículo te mostraremos dónde encaja la participación humana en los sistemas y flujos de trabajo de IA, por qué importa y cómo es un HITL eficaz en la práctica. 

Resumen

• La IA human-in-the-loop distribuye un flujo de trabajo entre la IA y las personas según responsabilidades predefinidas.
• Los equipos integran revisiones humanas, aprobaciones, transferencias y vías para excepciones en el flujo de trabajo, y después ajustan esas reglas según sea necesario tras la implementación.
• HITL puede mejorar la precisión, la eficiencia y la gestión de riesgos al combinar automatización y criterio humano allí donde se necesita.

¿Qué es human in the loop?

Human in the loop es un sistema en el que una persona participa activamente en el proceso para tomar decisiones manualmente o supervisar un flujo de trabajo de IA. Combina la ejecución automatizada de tareas con reglas integradas que pausan el flujo de trabajo o lo transfieren a una persona cuando se cumplen determinadas condiciones.

La participación humana puede ser una parte planificada del flujo de trabajo o una respuesta a situaciones que la IA no debería gestionar por sí sola. Los equipos definen estos puntos de intervención humana de antemano según las políticas, el riesgo, la experiencia del cliente y el tipo de decisión implicada. 

Algunos puntos de intervención humana habituales son: 

• Revisiones y aprobaciones obligatorias: Una persona revisa o autoriza decisiones que conllevan responsabilidad financiera, legal, normativa u operativa.
• Pasos regulados: Flujos de trabajo agénticos dirigen decisiones o documentación a empleados cualificados cuando las leyes, políticas o estándares profesionales exigen la participación humana.
• Comunicaciones delicadas o de alto valor: Las personas se encargan de conversaciones en las que importan la negociación, la tranquilidad, la gestión de relaciones o un juicio cuidadoso.
• Límites de funciones y excepciones: Las solicitudes que quedan fuera de la función asignada a la IA, implican circunstancias inusuales o no tienen una respuesta definida se derivan a una persona.
• Transferencia solicitada por el cliente: Un cliente puede ser transferido a un miembro del equipo en directo cuando pide hablar con alguien.
  
  

Las personas también pueden entrar en el proceso de forma dinámica cuando una situación cambia durante el flujo de trabajo. La información contradictoria, una nueva preocupación del cliente o circunstancias que las reglas originales no preveían pueden activar una transferencia, incluso cuando la tarea seguía inicialmente el proceso estándar.

La intervención de una persona no significa necesariamente que el proceso automatizado tenga que empezar de cero. Cuando un miembro del equipo toma una decisión o resuelve un problema, la IA guarda la actualización en el registro, envía la siguiente comunicación necesaria y continúa con el resto del flujo de trabajo.

¿Qué significa human-in-the-loop en aprendizaje automático?

El aprendizaje automático human-in-the-loop utiliza el mismo principio que HITL, pero durante la fase de desarrollo. En lugar de intervenir en un flujo de trabajo en tiempo real, las personas participan en puntos definidos del proceso de desarrollo del modelo. 

Investigadores pueden etiquetar datos de entrenamiento, evaluar respuestas del modelo, corregir errores o aportar comentarios que ayuden a mejorar el comportamiento del modelo antes de su implementación. Expertos del dominio también pueden revisar los resultados cuando la precisión depende de conocimientos especializados o del criterio profesional. 

Principales ventajas de integrar a las personas en flujos de trabajo de IA

Para las empresas, HITL puede implicar menos errores costosos, una gestión más coherente de casos delicados o regulados y un procesamiento más rápido del trabajo rutinario, sin otorgar a la IA un control sin supervisión sobre decisiones de mayor riesgo.

Estas son algunas de las principales ventajas y casos de uso de los sistemas HITL.

Mejora la precisión y la calidad de las decisiones

HITL mejora la precisión y la calidad de las decisiones al combinar la consistencia de la IA en tareas estructuradas con el criterio humano en las partes que un modelo no puede gestionar de forma fiable por sí solo. La IA puede realizar tareas estructuradas de forma consistente, recopilar la información necesaria para una decisión y preparar respuestas o recomendaciones rutinarias.

Valiant cuenta con un agente fuera del horario laboral, Sophia, que gestiona la recopilación estructurada de datos y, cuando corresponde, deriva los casos a un bróker humano. Desarrollado con ElevenAgents, el agente de Valiant identificó más de 1,5 millones de dólares en intención de préstamos comerciales, y Sophia atendió alrededor del 29 % de las llamadas fuera del horario laboral.

La aportación humana mejora la calidad de las decisiones cuando la información es:

• Incompleta o contradictoria
• Dependiente del contexto o de la interpretación
• Dependiente de la negociación y la creación de relaciones
• Dependiente de conocimientos especializados

Mejores resultados pueden reducir errores costosos y retrabajo evitable, especialmente en situaciones con consecuencias financieras, normativas o para el cliente.

Reduce el riesgo y facilita el cumplimiento normativo

HITL puede ayudar a las organizaciones a reducir el riesgo de incumplimiento al garantizar que las decisiones reguladas o con consecuencias importantes lleguen a la persona adecuada antes de seguir adelante. 

La IA favorece el cumplimiento procedimental al:

• Enviar los documentos necesarios.
• Recopilar información.
• Comprobar si se han completado los campos obligatorios.
• Recuperar políticas o avisos legales.
• Registrar los pasos completados.
• Derivar los casos a la persona adecuada.

Las personas mantienen la responsabilidad cuando la normativa exige interpretación, es necesario resolver una excepción o debe tomarse una decisión con responsabilidad legal.

Por ejemplo, la aseguradora británica Admiral establece límites deliberados para el alcance de sus agentes de voz de atención al cliente. Admiral deriva a personas los casos de vulnerabilidad y atrasos, y prueba los flujos de trabajo de IA regulados con un elevado nivel de validación antes de su lanzamiento.

Aumenta la eficiencia y conserva la experiencia humana

La IA puede encargarse del trabajo administrativo repetitivo, recopilar información, preparar registros y hacer avanzar casos rutinarios sin requerir a una persona en cada paso. Para las empresas, esto puede traducirse en plazos de resolución más cortos, menos acumulación de tareas administrativas y mayor capacidad para que empleados gestionen trabajo que afecta directamente a clientes, ingresos o riesgos. 

Finch Legal utilizó ElevenAgents para mejorar las tasas de éxito de las llamadas del 59 % al 93 %, al tiempo que escalaba hasta más de 15.000 llamadas al mes. Implementar un agente para gestionar estos procesos hizo que agentes humanos pasaran aproximadamente una sexta parte del tiempo al teléfono en comparación con implementaciones anteriores. Las personas solo tenían que intervenir cuando el caso requería su experiencia, reservándolas para los momentos de mayor valor.

Retos y consideraciones de los sistemas human-in-the-loop

Incluso un sistema human-in-the-loop bien diseñado puede fallar si la transferencia es deficiente o la persona que toma el relevo no dispone de suficiente contexto para actuar. Equilibrar la velocidad automatizada con la supervisión humana depende del diseño del flujo de trabajo. 

Cuando un sistema human-in-the-loop no funciona según lo previsto, el problema suele estar en las reglas que determinan cuándo entran las personas en el proceso y qué información reciben.

Estos son algunos de los principales retos de los sistemas human-in-the-loop.

1. Activadores de transferencia imprecisos

Programar agentes de IA con instrucciones subjetivas como «transfiere los casos difíciles» o «envía las solicitudes inusuales a un agente humano» puede provocar transferencias innecesarias o permitir que la IA continúe con una situación que debería involucrar a una persona.

Por ejemplo, en lugar de indicar a un agente de atención al cliente con IA que «transfiera las consultas de facturación complejas», un equipo podría establecer una regla como «deriva el caso cuando un cliente impugne un cargo y los registros de la cuenta no coincidan». Las salvaguardas detalladas proporcionan a los agentes de IA condiciones específicas que deben seguir, lo que puede reducir las transferencias innecesarias y el riesgo de que la IA continúe con un caso que requiere participación humana. 

Los equipos pueden establecer condiciones de transferencia igual de específicas para solicitudes que quedan fuera de la función de un agente de IA, como información contradictoria o ausente, solicitudes de clientes para hablar con un agente humano y otras situaciones que requieren participación humana. 

2. Pérdida de contexto durante las transferencias

Cuando un agente de IA transfiere una interacción en directo con un cliente a un representante humano sin trasladar el historial de la sesión, el empleado se ve obligado a volver a entrevistar a quien llama desde cero. Esta transferencia descuidada genera fricción inmediata, frustra al cliente y alarga la interacción.

Un cliente puede pasar varios minutos explicando un problema de facturación y verificando su cuenta con un agente de IA antes de que el asunto requiera un agente humano, pero si la transcripción, los datos de la cuenta y las acciones ya realizadas no se transfieren con la llamada, el cliente tendrá que repetir todo el proceso. 

Para evitar la pérdida de contexto durante las transferencias, asegúrate de que el sistema pase directamente al representante humano, junto con la transferencia, la información que el agente de IA ya ha recopilado.

3. Demasiados pasos de aprobación

Exigir una aprobación humana para tareas rutinarias y de bajo riesgo puede ralentizar un trabajo que el agente de IA está preparado para gestionar de forma segura. Si un empleado tiene que aprobar cada cambio estándar de cita, formulario básico de recopilación de datos o consulta rutinaria de estado, la revisión humana empieza a añadir trabajo en lugar de ayudar al equipo a gestionar casos de mayor riesgo. 

Los equipos pueden evitar controles innecesarios decidiendo de antemano qué acciones requieren realmente revisión humana y permitiendo que las tareas de menor riesgo continúen automáticamente. Por ejemplo, los cambios rutinarios de cita o las solicitudes de estado estándar pueden continuar sin aprobación, mientras que las disputas de facturación o las excepciones de políticas se siguen derivando a una persona. 

4. Reglas que nunca se actualizan

Las reglas de transferencia que tenían sentido antes del lanzamiento quizá deban cambiar cuando el agente de IA empiece a gestionar conversaciones reales. Las transferencias repetidas pueden revelar dónde el flujo de trabajo original es demasiado cauteloso, dónde al agente de IA le falta información o dónde un nuevo tipo de solicitud necesita su propia regla. 

Por ejemplo, si un agente de IA sigue derivando preguntas rutinarias sobre envíos porque clientes las formulan de maneras que el flujo de trabajo original no anticipaba, el equipo puede actualizar los conocimientos del agente de IA o la regla de transferencia para que esas solicitudes sigan automatizadas. 

Tratar las reglas human-in-the-loop como algo flexible permite a los equipos automatizar de forma segura más trabajo rutinario, manteniendo la supervisión humana centrada en casos excepcionales reales. 

Comparativa entre human in the loop y human on the loop

HITL y human on the loop (HOTL) son dos modelos diferentes de supervisión humana de la IA.

HITL requiere la participación de una persona antes de que determinadas decisiones o acciones puedan continuar. Es más adecuado para trabajo complejo o de mayor riesgo, en el que el cumplimiento normativo, la responsabilidad financiera, el juicio clínico o las excepciones de políticas requieren revisión o aprobación humana antes de que el flujo de trabajo avance.

HOTL permite que la IA trabaje sin esperar aprobación humana, pero una persona supervisa el sistema y puede intervenir cuando sea necesario. Es más adecuado para trabajo de bajo riesgo que sea observable y reversible, como preguntas informativas generales, actualizaciones del estado de pedidos u otras interacciones de bajo riesgo que no requieren que una persona apruebe el resultado. 

Un supervisor puede observar la actividad general y responder solo cuando algo requiera atención. Estas son las principales diferencias entre HITL y HOTL.

Ejemplos de IA human-in-the-loop

HITL puede adoptar distintas formas según qué decisiones, aprobaciones o conversaciones requieran participación humana. 

Banca

Customers Bank está implementando ElevenAgents para consultas de cuentas, servicios de tarjetas, transferencias, incorporación y formación de empleados, con vías de transferencia humana integradas en cada agente. Los agentes de IA pueden gestionar la asistencia bancaria rutinaria, mientras que banqueros humanos siguen disponibles cuando una conversación requiere atención personal o una decisión fuera de la función del agente.

Seguros

Insurely utiliza agentes de voz de IA para ventas de seguros y atención al cliente, incluyendo responder preguntas y ayudar a clientes a completar presupuestos. Cuando un cliente necesita a una persona, el agente de IA transfiere la llamada o programa una devolución de llamada.

Salud

mdhub, una plataforma de salud conductual, utiliza ElevenAgents⁠ para la admisión de pacientes y la asistencia. Los agentes de IA recogen información de pacientes, verifican los seguros, asignan pacientes a profesionales y programan citas, mientras que profesionales sanitarios determinan el tratamiento y toman decisiones que requieren juicio clínico.

Fintech

Klarna, un banco digital global y proveedor de pagos, utiliza un agente de voz de IA de ElevenAgents como primera línea de asistencia telefónica para clientes de EE. UU.. El agente de IA gestiona solicitudes informativas y recopila contexto relevante, y después deriva la conversación a un agente humano cuando el asunto se vuelve más complejo o delicado, o cuando el cliente quiere hablar con una persona.

Creatividad

Para el trabajo de contenido y creatividad, ElevenProductions utiliza un enfoque HITL para la producción asistida por IA con edición humana. La IA se encarga de tareas como la transcripción y la producción de audiolibros generados con IA, mientras que editores humanos revisan el trabajo, realizan correcciones y aprueban el resultado final. 

En otro tipo de colaboración entre personas e IA, el compositor y cantante Patrick Darling, que perdió la capacidad de cantar, utilizó la tecnología de voz de ElevenLabs para interpretar de nuevo su propia música. 

Empieza con ElevenAgents

ElevenAgents ofrece a las empresas varias formas de definir qué puede gestionar un agente de IA y en qué puntos las personas deben seguir formando parte del flujo de trabajo. Los agentes pueden usar el conocimiento de la empresa y herramientas de negocio, seguir flujos de trabajo definidos y operar dentro de límites de seguridad. La transferencia humana puede pasar una conversación y su contexto a una persona en directo, mientras que las simulaciones ayudan a los equipos a probar el comportamiento antes del lanzamiento.

Empieza con ElevenAgents para crear agentes de IA con límites claros en los flujos de trabajo, transferencia humana y controles de pruebas y supervisión. Habla con ventas para definir el alcance de tu implementación o regístrate para crear un agente y probarlo por tu cuenta.

Preguntas frecuentes sobre human-in-the-loop