Un modelo de lenguaje que resume un contrato o busca en un informe parece algo que puede hacerse de inmediato. Bajo la ventana de chat ocurre más que la simple lectura. Se determina cuál es el documento correcto, qué versión es válida, quién puede ver lo que contiene y qué sucede con el resumen una vez que se ha elaborado. Esas preguntas no le corresponden al modelo, sino a la organización que lo implementa.
Leer documentos empieza por saber qué documentos existen y dónde están. En muchas organizaciones el mismo contrato existe en tres versiones, en dos discos, con un ejemplar suelto en un correo. Un resumen es tan bueno como la versión que se le ha proporcionado. Sin una fuente de verdad identificable para los documentos, nadie sabe si el resumen se refiere a la versión definitiva o a un borrador del año pasado. Eso no es una cuestión de IA sino una pregunta sobre gestión de datos que ya debería estar resuelta de antemano.
Los documentos a menudo contienen información que no está destinada a todos: datos salariales, información médica, cifras sensibles para la competencia. Un sistema que resume documentos debe respetar los mismos límites de acceso que ya existen para las personas. Si esos límites son en la práctica más laxos que en el papel —porque en realidad todos pueden acceder a todo— entonces la automatización lo pone de manifiesto en lugar de ocultarlo. Antes de que los documentos se lean de forma automatizada, debe estar claro quién puede ver qué documento, y eso debe estar también impuesto técnicamente.
Un resumen es una decisión sobre qué se omite. En un informe breve eso es manejable; en un contrato largo o un informe extenso, esa decisión determina qué ve el lector y qué no. Una organización que hace resumir documentos debe saber qué es aceptable perder y qué no. En un memorando interno el riesgo es distinto que en un documento jurídico en el que una cláusula omitida tiene consecuencias. Esa valoración no le corresponde al modelo sino a quien utiliza el resultado.
Si nadie compara el resumen con el original, se instaura una costumbre: el resumen se convierte en el documento. Eso funciona hasta que en algún momento deja de funcionar, y entonces no queda claro de inmediato dónde estuvo el error. Un uso viable de la lectura de documentos supone que alguien es responsable de la calidad —no de forma incidental, sino estructural, con una manera de señalar desviaciones. Sin ese responsable, se queda en una prueba que funcionó bien hasta que alguien descubrió un error.
Leer y resumir documentos afecta a los mismos fundamentos que otras aplicaciones: una fuente de verdad ordenada, un acceso configurado de forma lógica, e infraestructura que soporte lo que se le pide. Donde esta aplicación se distingue es en la dependencia de la clasificación —saber qué documento es sensible y cuál no— y de un criterio establecido sobre qué puede omitir un resumen. Ambos suelen faltar no porque a nadie le parezcan importantes, sino porque nunca se han fijado por escrito.
La misma pregunta sobre quién es responsable y qué ocurre fuera del propio equipo se plantea en conversaciones que se registran y se les da seguimiento, en cadenas en las que el resultado de la lectura alimenta un siguiente paso, y en el apoyo a la decisión que asesora a partir de esos mismos documentos. Una prueba que solo funciona en su propio rincón demuestra que un equipo leyó bien, no que la organización esté lista para hacerlo en todas partes — véase por qué un piloto que solo funciona en su rincón no aporta nada.
Esta página describe qué debe organizar una organización antes de que leer y resumir documentos pueda aterrizar bien en algún lugar: la fuente, el acceso, el responsable. No dice nada sobre qué parte del trabajo documental de un departamento específico se puede asumir realmente —eso varía según el proceso, el tipo de documento y el riesgo que conlleva un error. Quien quiera que esto se calcule por tarea, puede recurrir al escaneo de trabajo de FTE TO AI, que determina por tarea qué parte del trabajo se puede asumir y qué parte sigue correspondiendo a una persona.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.