Cómo pasamos de más de 300 nombres de roles a un catálogo global de unos 50, construimos un cotizador global y automatizamos procesos que antes nos llevaban horas.
Siempre he sido muy curiosa. Cuando hay algo que no conozco, me gusta investigar, aprender y entender cómo funciona. Con la inteligencia artificial me pasó exactamente eso.
Empecé como muchos, haciendo preguntas, probando respuestas y preguntándome alguna vez: ¿Cómo consigo que realmente me ayude en mi trabajo?. Porque, seamos sinceros, cuando le preguntas algo y te devuelve una respuesta que no te sirve, es fácil decepcionarse.
Hasta que entendí algo que cambió completamente mi manera de utilizarla:
“La calidad de las respuestas depende muchísimo del contexto que le damos y de qué tan claro tenemos nosotros el problema.”
Empecé a experimentar de otra manera. A explicarle qué necesitaba, para qué, qué restricciones tenía y qué resultado esperaba. Y poco a poco la IA se convirtió en una especie de copiloto para mi trabajo.
Hoy la utilizo prácticamente todos los días para analizar información, estructurar ideas y mejorar procesos. Siempre me pregunto: ¿cómo podría hacer esto más eficiente con IA?
Esta pregunta nos llevó a resolver algunos problemas que teníamos pendientes desde hacía bastante tiempo en Multiplica.
De más de 300 nombres de roles a unos 50. Parece sencillo, ¿verdad?
Uno de los retos que teníamos sobre la mesa desde hacía años era homologar los roles de nuestros equipos a nivel global.
Parece algo bastante sencillo. ¿Cómo es posible que una compañía no tenga un catálogo único de roles?
Pero cuando trabajas en diferentes países, con distintas prácticas y equipos, las cosas se complican: teníamos más de 300 denominaciones de roles, muchos de ellos equivalentes. Necesitábamos unificarlos y construir una base confiable para nuestros procesos comerciales y operativos.
Empezamos a trabajar con IA por etapas, reuniendo catálogos, descripciones de puestos y niveles de seniority de los distintos países. Metimos todo en la licuadora y la IA nos ayudó a identificar similitudes, duplicidades e inconsistencias, como roles con distintos nombres o perfiles definidos por una tecnología en lugar de su función.
Pero aquí viene una parte fundamental: La IA proponía, pero el contexto del negocio y la decisión seguían siendo nuestros..
En ocasiones sugería agrupar roles que parecían equivalentes, pero pertenecían a prácticas diferentes. Teníamos que darle más contexto, compartir las descripciones de los puestos y revisar sus propuestas con los líderes de cada práctica.
Así pasamos de más de 300 denominaciones a unos 50 roles homologados y validados, construyendo una base común para abordar el siguiente reto.
Un cotizador global y más de 1.000 costos por analizar
Hasta entonces, cada país trabajaba con sus propios cotizadores para los proyectos. Necesitábamos construir uno global, con criterios consistentes para comparar costos y preparar propuestas comerciales.
¿Por qué era tan importante? Porque si calculamos mal el costo de un perfil, podemos terminar vendiendo mal. Y eso repercute en los márgenes y en los resultados del negocio.
Con el catálogo homologado, analizamos más de 1.000 combinaciones de costos, considerando distintos roles, niveles de seniority y países. La IA nos ayudó a comparar toda esa información, pero también nos encontramos con un problema que me dejó un aprendizaje importante.
Durante el análisis detectamos que uno de los costos tenía un tipo de cambio incorrecto, lo que estaba distorsionando las comparaciones entre países y niveles de seniority. Afortunadamente, lo identificamos a tiempo. Fue un buen recordatorio de algo que siempre digo: La IA puede darte una respuesta convincente. Validar que sea correcta sigue siendo nuestra responsabilidad
“Necesitamos seguir analizando, cuestionando y validando, especialmente cuando trabajamos con información que impacta directamente en decisiones de negocio.”
Hoy ya contamos con un cotizador global que utiliza criterios comunes para los distintos países.
De más de seis horas de trabajo a menos de 30 minutos
Otro de los procesos que necesitábamos mejorar era el de intercompany, con el que gestionamos los costos de profesionales que pertenecen a un país, pero trabajan en proyectos de otro.
Por ejemplo, una persona contratada en Argentina puede trabajar en un proyecto de México. México factura sus horas al cliente, mientras Argentina asume su costo. Conciliar estos importes implica gestionar múltiples reglas sobre contratos, vacaciones, asignaciones y distribución de costos.
Antes era un proceso muy manual que me llevaba más de seis horas, con un alto porcentaje de error por la cantidad de información que debíamos validar. Cualquier retraso, además, afectaba los cierres mensuales de Finanzas Global.
Con el equipo de BizOps documentamos las reglas, identificamos qué partes podíamos automatizar y desarrollamos una solución para agilizar el proceso.
“Hoy nos lleva menos de 30 minutos y el porcentaje de error es inferior al 5%.”
Experimentar, equivocarse y seguir utilizando el criterio
Después de todas estas experiencias, hay tres aprendizajes que me llevo.
| Experimentar. | Muchas veces no sabemos si la IA puede ayudarnos hasta que empezamos a probar. No hace falta comenzar con un proyecto enorme. Podemos partir de una tarea que repetimos todos los días y preguntarnos cómo hacerla mejor. |
| No delegar nuestro criterio. | La IA puede identificar patrones, analizar información y proponer alternativas. Pero somos nosotros quienes conocemos el negocio, entendemos el contexto y tenemos que tomar las decisiones. |
| Buscar resultados concretos. | El valor aparece cuando conseguimos trabajar más rápido, reducir errores, mejorar la consistencia o eliminar tareas manuales que nos quitan tiempo. |
También he aprendido a combinar herramientas como ChatGPT, Claude, Gemini y nuestro Toolkit según lo que necesito. Como todo evoluciona tan rápido, creo que lo importante es aprender a trabajar con IA, más allá de dominar una herramienta específica.
He tenido respuestas incorrectas y resultados que rehacer, pero es parte del aprendizaje. Hoy, cuando me enfrento a un proceso complejo o repetitivo, me hago una pregunta:
¿Cómo podría hacer esto mejor con IA?
No siempre tendremos la respuesta a la primera. Pero empezar a hacernos esa pregunta ya puede cambiar mucho nuestra manera de trabajar.
