La gestión de datos maestros consiste en introducir, modificar y mantener coherentes los datos básicos: datos de clientes, códigos de producto, información de proveedores. El trabajo se desarrolla entre sistemas como un entorno ERP y una herramienta de gestión de datos maestros, y actualmente lo suele realizar un gestor de datos o un empleado administrativo que verifica y corrige registros.
Para determinar qué puede asumir aquí la IA, no nos fijamos en el título del puesto sino en la tarea en sí, en ocho ejes. Tres de ellos son determinantes: estructuración, volumen y coste del error.
Los datos maestros tienen una forma fija. Un registro de cliente tiene un nombre, una dirección, un número de IVA; un código de producto tiene un número fijo de campos. Esa previsibilidad puntúa alto en estructuración, y es precisamente el tipo de trabajo sobre el que la automatización lleva décadas ganando terreno con eficacia. Añádase el volumen: las empresas con miles de registros de clientes o productos tienen una tarea que se repite constantemente, con los mismos pasos por registro. Volumen alto más estructuración alta es la combinación en la que la automatización basada en reglas, en este caso rpa, funciona mejor.
Un ejemplo: un proveedor cambia de dirección. La nueva dirección debe trasladarse al sistema ERP, al sistema de facturación y al portal de clientes. Eso es rellenar tres veces el mismo campo según una regla fija. No se necesita criterio para ello, sino coherencia.
Aquí está el nudo. Un error en los datos maestros se propaga: un número de IVA incorrecto genera una factura errónea, un campo de código de producto incorrecto genera recuentos de inventario incorrectos o precios erróneos para el cliente. Por eso el eje del coste del error no puntúa bajo, y el cumplimiento normativo tampoco: muchos datos maestros están sujetos a normativas sobre datos personales o registro fiscal. Esto no significa que la IA no tenga aquí ningún papel, sino que el procesamiento totalmente autónomo sin control es un riesgo que no se acepta sin más.
Además, el margen de criterio es bajo: hay poco espacio para interpretar por cuenta propia cuál es un valor correcto, las reglas están fijadas. Eso es una buena noticia para la automatización, porque el margen de criterio suele ser el eje que requiere trabajo humano. En los datos maestros, la dificultad no está en decidir, sino en detectar desviaciones: una dirección que no existe, un nombre que no coincide con un registro anterior. Ahí es donde la supervisión humana, con motivos razonados de aprobación o rechazo, mantiene su valor.
La mayor parte de la introducción y sincronización habitual entre sistemas es una tarea que la IA puede asumir hoy, siempre que se cumplan dos condiciones previas: definiciones de datos inequívocas, para que no haya duda sobre qué es un valor válido, y reglas de validación en la introducción, para que los casos anómalos se detecten antes de que sigan avanzando. Sin esas dos condiciones previas, la tarea vuelve automáticamente al tercer bloque: el trabajo humano, porque nadie puede confiar en lo que se registra automáticamente.
El cambio que se está produciendo aquí no es que el gestor de datos desaparezca, sino que el contenido de la tarea se transforma: de escribir uno mismo a evaluar uno mismo lo que un sistema ha señalado como anómalo. Es un tipo de trabajo distinto, con un tipo de atención distinto, y requiere a alguien que entienda por qué se ha rechazado un registro, no solo cómo se introduce.
En una empresa con una cartera de clientes pequeña y manejable y pocas variantes de producto, el beneficio de la automatización es limitado: el volumen es demasiado bajo para amortizar la inversión en reglas de validación y conexiones. En una empresa con datos de origen muy dispares —por ejemplo, tras una fusión, con dos sistemas CRM distintos que no utilizan los mismos campos—, la dificultad no está en la introducción sino en establecer primero definiciones inequívocas. Es una tarea sustantiva y puntual que hay que realizar antes de que la automatización tenga sentido.
Esta ponderación entre estructura, volumen y riesgo de error no se presenta solo en los datos maestros. La misma lógica reaparece en preguntas sobre qué trabajo del departamento de compras se presta a la automatización, donde los datos de proveedores y las líneas de pedido presentan la misma combinación de repetición y susceptibilidad al error. También al responder consultas de usuarios sobre software se plantea una ponderación similar entre patrones fijos y escalado: véase cómo gestiona la IA las consultas de los usuarios sobre problemas de software. Y allí donde los propios sistemas se supervisan para detectar anomalías, la lógica de detectar y derivar es comparable a lo que se explica sobre la supervisión del rendimiento de los sistemas por parte de la IA.
Esto no es un asesoramiento de personal ni una justificación para una decisión sobre un puesto o una plantilla. Si el resultado de este análisis se utiliza en algún proceso relacionado con personal, se aplican los requisitos legales propios correspondientes, que este artículo no modifica ni afecta en modo alguno. Lo que aquí se expone es una afirmación sobre la tarea, no sobre la persona que la realiza actualmente.
Para ver cómo se traduce esta clasificación en la propia empresa, está disponible el quickscan gratuito: doce preguntas, sin necesidad de cuenta, con un resultado que indica qué parte de las horas de ese perfil puede asumir hoy la IA. El escaneo de trabajo completo, que examina el trabajo de toda una empresa tarea por tarea a lo largo de estos ocho ejes, está aún en construcción y se ofrecerá aquí más adelante.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.