El comercio mayorista funciona a base de flujos: mercancías, pedidos, facturas e información que se mueven de un lado a otro entre proveedores y clientes. Una gran parte de las horas de oficina se destina a trabajo que se repite dentro de ese flujo — introducir y controlar pedidos, cotejar existencias con compras y ventas, hacer seguimiento de acuerdos de precios, cotejar facturas con albaranes, responder preguntas de clientes sobre plazos de entrega y disponibilidad. Junto a esto está el trabajo que se repite menos: negociar con proveedores, componer un surtido, atender a un cliente con una situación difícil, decidir qué ocurre cuando una entrega se atasca.
Esos dos tipos de trabajo conducen a un resultado distinto cuando una ambición supone trabajo de IA. El trabajo repetitivo con reglas fijas se deja asumir más fácilmente que el trabajo en el que alguien vuelve a valorar constantemente qué es lo correcto en esta situación. Las circunstancias que determinan el resultado no son solo la naturaleza del trabajo, sino también lo limpios y estructurados que están los datos subyacentes — una línea de pedido que se anota de forma distinta en cinco sistemas es más difícil de leer para un sistema que para una persona que conoce el contexto.
En una parte de las empresas mayoristas ya se está asumiendo trabajo hoy en día: el control de pedidos frente a las condiciones de compra, resumir el correo de proveedores en una acción, alimentar una previsión de existencias a partir de patrones históricos. En otra parte de las empresas, exactamente el mismo trabajo sigue recayendo por completo en personas. La diferencia rara vez está en la voluntad de cambiar. Está en si los datos están en orden, si hay alguien que pueda aprobar o rechazar con motivo el resultado de un sistema, y si la organización ha establecido quién decide sobre qué cuando algo sale mal.
Tres categorías aparecen en casi todos los procesos del comercio mayorista. Hay trabajo que un sistema puede asumir sin intervención, como trasladar una línea de pedido al formato correcto. Hay trabajo en el que la IA hace una propuesta y una persona evalúa esa propuesta — una nota de crédito que se propone, pero que un empleado aprueba o devuelve con motivo. Y hay trabajo que sigue siendo trabajo humano, como la conversación con un proveedor que no cumple su plazo de entrega. Qué tarea cae en qué categoría varía según la empresa y el sistema, y cambia en cuanto cambian los datos o el proceso.
Una ambición como "nuestro servicio de atención al cliente funcionará dentro de poco de forma mayoritariamente automatizada" supone que la empresa puede categorizar las preguntas de los clientes, que el conocimiento detrás de una respuesta está estructurado en algún lugar, y que existe un acuerdo sobre cuándo una pregunta pasa a una persona. Sin esos tres elementos, la ambición es una frase, no un plan. Lo mismo vale para una ambición en torno a la gestión de existencias: esta exige que los datos de compras, ventas y logística estén alineados entre sí, y que alguien esté autorizado para corregir una propuesta de pedido sugerida por la IA.
La prueba de ambición fija tales ambiciones en cuatro capas — visión, vision state, target, target state — y las evalúa en ocho dimensiones de preparación, con cinco confidence gates que indican dónde el plan todavía se sustenta en la confianza en lugar de en evidencia. Esa misma prueba traduce el resultado de vuelta a capacidades: qué debe poder hacer cada función, y quién obtiene el derecho de decisión cuando un sistema propone un resultado. Para las empresas mayoristas que también reflexionan sobre qué parte del beneficio se destina a mantener la cuota de mercado, vale la pena leer cómo sopesar el crecimiento frente al margen en una estrategia, porque una ambición de IA sin esa ponderación se convierte rápidamente en una suposición en lugar de una elección.
El comercio mayorista comparte mucho con los eslabones logísticos anteriores y posteriores. Quien quiera hacer la comparación con un sector donde el trabajo físico con mercancías está aún más cerca del proceso, lo encuentra en qué ambiciones de IA se plantean en el sector del transporte, y quien quiera ver cómo se traduce esa misma ambición en un entorno de producción, puede leer qué ambiciones de IA se plantean en la industria manufacturera. El patrón se repite: las mismas palabras de ambición, distinta preparación, distinto resultado.
Donde esto afecta al personal — qué funciones cambian cuando el trabajo se desplaza — se aplican requisitos legales propios que quedan fuera de esta prueba. Lo que sí hace la prueba de ambición es aclarar qué capacidad queda libre cuando se desplaza cierto trabajo, en horas y en equivalentes a tiempo completo (fte), de modo que un equipo directivo sepa de qué está hablando antes de hablar de personas.
La pregunta subyacente — qué trabajo en esta empresa se puede realmente transferir a la IA — se responde con el escáner de trabajo de FTE TO AI por tarea, en lugar de por función o por suposición. Para un equipo directivo que primero quiere saber si su propia visión es suficientemente medible como para someterla a esta prueba, está disponible cómo hacer medible una visión.
Quien quiera saber en qué punto se encuentra su propia organización puede hacer la comprobación de preparación gratuita: ocho preguntas breves, una por dimensión, que dan como resultado una imagen de en qué aspecto está más avanzado y en cuál menos. La prueba de ambición completa, con las cuatro capas y los cinco confidence gates, está en construcción.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.