La limpieza es en gran parte trabajo de ejecución in situ: limpiar espacios, reponer material, realizar controles, notificar incidencias. Alrededor de eso hay una capa de trabajo de planificación que es menos visible pero sí determinante para los costes: elaborar horarios, gestionar sustitutos, atender quejas, planificar controles de calidad e informar a los clientes. Las condiciones en el lugar determinan en gran medida el resultado: un edificio tiene un equipo de mañana fijo con pocos cambios, otro trabaja con equipos variables, contratos cortos y muchos suplentes eventuales. Esa variación determina qué parte del trabajo se puede plasmar en un patrón y qué parte sigue dependiendo de lo que alguien encuentre in situ.
Esas dos capas —ejecución in situ y planificación a distancia— reaccionan de forma distinta a la IA. No es que una capa sea "más inteligente" que la otra; es que una se deja plasmar en datos mejor que la otra.
Dentro de la capa de planificación se observa que una parte del trabajo ya se ha desplazado. Los horarios basados en patrones fijos, el registro de horas, la facturación y los informes básicos de calidad son tareas que la IA puede asumir en cuanto los datos subyacentes están estructurados. Estimar una escasez de personal repentina por enfermedad, valorar una queja que no encaja en el formato, o negociar con un cliente un cambio de contrato: eso sigue siendo trabajo humano, o trabajo en el que la IA hace una propuesta y un responsable la aprueba o rechaza con motivo.
En el terreno la situación es distinta. La tecnología de sensores que avisa cuando un espacio realmente se ha utilizado y por tanto debe limpiarse es una forma de apoyo de IA que ya existe, pero requiere inversión en equipos y un edificio adecuado para ello. Muchas ubicaciones no lo tienen. La limpieza en sí sigue siendo, salvo el uso de robots en entornos específicos, trabajo humano.
¿Por qué funciona esto ya en una empresa de limpieza y en otra no? La diferencia rara vez está en la ambición en sí —casi todas las empresas quieren planificar de forma más eficiente y perder menos tiempo en horarios manuales—. La diferencia está en lo que subyace a esa ambición: si la empresa ya tiene las horas, el absentismo por enfermedad y las quejas en un sistema que una aplicación de IA puede leer, o si eso todavía está en la cabeza de los planificadores y en hojas de cálculo sueltas por región.
Una empresa de limpieza que dice "queremos automatizar los horarios" quiere decir con ello, en una organización: un sistema que genera de forma autónoma un horario completo. En otra: una herramienta que hace una primera propuesta, tras lo cual un planificador la ajusta. Son dos ambiciones distintas con requisitos diferentes en cuanto a datos, a las competencias de los planificadores y al grado en que los clientes deben aceptar los cambios. Mientras un equipo directivo no haya hablado de esa diferencia, está hablando de automatización sin saber qué variante quiere decir.
Ahí es precisamente donde una ambición formulada por capas —desde la visión hasta un estado meta concreto— marca la diferencia: obliga a nombrar qué cambia en quién puede tomar una decisión y quién sigue siendo responsable de ella. A modo de comparación, en otros sectores con mucho trabajo de ejecución in situ se observa un patrón parecido: quien lea cómo se traduce esto en la construcción o en el sector de instalaciones, reconocerá la misma línea divisoria entre trabajo de planificación y trabajo de ejecución, aunque con fuentes de datos distintas.
El obstáculo más mencionado no es la tecnología sino el registro. Las horas trabajadas, el absentismo, las quejas y el uso de material suelen estar repartidos entre sistemas regionales, formularios en papel y acuerdos verbales entre el planificador y el gestor del edificio. Una aplicación de IA que asume horarios o controles de calidad necesita esos datos en una forma legible. Sin esa base, una ambición se queda en una declaración sin fundamento.
Además está la cuestión de quién puede aprobar o rechazar una propuesta de IA. En empresas donde el planificador tiene ahora plena potestad sobre los cambios de horario, una aplicación de IA que ya elabora los horarios por sí misma cambia de facto el papel de ese planificador al de supervisor. Eso afecta a cómo están configuradas las funciones y a las condiciones laborales; para las decisiones que afectan al personal rigen requisitos legales propios que aquí no se tratan.
La pregunta que subyace a todas las ambiciones en este sector no es "¿puede la IA asumir la limpieza?" sino "¿cuáles de nuestras tareas ya están registradas de tal forma que una aplicación de IA puede leerlas, y cuáles todavía no?". Eso varía según la empresa, la región e incluso el cliente, y no se puede responder en términos generales. Lo que eso significa en concreto para su organización, tarea por tarea, lo muestra el escaneo de trabajo de FTE TO AI: una visión de qué trabajo ya se presta ahora para su asunción, qué parte requiere supervisión y qué parte sigue siendo trabajo humano. Quien quiera entender primero cómo se traduce una ambición a un modelo operativo, lo encuentra explicado en el target operating model en lenguaje sencillo, y quien quiera saber qué capabilities exige una ambición concreta, puede leerlo en las capabilities que su organización necesita para esta ambición.
Formular una ambición para la IA en el trabajo de limpieza empieza por determinar dónde se encuentra realmente la organización, no dónde la dirección espera estar. El chequeo de preparación gratuito de FTE TO AI consta de ocho preguntas breves, una por dimensión, y ofrece una imagen de en qué aspecto la organización está más avanzada y dónde quedan más pasos por dar. La prueba de ambición completa, con las cuatro capas y las 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.