Construyendo un operador de IA para materiales industriales.

Un chatbot responde. Es útil para consultar algo, pero un workflow de residuos exige más que una respuesta. Alguien tiene que entender el contexto, investigar, comparar alternativas, decidir, ejecutar y comprobar que lo ejecutado funcionó.

La diferencia es de arquitectura, no de tono. Un sistema que solo genera texto puede describir una situación. Uno que opera necesita acceso a contexto, herramientas especializadas, límites claros de lo que puede hacer y una manera de verificar su propio trabajo.

Un chat sin contexto adivina: responde con lo que sabe en general, no con lo que ocurre en esta planta. Un chat sin herramientas describe: puede explicar cómo se compara una oferta, pero no compararla. Un chat sin permisos improvisa: no distingue entre sugerir y hacer. Y un chat sin verificación no sabe si acertó.

Cada una de esas carencias se arregla con una pieza de arquitectura, y el resultado se parece menos a una conversación y más a un operador.

Para hacer bien su trabajo, Davin puede necesitar seis tipos de contexto. No todos están conectados en todas las operaciones: lo que Davin puede hacer depende de lo que esté disponible, y debe decir cuándo algo falta en lugar de rellenarlo.

Esta es una parte central del diseño, no una limitación que ocultar. Davin avanza por niveles: puede leer, analizar, generar documentos, comparar y proponer. Las acciones que comprometen a alguien —sobre todo las comerciales— requieren confirmación antes de ejecutarse.

Por eso no hablamos de autonomía total. Hablamos de un operador que avanza el trabajo hasta donde tiene permiso y se detiene donde corresponde, con confirmación humana cuando la acción lo exige.

Una pregunta de operación: “¿Dónde estamos perdiendo más material esta semana?”. Davin no inventa una cifra. Reúne el contexto de producción, revisa los eventos de residuos, los compara con el historial, analiza la diferencia y propone una siguiente acción. Si falta un dato, lo dice.

Es un ejemplo ilustrativo: describe el camino, no muestra datos de producción reales.

Las capacidades de Davin no avanzan todas al mismo ritmo: algunas están disponibles para usuarios y otras están en validación. Lo importante es la dirección.

Verificar es tan importante como razonar. Un sistema que explica con fluidez algo equivocado es peor que uno que dice que le falta información; por eso Davin debe señalar cuándo el contexto no alcanza.

La herramienta adecuada importa más que la respuesta más elocuente, y los permisos son parte del producto: definir qué puede ejecutar Davin, con qué autorización y con qué verificación es tan importante como lo que sabe hacer.

Más herramientas, permisos mejor definidos, más ejecución de workflows y más retroalimentación de lo que ocurre después de cada decisión. Esa última pieza es el tema de Outcome Learning, y la comparación con la demanda se desarrolla en Trace Match.