Todos los proveedores dicen que tienen IA. Pregúnteles estas cuatro cosas.
Hoy cualquier fabricante le va a mostrar un chat. La diferencia entre una demostración y una capacidad que soporta operación crítica está en cuatro preguntas que casi nunca aparecen en las matrices de requisitos — y una de ellas la respondemos con un tercero, no con nuestra palabra.
¿Fue evaluada por alguien externo? →
Sí. AI Capability es uno de los doce procesos que Pink Elephant certificó bajo PinkVERIFY, con criterios formales y sobre la versión comercial estándar del producto. Háganle esa pregunta a los demás proveedores y compare las respuestas por escrito.
¿Dónde corre y a dónde van nuestros datos? →
Los modelos generativos corren en el tenant de Azure OpenAI de su propia organización. Los modelos estadísticos —los que clasifican y predicen— se entrenan localmente con la historia de casos de su operación. Su información no sale a entrenar el modelo de un tercero.
¿Cómo sabemos que no inventa respuestas? →
Cada respuesta trae la cita a la fuente, abrible, y una validación comprueba cada cita contra la lista blanca del material efectivamente recuperado. Lo que no está en la fuente, no se afirma. Los datos personales se redactan antes de que nada llegue al modelo.
¿Podemos apagarla? →
Sí, capacidad por capacidad, por configuración. Y si un modelo no está disponible o no ha sido entrenado, la plataforma no se detiene: sigue operando con su comportamiento clásico. Degradar con gracia es un requisito de diseño, no un accidente.
Qué hace, en lenguaje de operación
Ocho capacidades, dentro del proceso
La inteligencia artificial no es una capa que se conecta al final. Está dentro del proceso, gobernada por el objetivo que ese proceso debe cumplir, y deja la misma evidencia auditable que cualquier otra actividad.
Responde antes de que exista un ticket
Un portal conversacional donde el usuario describe su situación con sus propias palabras. Busca en preguntas frecuentes, procedimientos, documentos, glosario y soluciones documentadas, y responde con citas que se pueden abrir y comprobar. Sostiene conversación multi-turno, así que una repregunta mantiene el hilo. Solo cuando el conocimiento no resuelve pasa a crear el caso — y entonces recoge paso a paso los datos relacionados que pide la categoría, con las mismas validaciones del proceso y sin formularios que diseñar, advierte los casos abiertos parecidos y ofrece actualizar el que el usuario ya tiene. Si la pregunta pide un especialista, «Pregunte a los expertos» la lleva a uno, y su respuesta entra sola a la base de conocimiento.
Clasifica con su propio histórico →
Un clasificador estadístico entrenado con la historia de casos de su propia instalación, reentrenado cada noche, que aprende su taxonomía y no una genérica. Por encima de un umbral de confianza configurable propone una sola categoría y pide confirmación; por debajo, ofrece las mejores candidatas. El modelo sugiere, la persona decide.
Avisa del riesgo el día uno →
Un modelo de regresión estima cuánto va a durar el caso, lo contrasta con su nivel de servicio y calcula la probabilidad de incumplirlo. Superado un umbral configurable, el caso muestra una alerta de riesgo. La predicción queda guardada con el caso, de modo que después se puede auditar el pronóstico contra lo que realmente ocurrió.
Resume una historia larga →
Para casos con decenas de comentarios, reasignaciones y eventos, entrega el estado de la situación: en qué punto está, qué se ha hecho y qué sigue. Se construye sobre el historial registrado — resume lo que existe en vez de inventar continuidad. Quien recibe un caso reasignado lee segundos en lugar de quince minutos.
Encuentra lo que ya se resolvió
Un mismo motor de similitud en cuatro frentes: soluciones documentadas y casos anteriores parecidos con el arreglo que funcionó; problemas relacionados, con los que el caso se vincula en un clic; un aviso cuando la solución que está por documentar ya existe, para que la base de conocimiento no se llene de repetidos; y detección de casos abiertos casi idénticos antes de crear otro.
Señala el cambio que pudo causarlo →
Cuando aparece un incidente, muestra los cambios recientes candidatos a haberlo provocado, dentro de una ventana que usted configura. Es de las preguntas más caras de responder a mano, porque implica cruzar la línea de tiempo del incidente con la bitácora de cambios — y es exactamente lo que pregunta un auditor.
Agentes, con límites declarados →
Un agente de IA se registra con sus límites —acciones permitidas, umbral de confianza, compuerta de aprobación humana y tope diario—, y cada acción que propone pasa por esa política y queda en bitácora con su razón. Una actividad cuyo ejecutor es un agente se entrega sola al agente registrado que tiene las herramientas que exige, y el cierre conserva la compuerta humana. Y Dexon BPM habla MCP: Microsoft 365 Copilot, Claude o sus propios agentes descubren y usan las herramientas de la plataforma con la identidad y los permisos de Entra ID de cada usuario, con cada llamada auditada.
Mantiene el correo basura fuera de la mesa →
Cada correo entrante recibe su puntuación de spam, con su probabilidad y su motivo. El caso siempre se crea —nada se pierde— y los boletines y el correo no deseado llegan marcados, para que los técnicos dediquen su tiempo a solicitudes reales. Cada confirmación del técnico reentrena el modelo con su propio correo.
Cómo está gobernada
Tres principios que su área de seguridad va a preguntar
Qué pasa con el texto
Los fragmentos que van al modelo pasan primero por redacción de datos personales. Toda cita que el modelo produce se valida contra la lista blanca del material efectivamente recuperado, de modo que una afirmación sin fuente detrás no llega al usuario.
El análisis de sentimiento puntúa en segundo plano los mensajes del usuario final y muestra el estado emocional del caso, alertando su deterioro. La corrección ortográfica es no destructiva y las consultas en otro idioma se traducen antes de buscar — así la búsqueda funciona sin que el usuario tenga que aprender a hablarle a una máquina.
Para cada indicador estratégico, la plataforma proyecta los periodos que faltan del año fiscal. Extrapola la tendencia del porcentaje de cumplimiento —más estable que el valor crudo cuando la meta cambia entre periodos— y reconstruye cada periodo futuro contra la meta real de ese periodo, respetando si para ese indicador más es mejor o peor.
Responde la pregunta gerencial que suele llegar tarde: si seguimos así, ¿cerramos el año cumpliendo la meta? Con tiempo suficiente para corregir el rumbo.
Cada indicador trae su cierre estimado del año con un intervalo de predicción al 95 %, y el tablero lo marca en ámbar si está en riesgo y en rojo si el incumplimiento es probable — meses antes del cierre. Proyecta únicamente los periodos que no se han medido: donde ya existe una medición real, no inventa una proyección encima. Y la misma aritmética pronostica la demanda de cada servicio del catálogo, con su intervalo al 95 % y su tendencia: planeación de capacidad sobre la operación real.
Compruébelo en veinte minutos
No nos crea. Pruebe el clasificador contra su propia historia.
Tome cincuenta casos ya cerrados de su operación, páselos por el clasificador y compare la categoría propuesta contra la que su equipo asignó. Es una prueba corta y le da un número real sobre sus datos, no una impresión sobre una demostración ensayada. Cada capacidad de esta página tiene un procedimiento de prueba como ese, y se lo entregamos.
Lo que comprometemos
La cifra de deflección, construida desde su propia operación
Es habitual que un proveedor comprometa una cifra —«reduce 30% el volumen»— que gana la evaluación de papel y se incumple en el año dos, cuando se activa el régimen de penalidades.
En lugar de un número decidido de antemano para ganar la evaluación, comprometemos el mecanismo: la plataforma registra cada deflección y la utilidad de cada respuesta, de modo que el número se construye con usted desde su propia operación y es verificable mes a mes.