Pidieron un script. El problema era el criterio.
La situación
Un marketplace global de viajes incorporaba oferta hotelera a mano: tres horas de trabajo calificado por propiedad, a un ritmo de 4,000 casos al mes. Un nuevo empleado tardaba de cuatro a seis meses en rendir, porque el proceso vivía en la cabeza de la gente. Y los errores no eran de tipeo: un solo error manual había costado $400K, y la empresa incumplía una y otra vez el techo anual de $500K que se había fijado para pérdidas por error. Detrás de la cola esperaba un backlog de proyectos internos, revisiones de contratos y auditorías valoradas en siete cifras, al que el equipo nunca llegaba.
El diagnóstico
Llegaron con la solución ya definida: un bot de RPA simple y un regex básico para mapear archivos a campos de datos, con la meta de recortar las tres horas a la mitad. El diagnóstico dijo que mapear campos era una fracción mínima del trabajo. La mayor parte de esas tres horas era criterio: conciliar registros entre múltiples plataformas en la nube y herramientas caseras que no coincidían entre sí, y validar el resultado contra reglas de negocio estrictas. Un regex no puede arbitrar un desacuerdo entre sistemas. El RPA habría automatizado el tipeo conservando todo el pensamiento: recortar las horas a la mitad, preservando cada dólar del riesgo de error, incluido el de la clase de $400K.
La prescripción
Automatizar decisiones, no teclas. Probar el flujo a mano primero, y reemplazarlo etapa por etapa, con compuertas de aceptación duras entre semiautomatizado, producción y producción plena, definidas por escrito antes de construir nada.
La construcción
Una capa de integración conectando las plataformas en la nube y los sistemas caseros que nunca habían coincidido, sobre un pipeline de ETL reforzado. Un disparador en Salesforce para que un caso nuevo lance el pipeline solo, sin despachador humano. Fuzzy matching con LLM para conciliar la misma propiedad entre sistemas, concatenando fragmentos de múltiples fuentes en campos únicos validados, extrayendo más de una docena de campos estructurados desde texto libre, y validando cada salida contra las reglas estrictas que antes vivían en cabezas. QA automatizado encima, y despliegue por los 15 socios principales de oferta y una cola larga de 130 más, con SLAs de disponibilidad y respuesta a errores auditables por el cliente.
Lo que el equipo mantuvo
Un ciclo que pasó de tres horas a quince minutos: unas once mil horas al mes devueltas al negocio. La clase de error que produjo el incidente de $400K hoy la atrapa la validación antes de salir, manteniendo las pérdidas dentro del techo que el equipo solía romper. La rampa dejó de importar porque el criterio ya no vive en la cabeza de nadie. Y el backlog de siete cifras por fin tiene un equipo disponible para trabajarlo.