Andrej Jonovic, director ejecutivo de XBP Global: serie de entrevistas

Andrej Jonovic es el director ejecutivo de XBP Global, una empresa multinacional de tecnología y servicios centrada en flujos de trabajo empresariales de misión crítica. XBP Global aplica IA agéntica en entornos regulados, como la atención sanitaria, el sector público y los servicios financieros, donde la precisión, la seguridad, la soberanía de los datos y la auditabilidad son esenciales. En esta entrevista, Jonovic habla sobre la orquestación adaptativa de procesos, los modelos de pesos abiertos, el procesamiento inteligente de documentos, la adjudicación humana y lo que hace falta para convertir la IA de una capacidad técnica en resultados operativos cuantificables.

Comenzó su carrera como abogado especializado en transacciones antes de pasar a las fusiones y adquisiciones, la transformación empresarial y, finalmente, a dirigir XBP Global. ¿Cómo ha influido esa trayectoria en su manera de evaluar la gobernanza, el riesgo comercial y el impacto organizativo de implementar inteligencia artificial en flujos de trabajo de misión crítica?

Suelo analizar la IA empezando por el modelo operativo. Al venir del ámbito de las transacciones y la transformación, uno se acostumbra a preguntarse si la estructura realmente se sostiene una vez que se deja atrás la presentación y se empieza a ejecutar.

Esto cobra mucha importancia con la IA, porque un modelo puede funcionar extremadamente bien de forma aislada y, aun así, generar malos resultados operativos. En la atención sanitaria, el sector público y la banca, la precisión del procesamiento, el cumplimiento normativo y la auditabilidad son innegociables. Hay que entender dónde residen los datos, qué puede hacer el sistema, cómo se controlan las decisiones y cuál es la estructura de costos cuando se ejecuta el flujo de trabajo a gran escala.

La gobernanza debe incorporarse a esa arquitectura desde el diseño. Quiero saber dónde se ejecuta el modelo, qué información cruza los límites de la empresa, qué queda registrado en la pista de auditoría y qué ocurre cuando el flujo de trabajo llega a una decisión que requiere un nivel de control distinto.

Probablemente ahí es donde mi trayectoria tiene mayor repercusión. En general, me interesa menos lo que la tecnología puede hacer en una demostración controlada. Quiero saber si se puede integrar en un proceso de misión crítica y confiar en ella.

XBP Global describe la IA agéntica como una evolución que va más allá de la automatización convencional basada en reglas y la automatización robótica de procesos. ¿Qué cambia desde el punto de vista técnico cuando un flujo de trabajo pasa de seguir instrucciones predefinidas a utilizar agentes de IA capaces de inferir, tomar decisiones y coordinar varias tareas?

La arquitectura se vuelve mucho más adaptable.

La automatización tradicional de flujos de trabajo es determinista. Hay reglas, se sabe qué ocurre en el paso siguiente y se incorpora más lógica de forma explícita a medida que el proceso se vuelve más complejo. Esto funciona muy bien para las tareas predecibles. La dificultad surge cuando el número de reglas se vuelve enorme o el proceso cambia más rápido de lo que se puede reconstruir el sistema.

Lo que hacemos ahora es orquestación adaptativa de procesos. Se pueden conservar los motores de reglas deterministas allí donde la precisión y el cumplimiento normativo los exigen, e introducir modelos inteligentes en las partes del flujo de trabajo donde la inferencia aporta valor. Los agentes pueden coordinar tareas, acceder a información y seleccionar la siguiente acción sin que alguien tenga que programar de antemano todas las rutas posibles del proceso.

El otro cambio es que el modelo subyacente se vuelve más fácil de sustituir. Estamos viendo cómo los modelos de pesos abiertos de nivel empresarial mejoran muy rápidamente. Si la canalización está bien diseñada, se puede integrar un modelo más potente a medida que evoluciona el ecosistema, sin tener que reconstruir todo el proceso operativo a su alrededor.

Por eso, creo que el activo técnico más importante será cada vez más el propio flujo de trabajo: la orquestación, el conocimiento del dominio, los controles y los datos que rodean al modelo.

Muchas empresas están experimentando con la IA, pero tienen dificultades para pasar de los proyectos piloto a la producción. ¿Cuáles son los obstáculos arquitectónicos u organizativos más habituales que impiden a las empresas implementar flujos de trabajo agénticos a gran escala? 

Los clientes están dejando atrás la etapa de experimentación. Ya han visto las demostraciones y han oído promesas de retorno de la inversión muy ambiciosas. En algún momento, alguien tiene que integrar la tecnología en un proceso real y hacer que funcione.

Ahí es donde la arquitectura se complica. Un flujo de trabajo de producción debe conectarse con el entorno que la empresa ya tiene. Es posible que la información confidencial deba permanecer en una nube privada o en las instalaciones de la empresa. También hay que acceder a los sistemas existentes, cumplir los requisitos normativos y lograr que el modelo económico siga siendo viable a escala empresarial.

Recientemente obtuvimos un contrato relacionado con el ciclo de vida del mantenimiento de la flota de una aerolínea internacional. Cada elemento de mantenimiento se representará mediante vectores y se almacenará en una base de datos vectorial privada dentro de la nube privada del cliente. La infraestructura agéntica gestiona el acceso a esa información y permite reproducir los registros cuando las aeronaves dejan de estar arrendadas o se venden.

Es un problema muy distinto de demostrar que un modelo puede responder a una pregunta sobre el registro de una aeronave. Se trata de todo un entorno operativo, con controles de datos y un proceso que debe funcionar de forma repetida.

Desde el punto de vista organizativo, la brecha suele estar en quién asume la responsabilidad. Alguien debe comprender el proceso lo bastante a fondo como para definir qué significa realmente llevarlo a producción. Sin esa disciplina operativa, el proyecto piloto puede seguir siendo impresionante durante mucho tiempo sin llegar a ser útil.

XBP Global combina la automatización con la supervisión humana, especialmente en las decisiones de alto impacto. ¿Cómo determinan qué decisiones puede ejecutar un sistema de IA de forma autónoma y en cuáles debe seguir formando parte del proceso el criterio humano? 

Diseñamos la función humana en torno a la adjudicación.

En un flujo de trabajo de alto impacto, suele haber una gran cantidad de tareas que pueden avanzar por el proceso con un alto grado de confianza. Luego están los casos excepcionales, en los que la información es incompleta, las circunstancias son inusuales o las consecuencias de equivocarse son demasiado graves.

Cuando el proceso llega a uno de esos casos, remite la transacción a un experto en la materia. Esa persona lo resuelve y, después, su criterio puede incorporarse al sistema para que el modelo siga mejorando.

Creo que ese ciclo de retroalimentación es importante. La supervisión humana aporta más valor cuando mejora el flujo de trabajo con el tiempo. El experto aporta sus conocimientos especializados en los casos en los que el modelo todavía los necesita.

El umbral de autonomía también depende en gran medida del entorno. La adjudicación en el ámbito sanitario, los registros del sector público y los procesos financieros regulados tienen requisitos distintos de los de una tarea interna de bajo impacto. El nivel de confianza aceptable debe reflejar las consecuencias reales de la decisión cuando el sistema actúe en función de ella.

Sus clientes operan en sectores regulados y en el sector público, donde la soberanía de los datos, la seguridad y la auditabilidad son esenciales. ¿Cómo pueden las organizaciones implementar modelos de lenguaje de gran tamaño en entornos protegidos sin comprometer las capacidades que hacen útiles estos sistemas? 

Los modelos de pesos abiertos están cambiando considerablemente la respuesta a esa pregunta.

Durante mucho tiempo, se dio por sentado que obtener el mejor rendimiento de un modelo implicaba enviar información al entorno de otra organización. Eso plantea un problema evidente cuando los datos deben permanecer dentro de los límites de la empresa.

Ahora podemos tomar modelos de pesos abiertos de nivel empresarial e integrarlos en flujos de trabajo agénticos implementados, manteniendo los datos dentro del entorno del cliente. Según los requisitos, esto puede implicar una infraestructura de nube privada o local. Así, se pueden aprovechar los avances del ecosistema general de modelos y, al mismo tiempo, mantener los controles que la organización necesita para garantizar la soberanía de los datos.

La arquitectura también debe poder cambiar. No hay razón para suponer que el modelo actual seguirá siendo el mejor para una tarea concreta. Nuestros protocolos de entrenamiento están diseñados para que podamos integrar rápidamente nuevos modelos en un flujo de trabajo existente.

Para los clientes de sectores regulados, esa flexibilidad es muy valiosa porque el flujo de trabajo puede seguir mejorando sin que se traspasen los límites establecidos para los datos. También es así como se empieza a responder a requisitos como los del Reglamento de IA de la UE, sin tratar el cumplimiento normativo como algo que se añade después de haber implementado la tecnología.

Una cantidad considerable de información empresarial sigue atrapada en documentos, imágenes, sistemas heredados y registros físicos. ¿Cómo está evolucionando el procesamiento inteligente de documentos y qué papel desempeña en la transformación de datos fragmentados en información que los agentes de IA puedan utilizar de forma fiable?

Creo que el procesamiento inteligente de documentos se está convirtiendo en parte de la infraestructura de los flujos de trabajo agénticos.

Históricamente, gran parte del procesamiento de documentos se basaba en plantillas. Se sabía qué aspecto tenía el documento, qué campo se necesitaba y el sistema lo extraía. La información empresarial rara vez está tan ordenada. Solo el sector sanitario puede implicar explicaciones de prestaciones (EOB), correspondencia compleja, información sobre reclamaciones y registros que llegan en distintos formatos.

El enfoque más reciente tiene mucho más en cuenta el contexto. Se puede tomar información no estructurada, determinar qué es pertinente y convertirla en resultados estructurados que los sistemas posteriores puedan utilizar de verdad. Esto es importante porque un agente no puede coordinar el trabajo de forma fiable si la información en la que se basa está incompleta o se ha interpretado incorrectamente.

La escala también cambia el problema. Gestionamos entornos que procesan enormes volúmenes de imágenes, reclamaciones, transacciones de pago y otros documentos. A esa escala, una pequeña diferencia en la calidad de la extracción se convierte en un problema operativo muy importante.

Por eso, el procesamiento inteligente de documentos (IDP) ocupa cada vez más un lugar al inicio del flujo de trabajo inteligente. Convierte la información fragmentada en datos utilizables, proporciona a la siguiente etapa del proceso una base fiable para actuar y sienta las bases para automatizar más tareas en las etapas posteriores.

XBP Global ha hablado de migrar procesos heredados basados en reglas a flujos de trabajo de IA agéntica y de alcanzar mayores niveles de resolución en el primer intento. ¿Qué debe comprender un sistema de IA sobre los procesos, las excepciones y el conocimiento institucional de una organización para ofrecer resultados fiables?

Gran parte del conocimiento institucional nunca llegó a plasmarse en un documento claro sobre los procesos.

Está integrado en sistemas antiguos, conjuntos de reglas y el criterio de personas que llevan años gestionando el proceso. Saben qué información importa, qué regla se aplica en determinadas circunstancias y qué ocurre en las etapas posteriores cuando se toma una decisión equivocada.

Al migrar ese trabajo, hay que preservar esos conocimientos operativos. En nuestro ámbito, eso suele significar combinar la lógica determinista con la IA, en lugar de dar por sentado que todas las reglas deben desaparecer de inmediato. Hay partes de un flujo de trabajo regulado en las que un motor de reglas resulta muy útil porque el requisito es preciso. En otras partes, un modelo inteligente puede gestionar la variabilidad con mucha más eficacia.

La experiencia en el sector indica dónde encaja cada uno.

Por eso tampoco se puede evaluar la resolución en primera instancia basándose únicamente en la puntuación del modelo. El flujo de trabajo debe producir un resultado que resista el siguiente paso del proceso. Si genera otra escalada en una etapa posterior, el problema se habrá desplazado, no resuelto.

El sistema debe comprender el proceso lo suficientemente bien como para saber cómo es una transacción exitosa de principio a fin.

XBP Global aplica la automatización no solo a las operaciones de sus clientes, sino también a su propia transición hacia un modelo operativo que prioriza la IA. ¿Qué han aprendido al usar la empresa como campo de pruebas interno y cómo equilibran las mejoras de productividad con el desarrollo del personal y la gestión del cambio?

Hemos aplicado esta estrategia internamente de forma bastante agresiva porque creo que se aprende muy rápido cuando los resultados inciden directamente en la propia rentabilidad.

Ahora se espera que nuestros esfuerzos de automatización que priorizan la IA generen entre 65 y 75 millones de dólares en eficiencias operativas anualizadas, con un beneficio de aproximadamente 35 millones de dólares previsto para 2026. Los ingresos por empleado alcanzaron aproximadamente los 89.000 dólares en el segundo trimestre, frente a unos 82.000 dólares en el trimestre anterior, y esperamos que se acerquen a los 100.000 dólares para finales de año.

Son métricas útiles porque nos indican si el modelo operativo realmente está aumentando la productividad.

Las repercusiones para la plantilla son reales. Calculamos que la plantilla mundial se reducirá aproximadamente un 20 % para finales de 2026, a medida que avancemos hacia un modelo operativo más productivo. La gestión del cambio debe reconocer que los cambios en la productividad modifican las necesidades de personal.

Al mismo tiempo, las personas que sigan trabajando en estos flujos deberán desarrollar más capacidades. Necesitamos especialistas en el sector, arquitectos y operadores capaces de estructurar el trabajo, evaluar los resultados y asumir la responsabilidad de decisiones de mayor valor.

Llevar a cabo esa transformación dentro de nuestra propia empresa ha hecho que la conversación sea mucho más práctica. Enseguida se ve qué automatización genera eficiencias duraderas y qué actividad consiste simplemente en que alguien use la IA con más frecuencia.

Los proyectos de IA empresarial suelen promocionarse mediante demostraciones en lugar de resultados de negocio cuantificables. ¿Qué métricas deberían usar los líderes para evaluar un flujo de trabajo inteligente y cómo deberían tener en cuenta la precisión, las tasas de excepciones, el tiempo de procesamiento, los costos operativos y la reducción de riesgos?

Mediría el flujo de trabajo en dos niveles.

En el plano operativo, quiero conocer la precisión, la resolución en primera instancia, el tiempo de procesamiento, el volumen de excepciones y el costo de procesar el trabajo. En un entorno regulado, también me importa saber si la transacción es auditable y si los controles se mantienen de forma consistente a gran escala.

Después, quiero comprobar si esas mejoras repercuten en los resultados económicos de la empresa.

En XBP, nuestro margen bruto ajustado alcanzó el 24,9 % en el segundo trimestre, su nivel más alto hasta la fecha, mientras que los ingresos por empleado aumentaron hasta aproximadamente los 89.000 dólares. Además, elevamos nuestro objetivo de eficiencias operativas anualizadas a entre 65 y 75 millones de dólares al identificar nuevas oportunidades de automatización.

Esas métricas indican algo distinto de una puntuación de referencia: muestran si la tecnología está modificando la estructura de costos de las operaciones.

Un flujo de trabajo puede ofrecer una precisión excelente del modelo y, aun así, ser una mala implementación si resulta demasiado costoso de operar o genera demasiado trabajo manual adicional. Creo que los líderes deben seguir los resultados hasta el final. La tecnología debe producir un beneficio operativo que se refleje en algo que realmente se pueda medir.

De cara al futuro, ¿cree que la IA agéntica seguirá siendo una capa añadida a los sistemas empresariales existentes o se convertirá en la principal capa de orquestación a través de la cual interactúan las personas, el software, los datos y los procesos de negocio?

Creo que cada vez más flujos de trabajo serán agénticos.

Las empresas seguirán teniendo sistemas, repositorios de datos y aplicaciones que cumplen funciones específicas. Lo que cambiará será la forma en que el trabajo pasa de unos a otros. Una canalización agéntica puede recuperar información, coordinar herramientas, activar acciones y determinar cuándo una transacción requiere otro tipo de intervención.

Ya se puede ver en el ejemplo de la aerolínea. Los registros de mantenimiento se encuentran en una base de datos vectorial privada dentro del entorno del cliente, mientras que la capa agéntica gestiona cómo se accede a esa información y cómo se utiliza a lo largo del ciclo de mantenimiento.

Espero que este tipo de orquestación sea mucho más común.

Los modelos subyacentes seguirán cambiando. Los modelos de pesos abiertos están mejorando rápidamente, y habrá otra generación después de los que usamos hoy. Esto hace que la capa de orquestación sea cada vez más importante, porque las empresas necesitan algo duradero en torno a esos modelos.

Si se construye la canalización en torno al proceso, el conocimiento del sector, los requisitos de seguridad y los controles empresariales, se puede seguir aprovechando la llegada de modelos mejores. Creo que ahí residirá gran parte del valor a largo plazo.

Gracias por esta excelente entrevista. Quienes deseen obtener más información pueden visitar XBP Global.