En su primer día, una nueva incorporación a tu equipo de soporte no empieza de cero. Recibe la política de devoluciones, una carpeta de tickets que el equipo gestionó bien, las excepciones que todo el mundo se sabe al dedillo y un compañero que le dice qué casos van a un responsable. Es útil en su primera semana porque el equipo le pasa lo que ya sabe.
La mayoría de las IA no reciben esa bienvenida. Un asistente nuevo empieza sin nada de eso, así que tu equipo vuelve a explicar las mismas cosas, corrección a corrección, y las correcciones rara vez duran más que la sesión. El conocimiento estuvo ahí todo el tiempo, en tickets revisados, hilos de aprobación, documentos de políticas y manuales de operaciones, y la IA solo lo ve cuando alguien lo pega o una búsqueda da con él por casualidad.
Duplex puede empezar como lo hace una buena incorporación. Aprende aquello en lo que tu equipo ya confía antes de empezar a atender, así que es útil desde la primera petición, y sigue aprendiendo de cada resultado que confirma tu equipo.
Empieza con lo que tu equipo ya sabe.
Empieza con lo que ya sabes.
La mayoría de los equipos ya tienen el material, repartido entre las herramientas que usan. Hay ejemplos revisados y decisiones que respaldan, políticas y guías de actuación, ejecuciones de herramientas que funcionaron y métodos en los que confían: cómo se aprueba un reembolso, qué camino sigue una disputa de facturación, las comprobaciones antes de enviar un contrato.
Hoy ese material llega a la IA de unas pocas formas conocidas, y cada una tiene su utilidad. Un prompt es rápido, pero tiene que viajar con cada petición, y crece hasta que nadie se atreve a tocarlo. Una búsqueda en documentos encuentra el pasaje que más se parece a la pregunta, lo que ayuda cuando alguien sabe qué preguntar. Un ajuste fino cambia el propio modelo, a cambio de un proyecto de entrenamiento, y lo que sale de él queda fijo el día en que termina.
Preentrenar Duplex es distinto. Aprende del material antes de su primera petición, igual que aprende del trabajo real: entiende la decisión que hay detrás de cada ejemplo, dónde se aplica y dónde no. Tu equipo coloca cada pieza en el área de trabajo a la que pertenece, así que la guía de actuación de soporte orienta las respuestas de soporte y nunca las aprobaciones del equipo de finanzas.
Y Duplex sabe de dónde viene cada pieza. Una respuesta que da el primer día llega con los ejemplos que la respaldan, y cada ejemplo remite a la decisión o al documento en el que se basa, así que tu equipo puede comprobar la respuesta antes de fiarse de ella.
Útil desde la primera petición, al día a partir de entonces.
El primer día, Duplex asume desde la primera petición el trabajo con el que se preentrenó: la pregunta sobre devoluciones que llega cada mañana, el reembolso que necesita la aprobación de un responsable, la disputa que le corresponde a facturación. Resuelve esos casos en milisegundos, sin llamar al modelo, y todo lo demás va a tu IA junto con lo que Duplex sabe del caso. Tu equipo deja de explicar lo básico, y tu IA dedica su tiempo a lo nuevo.
El preentrenamiento es una ventaja inicial, y Duplex es útil sin él. Si empieza vacío, aprende solo del trabajo real, un resultado confirmado tras otro, lo que le va bien a un equipo con poco material del que partir. Preentrenado, empieza con lo que tu equipo ya sabía, en lugar de descubrirlo resultado a resultado.
Una ventaja inicial no es más que el inicio. Las políticas cambian, las herramientas cambian y la gente encuentra métodos mejores, así que una instantánea de lo que tu equipo sabía el primer día se queda anticuada con el primer cambio de política. Para un modelo de IA, el preentrenamiento es donde termina el aprendizaje: aprende el mundo, se lanza y se queda como está. Para Duplex, el preentrenamiento es donde empieza el aprendizaje.
Cuando cambia una política, Duplex sigue la nueva desde la siguiente petición, y todo lo demás que aprendió, en el preentrenamiento o en el trabajo real, sigue como estaba. La ventaja inicial sigue siendo una ventaja, en lugar de convertirse en algo que tu equipo tiene que sortear.
Si empieza vacío, Duplex aprende solo del trabajo en curso, un resultado confirmado cada vez.
Lo claro gana a lo grande.
La tentación es volcarlo todo: cada ticket, cada hilo, cada versión de cada política. Cuanto más, más seguro parece, y los archivos son fáciles de exportar.
Pero un archivo grande mezcla ejemplos claros con otros anticuados, contradictorios y dudosos: la política de hace dos versiones, dos responsables que decidieron el mismo caso de dos maneras, la respuesta que se envió y nadie revisó. Si aprende de todo, la duda llega junto con el conocimiento.
Un conjunto pequeño de ejemplos claros y actuales enseña más que un archivo grande de ejemplos dudosos. Un ejemplo claro es uno que tu equipo volvería a dar hoy, por una razón que sabría explicar. Tu equipo revisa lo que entra y elige las decisiones que respalda. Incluye los casos que deberían ir a una persona, y Duplex aprende a traspasarlos en lugar de adivinar.
El primer día tampoco es definitivo. Si un ejemplo resulta ser erróneo, o cambia la política que hay detrás, tu equipo puede corregir o quitar esa lección concreta, y todo lo demás que aprendió Duplex sigue como estaba.
Una buena incorporación es útil la primera semana por lo que el equipo le pasó, y buena el primer año por todo lo que aprendió trabajando. Duplex funciona igual. El preentrenamiento es el traspaso, y cada resultado que confirma tu equipo a partir de ahí es aprender trabajando.
Un gran archivo mezcla ejemplos claros con otros desfasados, contradictorios y dudosos.