El lunes a las nueve, una respuesta le dice a un cliente que pague el envío de un hervidor defectuoso, y tu responsable de soporte la corrige: los productos defectuosos se devuelven gratis. A mediodía, los reembolsos de más de £75 empiezan a necesitar la aprobación de un responsable. Por la tarde, las preguntas de la mañana vuelven con otras palabras, y llega algo que nadie había visto antes. El viernes sale un modelo más nuevo.
Con un modelo por sí solo, la semana termina donde empezó. El viernes por la tarde tu IA sabe exactamente lo mismo que el lunes a las nueve, y tu equipo se ha pasado cinco días enseñándole cosas que no podía aprender.
ACI, Adaptive Continual Intelligence, convierte cada uno de esos momentos en una lección. Aprende de los resultados de tu trabajo mientras se trabaja y actúa según lo que aprende, así que el viernes tu IA hace tu trabajo mejor que el lunes.
Lunes, nueve en punto: tu equipo corrige una respuesta, y la próxima parecida ya tiene el arreglo.
Una corrección se convierte en la siguiente respuesta.
Cuando tu responsable de soporte corrige la respuesta del hervidor, ACI aprende de la corrección, y el siguiente cliente que pregunta ya recibe la respuesta corregida, lo pregunte como lo pregunte. Nadie edita un prompt, actualiza un documento ni espera a un entrenamiento.
Hoy, una corrección vive en la conversación en la que se hizo, y termina con ella. Los equipos que quieren que dure la escriben en un prompt, que crece con cada excepción hasta que nadie sabe con seguridad qué líneas siguen vigentes.
Con ACI, las personas que conocen el trabajo le enseñan a tu IA haciéndolo. Puedes ver quién corrigió qué, y cuándo, y cada corrección sigue en pie hasta que alguien de tu equipo la cambia.
En un flujo de 3,000 decisiones en el que las reglas cambiaron cinco veces, el modelo por sí solo acertó el 59.8% de las veces. Al poner Duplex, que está basado en ACI, junto al mismo modelo, los dos juntos acertaron el 94.6% de las veces.
El trabajo cambia, y tu IA sigue al día.
A mediodía llega la regla nueva sobre los reembolsos de más de £75. ACI la sigue desde la siguiente petición, y todo lo demás que aprendió sigue como estaba: la corrección del hervidor se sigue aplicando, igual que cada decisión que tu equipo resolvió el mes pasado.
Un cambio de regla suele obligar a buscar por todas partes. La regla antigua está escrita en prompts, documentos y respuestas en caché, y cada copia que se le escapa a alguien sigue dando la respuesta antigua, con total seguridad, hasta que un cliente se da cuenta. Con ACI, un cambio de regla es una decisión que tu equipo toma una vez, y no una limpieza que lleva toda la semana.
Fue en los cambios de regla de esas 3,000 decisiones donde los enfoques se separaron. En las decisiones afectadas, Duplex acertó el 92.5% de las veces. Una caché se quedó en el 42.6%, y el modelo por sí solo, en el 2.3%.
Cuanto más aprende, menos cuesta cada petición.
A las tres, las mismas preguntas vuelven una y otra vez. ACI responde en milisegundos cada una de las que ha aprendido, sin llamar al modelo, y tu modelo se encarga de lo nuevo, que es donde mejor trabaja.
Por sí solo, un modelo resuelve cada petición desde cero, así que la milésima pregunta sobre reembolsos cuesta lo mismo que la primera, y tarda lo mismo. La factura crece con el uso, y la espera también.
Con ACI, el coste va en sentido contrario: cuanto más aprende de tu trabajo, menos llamadas recibe tu modelo. En esas mismas 3,000 decisiones, Duplex redujo las llamadas al modelo un 90.3%, el coste un 84.8% y el tiempo de cada respuesta un 81.9%, mientras subía la precisión. Una IA que aprende se abarata a medida que mejora.
Sabe lo que sabe.
A las cuatro y media llega una petición que parece uno de los reembolsos de la mañana y no lo es: un pedido dividido en dos, con una mitad entregada y la otra perdida. ACI reconoce que no ha aprendido este caso, y se lo pasa a tu modelo, con el contexto de lo que ACI sabe de él.
Una caché vería un reembolso como los demás y devolvería la respuesta que ya tiene, correcta o no. El modelo por sí solo responde cualquier cosa, con la misma seguridad conozca tus reglas o no. En ambos casos, los errores llegan con el mismo aspecto que las respuestas correctas.
Saber dónde termina su conocimiento es lo que te permite confiarle a ACI una parte mayor del trabajo. Responde lo que ha aprendido y recurre a tu modelo para lo nuevo, en lugar de adivinar.
Las pruebas usaron casos parecidos engañosos: peticiones que parecen trabajo conocido pero son nuevas. A lo largo de diez ejecuciones, Duplex falló en el 7.5% de ellas, frente al 45.3% de una caché.
Lo que aprende va a donde vas tú.
El viernes, tu equipo cambia al modelo más nuevo. Todo lo que ACI aprendió esta semana viene también: la corrección del hervidor, la regla de aprobación y cada decisión que resolvió tu equipo, así que el modelo nuevo empieza su primera mañana con tu trabajo ya a su lado.
Lo que se enseña dentro de un modelo se va con él. Un adaptador con ajuste fino pertenece al modelo con el que se entrenó, así que un modelo nuevo significa otro entrenamiento, y las lecciones de la semana hay que enseñarlas otra vez. En las pruebas, lo que aprendió Duplex pasó a otra familia de modelos sin reentrenamiento, mientras que ninguno de los seis adaptadores con ajuste fino pudo dar ese paso.
Y va más allá de los modelos. Cualquier asistente o agente que autorices puede usar lo que aprendió ACI, así que una corrección hecha en tu asistente de soporte también ayuda al agente que redacta tus correos de reembolso.
Eso fue una semana. Un modelo por sí solo empieza cada lunes tal como se lanzó, sin saber de tu trabajo más que el primer día. Con ACI, cada semana empieza donde terminó la anterior, y las semanas se van sumando.