El problema de negocio
Asignar una intervención de campo no consiste simplemente en elegir al técnico más cercano. Hay que tener en cuenta las competencias, la zona, los horarios, las ausencias, la carga de trabajo y las restricciones operativas.
En Ginqel FieldFlow, la IA interviene primero para estructurar y calificar la solicitud. La decisión de asignación la dirige después un motor de negocio determinista y explicable.
Esta separación es importante: un modelo generativo es excelente para comprender texto libre, pero no debe convertirse en el único árbitro de una decisión operativa crítica.
Descubrir la arquitectura y el estado del proyecto Ginqel FieldFlow
Separar la IA de la decisión de negocio
El LLM no asume la responsabilidad final de la asignación. Produce una calificación estructurada, acompañada de un nivel de confianza, señales clave y razones legibles.
El motor de puntuación puede entonces comparar varios técnicos con reglas controlables: competencias, distancia, carga, disponibilidad, historial, zona de intervención y restricciones de SLA.
Esta arquitectura permite reproducir una decisión, entender por qué se eligió a un técnico y mantener un comportamiento predecible aunque el modelo de IA evolucione.
Diseñar una puntuación explicable
Una puntuación útil no debe ser solo un número. Debe mostrar un desglose por criterio para que los equipos operativos comprendan rápidamente la recomendación.
Por ejemplo, un técnico puede obtener 92/100 con un desglose que muestra una coincidencia perfecta de competencias, una zona compatible, poca carga, disponibilidad inmediata y una distancia razonable.
Este nivel de detalle favorece la adopción por parte del negocio y facilita mucho el diagnóstico de anomalías.
Asegurar la asignación automática
Una recomendación calculada en un momento dado puede dejar de ser válida segundos después. Un técnico puede ser asignado a otra tarea, dejar de estar disponible o salir de una zona permitida.
Antes de una asignación automática, el backend debe por tanto volver a validar las restricciones críticas en una transacción corta y protegida frente a conflictos de concurrencia.
El sistema también puede definir umbrales mínimos de confianza o de puntuación por debajo de los cuales la validación humana sigue siendo obligatoria.
Observabilidad y mejora continua
Las decisiones deben almacenarse con la calificación de la IA, la puntuación final, los criterios utilizados, el técnico elegido y las posibles correcciones humanas.
Ese historial permite medir la calidad de las reglas, los errores de calificación, la tasa de validación humana y las diferencias entre las recomendaciones y las decisiones finales.
La IA se convierte así en un componente medible del sistema y no en una caja negra opaca.
