En una de las escenas más recordadas de la serie Ted Lasso, su protagonista —un entrenador que asume la dirección de un club de fútbol en Inglaterra sin conocer las reglas técnicas del deporte— desarma a un rival que lo subestima recordando una máxima sencilla: «Sé curioso, no prejuicioso» (Be curious, not judgmental). Quien juzga de antemano asume que ya sabe por qué pasan las cosas; quien es curioso, en cambio, hace preguntas para comprender qué hay detrás de un comportamiento antes de intentar corregirlo.
En el entorno organizacional, cuando un líder observa retrasos en la aprobación de una orden de compra, facturación manual en hojas de cálculo o validaciones paralelas por correo electrónico, el impulso tradicional suele ser el juicio: asumir que el equipo no está siguiendo el proceso o que falta control. Sin embargo, lo que a simple vista parece una ineficiencia o una rebeldía operativa, casi siempre es la respuesta racional de una persona intentando cumplir su trabajo dentro de un sistema mal diseñado.
«Si pones a una buena persona en un mal sistema, el sistema ganará todas las veces.» — Geary Rummler y Alan Brache, Improving Performance (1990)
El problema aparece cuando el esfuerzo de descubrimiento se concentra en producir documentación, pero no logra conectar los modelos construidos con la realidad de la operación ni con las decisiones que deberían orientar su mejora.
La trampa de la hoja en blanco y el "día soleado"
Todo profesional de la ciencia de procesos conoce el desgaste del ciclo clásico de descubrimiento: sentarse frente a una hoja en blanco, entrevistar a los expertos del negocio, intentar abstraer sus notas en un modelo y volver a reunirse semanas después para validarlo. Como documentan Marlon Dumas, Marcello La Rosa, Jan Mendling y Hajo A. Reijers en Fundamentals of Business Process Management (2018), este método no solo es intensivo en mano de obra y costoso en tiempo, sino que enfrenta tres barreras estructurales:
Debido a la especialización y división del trabajo, ningún experto domina el flujo de principio a fin, obligando a encadenar múltiples entrevistas para reconstruir una sola historia.
Los expertos operan resolviendo casos concretos; abstraer esos relatos en una arquitectura de procesos coherente exige múltiples iteraciones de traducción a lenguaje natural y validación.
Al preguntar cómo se realiza una actividad partiendo desde cero, el entrevistado tiende a describir únicamente la forma normal e ideal de procesamiento. De forma natural, se omiten las excepciones, los rechazos, las caídas del sistema o las urgencias de último minuto.
El resultado de meses de esfuerzo colaborativo suele ser una carpeta de diagramas impecables que reflejan cómo la organización desearía funcionar, pero que quedan obsoletos el mismo día de su publicación. Piezas de exhibición en un museo que nadie consulta para tomar decisiones en la operación real.
La paradoja de los datos en nuestro entorno (Latinoamérica)
Frente a las limitaciones del levantamiento manual, la respuesta técnica parece evidente: acudir directamente a los datos transaccionales. Como demuestra la disciplina expuesta por Wil van der Aalst en Process Mining: Data Science in Action (2016), la minería de procesos permite descubrir objetivamente cómo se ejecuta el trabajo a partir de los registros de eventos (Event Logs) que dejan los sistemas de información, superando la subjetividad de los modelos teóricos. Pero cuando bajamos de la teoría a la realidad operativa de nuestra región, aparece una contradicción que no podemos ignorar.
De acuerdo con estudios de SSON Research & Analytics en Latinoamérica (2025), aunque el 32% de las organizaciones encuestadas con modelos establecidos de servicios compartidos ya implementa o pilota tecnologías de Process Mining, tener datos o sistemas no equivale a comprender los procesos. En ese mismo segmento —uno de los más maduros de la región—, el 50% de las empresas describe su analítica como reporting avanzado (tableros que muestran qué ocurrió, pero no reconstruyen ni explican cómo fluyó la operación) y el 20% aún señala la falta de estandarización de procesos como una barrera directa para escalar sus iniciativas digitales.
Además, incluso cuando los datos están disponibles, no se interpretan solos: en una investigación publicada en Software and Systems Modeling (Zimmermann, Zerbato & Weber, 2024) con 41 analistas de Process Mining, 17 señalaron dificultades para preparar los datos, 15 para comprender qué representa cada registro y 10 para acceder a la documentación y a los expertos del negocio. El registro de un sistema nos dice qué ocurrió y cuándo ocurrió, pero rara vez nos explica por qué una persona tuvo que tomar un atajo fuera del ERP para asegurar la entrega de un cliente. No podemos desechar el descubrimiento humano ni la gestión por procesos; hacerlo sería renunciar a comprender el contexto y las reglas del negocio. Nuestro verdadero trabajo consiste en reinventar la forma en que iniciamos estas iniciativas para hacerlas ágiles, costo-efectivas y deseables en tiempos de cambios rápidos.
¿Qué tal si dejamos de empezar desde cero?
El descubrimiento de procesos necesita conversar con quienes conocen la operación. Las entrevistas, los talleres y la experiencia de los expertos siguen siendo fundamentales para comprender las decisiones, las restricciones y las particularidades del negocio. El desafío aparece cuando dedicamos una parte importante de ese tiempo a reconstruir información que ya existe, o cuando intentamos representar una operación compleja partiendo únicamente de cómo creemos que debería funcionar.
¿Qué tal si llegáramos a cada sesión de trabajo con una primera hipótesis estructurada del proceso? En lugar de pedirle a un líder que describa desde cero el «camino feliz» de su área, podríamos partir de una estructura inicial que conecte la arquitectura empresarial con los flujos de valor de extremo a extremo (End-to-End), lista para ser contrastada con la realidad operativa.
¿Qué tal si aprovecháramos el conocimiento acumulado por la industria? Los marcos de referencia y las taxonomías globales —como APQC PCF, ASCM SCOR y TM Forum eTOM— ofrecen estructuras, clasificaciones y perspectivas que pueden servir como punto de partida. En lugar de inventar nombres, fronteras, indicadores y matrices SIPOC desde cero, podemos utilizar estas referencias para construir una base coherente y adaptarla a las características particulares de cada organización. El estándar orienta; el conocimiento del negocio determina cómo se aplica.
¿Qué tal si utilizáramos la IA para aprovechar mejor la documentación disponible? Manuales, procedimientos, notas y diagramas anteriores pueden analizarse para identificar actividades, posibles fronteras del proceso, eventos de inicio y cierre, componentes SIPOC y secuencias de trabajo. El resultado no sería un modelo definitivo, sino un primer borrador estructurado que permita identificar vacíos, formular preguntas más precisas y orientar las conversaciones con los expertos.
¿Qué tal si también aprovecháramos la IA durante y después de las entrevistas? Las sesiones de trabajo generan información valiosa que puede resultar difícil de organizar y relacionar. Con la asistencia de la IA, podemos estructurar los hallazgos, identificar contradicciones entre las perspectivas de distintos roles, formular hipótesis sobre pasos implícitos, organizar posibles reglas de negocio y registrar las fricciones reportadas por los participantes. Estas salidas deben contrastarse con las fuentes disponibles y validarse con los responsables del proceso: su propósito es acelerar el análisis, no sustituir el criterio profesional ni convertir una inferencia en un hecho.
Del levantamiento a la comprensión
Cuando combinamos marcos de referencia, documentación, tecnología y conocimiento del negocio, cambia la forma de invertir el tiempo durante el descubrimiento.
Llegar a una sesión con una hipótesis inicial permite dedicar menos esfuerzo a reconstruir lo conocido y más a cuestionar lo que todavía no comprendemos. La conversación deja de concentrarse exclusivamente en describir la secuencia habitual y puede profundizar en los «días de lluvia»: las excepciones, los reprocesos, las decisiones difíciles y las entregas entre áreas (handoffs) donde suelen aparecer oportunidades de mejora.
«No eliminamos el trabajo de descubrimiento. Lo orientamos hacia las preguntas que realmente importan.»
De la actitud al principio de trabajo: Entender para mejorar
Aquí es donde la filosofía de aquel entrenador de ficción se convierte en una guía de ingeniería.
«Sé curioso, no prejuicioso» es una invitación a cambiar nuestra actitud frente a las personas y los problemas operativos. Nos recuerda que, antes de juzgar un comportamiento, necesitamos comprender las condiciones que lo producen.
«Entender para mejorar» va un paso más allá: expresa una forma de intervenir la realidad. Significa no implementar tecnología por moda, no automatizar el caos y no diseñar soluciones de escritorio sin comprender primero a las personas, las decisiones, las fronteras y las condiciones que determinan el funcionamiento de la operación.
Por eso, no necesitamos elegir entre el conocimiento de las personas y la evidencia de los datos, ni entre la documentación y la tecnología. Necesitamos integrarlos en una forma de trabajo donde cada elemento cumpla su función:
Aportan estructura y lenguaje estandarizado.
Organiza y analiza antecedentes documentales.
Aportan contexto y validan las hipótesis reales.
Contrasta los modelos con registros de ejecución real.
El resultado es un descubrimiento más estructurado y una base más sólida para medir, diagnosticar y evolucionar continuamente hacia la excelencia operacional.
Al final, transformar una empresa no consiste en imponerle un nuevo mapa ni en reproducir automáticamente lo que dicen sus datos. Consiste en construir una comprensión cada vez más precisa de cómo funciona realmente, por qué funciona así y dónde tiene sentido intervenir.
Porque mejorar no empieza con una solución. Empieza por entender.