⚙️ Automatización de Flujos de Trabajo RPA — Bots en un Grafo de Procesos

En sistemas RPA/IBPA de producción, la tasa de excepción es la fracción de casos en los que la puntuación de confianza de un bot cae por debajo de un umbral configurado, una regla de negocio marca una anomalía (importe por encima de un límite, cotejo de OC ausente, número de factura duplicado), o el bot se topa con un estado no gestionado (una interfaz cambiada, un campo mal formado) y lanza un error. Cada excepción se deriva a una cola humana para resolución manual. Bajar el umbral de confianza aumenta el procesamiento directo pero arriesga que lleguen más errores silenciosos al libro contable; subirlo es más seguro pero traslada más volumen — y coste — a las personas. El control deslizante de tasa de excepción aquí te permite ver ese compromiso reflejado en una cola, no solo en un porcentaje.

La Ley de Little establece que, en estado estacionario, el número medio de tareas en un sistema L es igual a la tasa de llegada media λ multiplicada por el tiempo medio que cada tarea pasa en el sistema W (L = λW). Se cumple para cualquier sistema de colas, sin importar las distribuciones de llegada o servicio. En esta simulación puedes verificarla directamente: multiplica la tasa de llegada actual por el tiempo de ciclo medio que se muestra en el panel de estadísticas, y debería seguir de cerca el número total de tareas en curso (en cola, en proceso y en tránsito) una vez que el sistema lleve un rato funcionando.

La Revisión humana se modela deliberadamente con una sola plaza de revisor por defecto y un tiempo de procesamiento aproximadamente cinco veces más largo que los pasos automatizados de los bots — lo cual refleja la realidad, ya que una persona que lee un caso de excepción tarda mucho más que un bot copiando un campo. Incluso una tasa de excepción modesta concentra una cantidad desproporcionada del tiempo de trabajo total en esa única plaza, por lo que su utilización (y por tanto su cola) sube mucho más rápido que la de cualquier nodo automatizado a medida que aumentas los controles de tasa de excepción o de tasa de llegada. Por esto exactamente los programas de automatización reales se obsesionan con reducir la tasa de excepción en lugar de simplemente añadir más bots en otro sitio.

La capacidad de bots es el número de tareas que un nodo puede trabajar en paralelo; la velocidad de procesamiento determina cuán rápido se completa cada tarea una vez que empieza. Aumentar cualquiera de las dos incrementa la tasa de servicio de un nodo (capacidad × 1/tiempo de servicio), lo que reduce la utilización en ese nodo y drena su cola. Pero un grafo de procesos es tan rápido como su nodo más lento: añadir bots a un nodo ya ocioso no hace nada por el rendimiento global, mientras que añadir un solo bot más a un nodo cuello de botella saturado (normalmente la Revisión humana aquí) puede producir una caída desproporcionada en el tiempo de ciclo medio — una ilustración directa de la teoría de las restricciones.

Las facturas, reclamaciones o tickets de soporte reales no llegan al ritmo de un metrónomo — llegan en rachas y calmas. Modelar las llegadas con tiempos entre llegadas distribuidos exponencialmente (un proceso de Poisson) es la forma estándar de capturar esa imprevisibilidad manteniendo un único parámetro ajustable de «tasa de llegada». Esto es lo que produce el comportamiento de colas descrito arriba; una simulación con llegadas perfectamente espaciadas casi nunca formaría cola incluso con alta utilización, lo que subestimaría gravemente cómo se forman los atascos en operaciones reales.