La entrevista de descubrimiento de procesos en 30 minutos: cómo capturar un proceso antes de mapearlo

La promesa del mapeo de procesos nativo de IA es simple: usted carga un documento que describe un proceso y obtiene un BPMN limpio en dos minutos. La promesa se cumple, pero asume implícitamente que el documento existe en primer lugar. Para la mayoría de las pymes y la mayoría de los consultores que recogen un nuevo cliente, no existe. El procedimiento operativo no se ha actualizado desde 2026, las notas del taller están repartidas en tres páginas de Notion y el estado actual real del proceso vive en la cabeza de las dos personas que lo ejecutan cada día. Antes de la carga hay un paso al que se presta muy poca atención: capturar ese conocimiento en un único documento, fiel y listo para la IA. La buena noticia es que ese paso lleva 30 minutos, no 30 horas.

El factor que más determina la calidad de un BPMN generado por IA no es el modelo, ni el prompt engineering, ni el postprocesamiento. Es el input. Una transcripción cruda de 5 000 palabras donde un operador describe cómo hace realmente su trabajo produce, a la primera, un diagrama más preciso que un SOP de 50 páginas negociado políticamente hasta el consenso. No es un fallo de las herramientas de IA. Es una característica: la IA es un traductor fiel de la prosa a la estructura, y la traducción fiel de una mentira pulida produce una mentira pulida.

El error más común en una entrevista de descubrimiento es entrevistar al manager. El manager describe la política: cómo se supone que debe correr el proceso, cómo son las entregas oficiales, qué dicen los SLA. El operador describe la realidad: qué pasos todo el mundo se salta porque el sistema es lento, qué aprobaciones se sellan automáticamente porque la regla es inaplicable y dónde se ramifica el proceso según quién esté de turno. El diagrama que sale de una entrevista al manager es el diagrama que debería existir. El diagrama que sale de una entrevista al operador es el que existe.

Para un proceso típico de 20 tareas, el operador es el técnico de operaciones, el agente de atención al cliente o el analista que está en medio del flujo de trabajo. No es la persona más senior implicada y muy raramente es la persona que diseñó el proceso al principio. Busque a la persona que entrenaría al próximo recién contratado, porque esa persona es la autoridad práctica sobre cómo se mueve realmente el trabajo.

Qué hacer cuando el proceso atraviesa varios roles

Muchos procesos reales atraviesan tres o cuatro roles. Resista la tentación de juntarlos a todos en una única reunión en mesa redonda: ese formato produce una transcripción dominada por la persona más senior o la más habladora, con los operadores reales hablando los últimos y lo menos. En su lugar, haga entrevistas separadas de 20 minutos con cada operador y luego concatene las transcripciones antes de la carga. El clasificador multi-fuente de la IA hará emerger las contradicciones entre los relatos como preguntas de aclaración, que es el momento en que aparecen los insights más valiosos: las contradicciones casi siempre marcan las partes del proceso que nadie documentó.

Una entrevista de descubrimiento productiva tiene cuatro fases, en este orden. El orden importa porque cada fase prepara a la IA para una etapa diferente de su pipeline: el disparador y el resultado anclan los eventos de inicio y fin, el walkthrough produce la lista de tareas as-is, las excepciones alimentan la lógica de los gateways y la wishlist se almacena como una intención de estado objetivo separada en lugar de mezclarse con el diagrama actual.

1. Fase 1, Disparador y resultado (5 minutos). ¿Qué evento inicia este proceso? ¿Cuál es el estado final visible desde el punto de vista del cliente? Capture ambos con claridad: la IA los usa como evento de inicio y evento de fin del BPMN. Un proceso con un disparador difuso ('cuando el equipo se siente listo') y un resultado difuso ('el cliente está contento') genera un diagrama con fronteras débiles que deriva hacia procesos vecinos.
2. Fase 2, Walkthrough as-is (15 minutos). Pida al entrevistado que recorra un caso reciente concreto, de principio a fin, en el orden en que ocurrió. Use un caso real de las dos últimas semanas, no un caso típico abstracto. Formato pensar en voz alta: 'el pedido llegó a mi bandeja a las 9:14, luego comprobé la cuenta del cliente en el CRM, luego vi que la dirección era un apartado postal así que lo reenvié a Juan en envíos...'. No interrumpa para aclaraciones durante el walkthrough. Anote sus preguntas y hágalas después del relato. Interrumpir fragmenta la narración; la IA extrae mejor la secuencia a partir de un relato continuo.
3. Fase 3, Excepciones y KPI (8 minutos). ¿Qué se tuerce 1 vez de cada 10? ¿Qué se tuerce 1 vez de cada 100? ¿Cuál es el tiempo habitual de extremo a extremo? ¿Cuántos casos por semana o por mes? ¿Aproximadamente cuánto cuesta cada paso en tiempo y herramientas? Aquí está alimentando la lógica de los gateways y los campos KPI. Los números aproximados son infinitamente más útiles que ningún número: una duración de '15 minutos' es mejor que una duración de 'un rato', y la IA no puede estimar un coste a partir de 'un rato'.
4. Fase 4, Aparcamiento de wishlist (2 minutos). ¿Qué cambiaría si tuviera carta blanca? ¿Cuál es el paso más doloroso? Captúrelo fielmente pero por separado. La IA lo tratará como una intención de estado objetivo en lugar de un hecho del estado actual, que es exactamente lo que quiere.

Cada pregunta productiva en una entrevista de descubrimiento cae en una de cinco categorías: actores, secuencia, decisiones, excepciones y KPI. Cada categoría apunta a una parte específica del BPMN que la IA tiene que producir. Las preguntas de abajo están formuladas en abierto, porque las formulaciones abiertas producen respuestas narrativas que la IA extrae limpiamente, mientras que las cerradas producen respuestas sí/no que despojan el contexto.

1. Actores: quién hace cada paso

• ¿Quién más está implicado en este proceso aparte de usted?
• Cuando termina su parte, ¿quién es la siguiente persona en tocar este trabajo?
• ¿Hay pasos donde la misma persona juega un rol distinto según el caso? Por ejemplo, comercial en algunos, account manager en otros.

2. Secuencia: qué pasa después de qué

• Cuénteme un caso concreto de las dos últimas semanas, en el orden en que ocurrió. No resuma: dígame qué fue primero, qué fue segundo, qué fue tercero.
• Cuando recibe [evento disparador], ¿cuál es la primerísima cosa que hace, antes que cualquier otra cosa?
• ¿Hay alguna vez un paso que ocurre fuera de orden, como cuando más adelante en el proceso tiene que volver atrás a un sistema o a un rol anterior?

3. Decisiones: ramas y condiciones

• ¿Hay momentos en los que tiene que decidir entre dos caminos? ¿Cuál es el criterio?
• ¿Hay alguna vez un caso en que se salta un paso entero? ¿Qué dispara ese salto?
• ¿Hay aprobaciones que se pueden auto-servir frente a aprobaciones que tienen que escalar? ¿Dónde está la línea?

4. Excepciones: qué se rompe, con qué frecuencia, y entonces

• ¿Cuándo no va este proceso según el plan? ¿Cuál es la avería más común?
• ¿Qué pasa más o menos 1 vez de cada 10 que sorprendería a alguien de fuera?
• ¿Ha tenido alguna vez que rehacer un paso por culpa de un error aguas arriba? Cuénteme qué dispara ese rehacer.

5. KPI: duración, frecuencia, coste

• ¿Aproximadamente cuánto tarda el proceso completo, de extremo a extremo, en un caso normal?
• ¿Cuántos de estos maneja a la semana, o al mes?
• De los pasos que ha descrito, ¿cuál es el que más tiempo consume en trabajo activo? ¿Cuál es el más caro en herramientas o tarifas externas?

Estos cinco errores explican casi todos los primeros BPMN débiles que vemos en tickets de soporte. Cada uno es invisible en el documento de entrada pero obvio en el diagrama de salida, razón por la que caen del lado de la preparación humana en lugar del lado del modelo.

1. Mezclar as-is y to-be in la misma transcripción. El entrevistado describe el proceso actual en una frase y una mejora futura esperada en la siguiente ('ahora mismo enrutamos a mano, pero queremos añadir un control de crédito automático'). La IA tratará ambas como hecho del estado actual a menos que la detección multi-intent lo capture, e incluso si lo captura el resultado son dos medio-diagramas confusos. Solución: cuando el entrevistado se desplaza al modo wishlist, márquelo explícitamente en la transcripción o guárdelo para la fase 4.
2. Empaquetar varios procesos en una sola entrevista. Onboarding, renovación y cancelación son tres procesos distintos con tres disparadores distintos. Una entrevista que deriva por los tres produce una transcripción que la IA o trocea débilmente o fusiona de forma incoherente. Solución: un proceso por entrevista, punto.
3. Diseñar el estado objetivo durante el descubrimiento. El descubrimiento es una actividad de documentación, no de diseño. En el momento en que la conversación se convierte en 'y aquí deberíamos añadir una aprobación', ha dejado de capturar la realidad y ha empezado a inventarla. Ambas cosas son útiles, pero pertenecen a entrevistas distintas. Solución: aparque las ideas de mejora explícitamente en la fase 4 y haga una entrevista de estado objetivo separada más tarde.
4. Grabar la política en lugar de la realidad. El entrevistado describe lo que se supone que pasa en lugar de lo que pasa de verdad. Es especialmente común cuando hay un manager en la sala. Solución: pregunte 'cuénteme el caso más reciente' en lugar de 'cómo funciona esto normalmente', porque los casos reales son concretos y las políticas son abstractas.
5. Limpiar demasiado la transcripción antes de la carga. Algunos usuarios se sienten obligados a reescribir la transcripción en formato SOP limpio antes de subirla, suponiendo que un input pulido produce un output pulido. Es lo contrario: la IA extrae mejor la estructura del proceso a partir de prosa cruda y un poco desordenada que de un resumen aseado, porque el resumen pierde los matices, los casos límite y las decisiones tácitas que la IA usa para alimentar las ramas de los gateways y las estimaciones de KPI. Solución: suba la transcripción exactamente como salió del servicio de transcripción. Con erratas y muletillas incluidas.

En 2026, el descubrimiento de procesos ha evolucionado más allá de la simple transcripción de voz. Según los últimos análisis de adopción tecnológica de Gartner, las empresas líderes ahora combinan la grabación de audio con capturas de pantalla en vídeo (descubrimiento multimodal) para obtener una precisión absoluta sin añadir fricción al operador.

Esta técnica consiste en pedirle al entrevistado que comparta su pantalla durante los 15 minutos del walkthrough as-is (Fase 2). Mientras el operador realiza la tarea en tiempo real, usted graba tanto su voz explicativa como sus clics. La IA de LucidFlow procesa ambos flujos en paralelo, cruzando las acciones visuales con el relato verbal para resolver ambigüedades de forma automática.

Cómo preparar una sesión multimodal de éxito

• Solicite el uso de un único monitor. Esto evita que el vídeo pierda resolución o que el operador mueva ventanas fuera del área de grabación activa.
• Pida que verbalice los clics invisibles. Si el operador usa un atajo de teclado o una extensión del navegador que no genera un menú desplegable visual, pídale que lo diga en voz alta (por ejemplo: 'aquí pulso Control más S para guardar').
• No se preocupe por las pausas de carga. Si un sistema tarda 30 segundos en cargar, no corte la grabación. La IA detecta automáticamente estos tiempos muertos y los clasifica como latencia del sistema en los KPI del proceso.

La salida de una entrevista de descubrimiento de 30 minutos es exactamente el input que quiere para una pasada de mapeo de procesos con IA. En concreto: una transcripción de 3 000 a 6 000 palabras, en la voz del entrevistado, organizada en el orden en que recorrió el proceso, con las cifras KPI de la fase 3 adjuntas y los elementos de wishlist guardados en una sección separada. Súbala directamente, sin reescribirla.

Si tiene varias fuentes, suéltelas todas a la vez: la transcripción de descubrimiento, además de cualquier SOP parcial existente, además de capturas de pantalla de los sistemas implicados, además de un par de correos representativos. El flujo de carga está construido para ingerir varios documentos en una misma sesión y tratarlos como una fuente unificada. La IA hará emerger las contradicciones entre ellos como preguntas de aclaración, que es exactamente el momento en el que aparecen sus insights más valiosos: las contradicciones suelen marcar las partes del proceso que nadie documentó.

Qué formato funciona mejor

• Texto plano o markdown gana en fiabilidad. La salida del servicio de transcripción, pegada tal cual en un .txt o .md, parsea limpiamente y preserva la estructura de la prosa.
• Documentos Word (.docx) funcionan igual de bien para la IA pero añaden una capa de formato que a veces oculta contenido (notas al pie, hilos de comentarios). Si recibe un Word que no escribió usted, pegue el texto en un .txt simple y suba ese.
• PDF están bien para SOP y documentos de política, sobre todo cuando importa el layout (tablas, esquemas). No son ideales para transcripciones, donde el formato no aporta nada y a veces interfiere con el parsing.
• Varias fuentes cortas valen más que una fuente larga pulida. Una transcripción cruda de 3 000 palabras más un SOP de 1 500 palabras más tres capturas es una carga más fuerte que un único documento pulido de 8 000 palabras, porque las contradicciones entre las fuentes hacen emerger insights que un documento pulido suaviza.