es.wedoany.com Noticia: Strivr considera que la formación previa al trabajo tiene un límite, y que la inteligencia proporcionada durante el trabajo es un producto de mayor valor. Esta empresa de plataformas de formación corporativa ha lanzado recientemente la Plataforma Inteligente para la Primera Línea, marcando su transición de la formación en realidad virtual a la asistencia laboral en tiempo real. La plataforma se basa en un modelo de lenguaje visual personalizado y se entrega a través de gafas inteligentes. El sistema detecta errores en tiempo real mientras los empleados realizan tareas y proporciona instrucciones correctivas manos libres, en lugar de limitarse a simulaciones de entrenamiento antes de comenzar la tarea, como se hacía anteriormente.
Strivr fue fundada en la Universidad de Stanford. Su CEO, Derek Belch, escribió allí su tesis sobre el impacto de la realidad virtual en el rendimiento deportivo, validó el concepto con jugadores de fútbol americano y luego lo introdujo en el mundo empresarial. Su modelo de negocio siempre ha girado en torno al cambio de comportamiento, no a la entrega de contenido. Desde su creación, la plataforma recopila más de 100 puntos de datos por segundo de cada alumno, rastreando la mirada, los movimientos, la postura, la voz y las emociones, no solo el estado de finalización. Esta base de datos de comportamiento se ha convertido ahora en la piedra angular de una visión más amplia. La Inteligencia para la Primera Línea utiliza gafas inteligentes para capturar la ejecución en el mundo real (video, audio, contexto del flujo de trabajo y progreso de la tarea) y la procesa a través de un modelo de lenguaje visual entrenado específicamente para el entorno de cada cliente. Cuando un operador de almacén clasifica mercancías incorrectamente, omite un escaneo o se salta un paso de inspección, el sistema lo marca en tiempo real y proporciona instrucciones correctivas manos libres antes de que los errores se acumulen.
La plataforma se dirige precisamente a los costes operativos significativos derivados de los errores de ejecución de alta frecuencia. Strivr cita datos de terceros que indican: los errores de picking en almacenes representan el 23% de las ineficiencias en el cumplimiento de operaciones; los errores humanos causan aproximadamente el 20% de las paradas de fabricación no planificadas, lo que cuesta a los fabricantes industriales unos 50.000 millones de dólares al año; casi el 25% de las visitas de servicio de campo requieren una segunda visita; los restaurantes de servicio limitado se enfrentan a una rotación anual de personal del 110%; y los errores médicos prevenibles cuestan al sistema sanitario estadounidense unos 20.000 millones de dólares al año. Entre ellos, la tasa de rotación anual del 110% en la industria de la comida rápida es particularmente ilustrativa: con una rotación tan alta, la formación se convierte en un coste perpetuo con una vida útil muy corta. Una capa de inteligencia siempre activa, que puede guiar a cualquier trabajador en cualquier tarea, independientemente de su antigüedad, cambia la economía unitaria de las operaciones de primera línea.
La arquitectura técnica de la Plataforma Inteligente para la Primera Línea se divide en cuatro pasos. El primer paso captura el flujo de trabajo de primera línea a través de gafas inteligentes; el segundo paso entrena un modelo de lenguaje visual para las herramientas, entornos y procesos específicos de cada cliente; el tercer paso detecta errores en tiempo real y proporciona instrucciones correctivas manos libres; el cuarto paso afirma lograr una mejora continua a medida que se acumulan más datos de ejecución. Este enfoque de VLM personalizado por cliente aborda las limitaciones reales de la IA genérica en las operaciones empresariales: un modelo entrenado con datos genéricos de almacenes no puede identificar de forma fiable la secuencia de montaje, las herramientas patentadas o la distribución de las instalaciones de un cliente específico. Sin embargo, esto también plantea preguntas sobre la cantidad mínima de datos necesaria para que el modelo alcance la fiabilidad operativa, el cronograma de implementación y cómo verificar la precisión antes de la implementación. La página de la plataforma describe el resultado del segundo paso como "un modelo de IA entrenado específicamente para cómo se realiza el trabajo en tu entorno". Los compradores en la fase de adquisición deben preguntar específicamente cuánto tiempo lleva el entrenamiento del modelo, cuántos datos de flujo de trabajo capturados se necesitan y cuál es el punto de referencia de precisión que Strivr garantiza antes de implementarlo en un entorno operativo real.
El historial de formación en realidad virtual de Strivr está bien documentado. La incorporación de Walmart se redujo de 8 horas a 15 minutos; los empleados de Verizon se sintieron un 97% más preparados después del entrenamiento de tirador activo. Un testimonio publicado públicamente de un empleado de Walmart decía que, después de la experiencia de realidad virtual, sintió que realmente había tomado esas decisiones en la tienda, por lo que se sentía muy cómodo yendo directamente al piso de ventas. La Inteligencia para la Primera Línea se entrega a través de gafas inteligentes, y la comodidad del dispositivo durante turnos completos, la higiene de los dispositivos compartidos, la integración con la gestión de dispositivos móviles y la aceptación de los empleados deben validarse en cada entorno específico. Aunque la infraestructura empresarial de Strivr ya cubre el soporte de gestión de dispositivos móviles, la integración empresarial y la seguridad y el cumplimiento normativo, la capa de políticas sobre el registro, la ubicación de almacenamiento y los derechos de acceso del contenido capturado siempre activo requiere que el cliente realice su propia gobernanza.
Strivr ha hecho una apuesta lógicamente coherente en el ámbito del trabajo inmersivo. El cambio de la formación previa al trabajo a la inteligencia durante el trabajo es la dirección correcta, la arquitectura de VLM personalizada por cliente es el método correcto, y el marco del problema en todas las verticales se basa en datos reales de costes operativos. Sin embargo, aún no se han publicado datos de resultados de la Inteligencia para la Primera Línea que sean comparables con el estándar de evidencia de resultados establecido por la tradición de formación en realidad virtual. Esto es coherente con el estado de la plataforma, que se encuentra en una fase de acceso temprano. Los compradores con operaciones de primera línea de alto volumen, costes significativos de errores de ejecución y disposición a la adopción temprana son el objetivo adecuado; aquellos que necesitan un historial de implementación completamente documentado para comprometerse deben seguir de cerca y reevaluar después de 12 meses.
