Cómo podría cambiar a Amazon la inteligencia artificial: un experimento de reflexión

¿Cómo cambiará a la estrategia la inteligencia artificial? La AI (inteligencia artificial) es fundamentalmente una tecnología de predicción. He aquí un experimento de reflexión para responder esta pregunta. La mayoría de las personas están familiarizadas con comprar en Amazon.com y actualmente, el modelo de negocios de Amazon es de compra y envío, pero ¿cómo debería de ser?

TIEMPO DE LECTURA

texto alt

¿Cómo se calcula?

¿Cómo cambiará a la estrategia la inteligencia artificial? Esa es la pregunta más común que escuchamos de ejecutivos corporativos. La AI (inteligencia artificial) es fundamentalmente una tecnología de predicción. Conforme los avances en AI abaratan la predicción, la teoría económica dicta que usaremos la predicción más frecuente y ampliamente, y que el valor de sus complementos -como el juicio humano- se elevará. Sin embargo, ¿qué significa todo esto para la estrategia?

He aquí un experimento de reflexión para responder esta pregunta. La mayoría de las personas están familiarizadas con comprar en Amazon.com. Como en la mayoría de los vendedores en línea, usted visita la página web de la empresa, pone productos en su “carrito”, los paga y Amazon se los envía. Actualmente, el modelo de negocios de Amazon es de compra y envío.

La mayoría de los compradores han notado el motor de recomendaciones de Amazon mientras compran. Actualmente, la inteligencia artificial de Amazon hace un trabajo razonable sugiriéndole productos a los compradores, particularmente si consideramos los millones de bienes en oferta. Sin embargo, las predicciones de la compañía distan de ser perfectas. En nuestro caso, sólo el 5% del tiempo la inteligencia artificial predice correctamente lo que queremos comprar. En otras palabras, adquirimos sólo 1 de cada 20 productos que recomienda.

Ahora, imagine que la inteligencia artificial de Amazon reúne más información sobre nosotros: además de nuestro comportamiento de búsqueda y compra, también recolecta otra información que encuentre en línea, incluyendo redes sociales, además de fuera de línea, como nuestro comportamiento de compras en Whole Foods. Conoce no sólo lo que compramos, sino también en qué momento lo hacemos, en qué sucursal, cómo pagamos y más.

¿Qué sucedería si la AI usa esa información para mejorar sus predicciones? ¿Qué sucede con la estrategia de Amazon mientras sus científicos de datos, ingenieros y expertos en aprendizaje de máquina trabajan incansablemente para elevar la exactitud de la máquina de predicción?

En algún punto, la exactitud de las predicciones de la AI cruza un umbral, de forma que a Amazon le interesará cambiar todo su modelo de negocios. Las predicciones se vuelven tan exactas que es más redituable para Amazon enviarle los bienes que predice que usted querrá, en lugar de esperar a que se los ordene. Cada semana, Amazon le envía cajas de productos que cree que usted desea, y entonces usted compra en la comodidad de su propia casa eligiendo aquellos que desee conservar.

Este enfoque ofrece dos beneficios para Amazon. Primero, la conveniencia de los envíos predictivos hace mucho menos probable que los consumidores adquieran los mismos productos con otro vendedor, pues los productos están siendo entregados a los hogares antes de que las personas puedan comprarlos en otro lugar. Segundo, los envíos predictivos empujan a los consumidores a comprar cosas que de otro modo no habrían elegido. En ambos casos, Amazon gana una mayor parte de la billetera. Elevar lo suficiente el éxito de la predicción cambia el modelo de negocios de Amazon, de comprar-y-enviar, a enviar-y-comprar.

Por supuesto, los compradores no querrán lidiar con el embrollo de regresar todos los productos que no quieren. Por lo tanto, Amazon invertiría en infraestructura para el retorno de productos -quizá una flota de camiones que se detengan en las casas de los consumidores una vez a la semana para recogerlos.

Si este es un mejor modelo de negocios, ¿por qué no lo ha hecho Amazon? Porque si lo hiciera, el costo de recibir y manejar los productos devueltos superaría el incremento en ingresos al tener mayor porcentaje de las billeteras. Actualmente, devolveríamos el 95% de los productos que nos enviaran. Eso es molesto para nosotros y costoso para Amazon. Los poderes predictivos de la inteligencia oficial de Amazon no son lo suficientemente buenos para que la compañía adopte el nuevo modelo.

Dicho eso, uno puede imaginar un escenario en el que Amazon adopte la nueva estrategia incluso antes de que la exactitud de sus predicciones sea lo suficientemente buena como para volverla redituable, porque la compañía anticipa que en algún punto lo será. Amazon se da cuenta de que entre más pronto inicie, más difícil será que los competidores la alcancen. Mejores predicciones atraerán más compradores, más compradores generarán más información para entrenar a la AI, más información llevará a mejores predicciones y así sucesivamente, creando un círculo virtuoso. En otras palabras, adoptar demasiado pronto podría ser costoso, pero hacerlo demasiado tarde podría ser fatal.

La perspectiva clave aquí es que elevar la exactitud de la máquina de predicción tiene un impacto significativo en la estrategia. Cambia el modelo de negocio de Amazon de comprar-y-enviar, generando el incentivo para integrar virtualmente la operación de un servicio de devolución de productos y acelera el ritmo de inversión, debido a la ventaja de los rendimientos crecientes para el primero en avanzar.

La mayoría de los lectores están familiarizados con el resultado de compañías como Blockbuster y Borders, que subestimaron lo rápido que cambiaría el comportamiento de los consumidores respecto a las compras en línea. Quizás estas compañías se adormecieron por la inicialmente lenta adopción de la tecnología de comercio electrónico en los primeros días del Internet comercial (1995-1998).

Hoy, en el caso de la AI, algunas compañías están haciendo apuestas tempranas, anticipando que la exactitud de la máquina de predicción comenzara a elevarse con mayor rapidez una vez que gane impulso. En 2014, Google adquirió DeepMind, pagando más de $500 millones de dólares por una compañía que había generado un mínimo de ingreso, pero había desarrollado una AI que aprendió a jugar ciertos videojuegos de Atari a un nivel de desempeño súper humano. En 2016, General Motors pagó más de $1 mil millones de dólares para adquirir Cruise Automation, una empresa emergente de AI. En 2017, Ford invirtió $1 mil millones de dólares en la empresa emergente Argo AI, y John Deere pagó más de $300 millones de dólares para adquirir la empresa emergente de AI Blue River Technology. Estas compañías están apostando en un incremento exponencial en el desempeño de la inteligencia artificial y, a esos precios, anticipando un impacto significativo en sus propias estrategias empresariales.

Primero, los estrategas deben invertir en desarrollar un mejor entendimiento de qué tan rápido y qué tan alto se elevará la exactitud de las máquinas de predicción en sus sectores y aplicaciones. Segundo, deben invertir en desarrollar una tesis acerca de las opciones estratégicas creadas por las cambiantes economías de sus negocios que resulten de dicha elevación, de forma similar al experimento de reflexión que consideramos para Amazon.

Entonces, ¿el tema general para iniciar una estrategia de AI? Imagine poner los dedos en el marcador de su máquina de predicción y, en las inmortales palabras de Spinal Tap, subirlo a 11.

“En algún punto, la exactitud de las predicciones de la AI (Inteligencia Artificial) cruza un umbral, de forma que a Amazon le interesará cambiar todo su modelo de negocios”.

“Hoy, en el caso de la AI, algunas compañías están haciendo apuestas tempranas, anticipando que la exactitud de la máquina de predicción comenzara a elevarse con mayor rapidez una vez que gane impulso”.

“Estas compañías están apostando en un incremento exponencial en el desempeño de la inteligencia artificial y, a esos precios, anticipando un impacto significativo en sus propias estrategias empresariales”.

Hoy, en el caso de la AI, algunas compañías están haciendo apuestas tempranas, anticipando que la exactitud de la máquina de predicción comenzara a elevarse con mayor rapidez una vez que gane impulso. En 2014, Google adquirió DeepMind, pagando más de $500 millones de dólares por una compañía que había generado un mínimo de ingreso, pero había desarrollado una AI que aprendió a jugar ciertos videojuegos de Atari a un nivel de desempeño súper humano. En 2016, General Motors pagó más de $1 mil millones de dólares para adquirir Cruise Automation, una empresa emergente de AI. En 2017, Ford invirtió $1 mil millones de dólares en la empresa emergente Argo AI, y John Deere pagó más de $300 millones de dólares para adquirir la empresa emergente de AI Blue River Technology. Estas compañías están apostando en un incremento exponencial en el desempeño de la inteligencia artificial y, a esos precios, anticipando un impacto significativo en sus propias estrategias empresariales.

Primero, los estrategas deben invertir en desarrollar un mejor entendimiento de qué tan rápido y qué tan alto se elevará la exactitud de las máquinas de predicción en sus sectores y aplicaciones. Segundo, deben invertir en desarrollar una tesis acerca de las opciones estratégicas creadas por las cambiantes economías de sus negocios que resulten de dicha elevación, de forma similar al experimento de reflexión que consideramos para Amazon.

© 2018 Harvard Business School Publishing Corp.

De: hbr.org

Distribuido por: The New York Times Syndicate.

How Artificial Intelligence Could Change Amazon: A Thought Experiment

How will artificial intelligence change strategy? That’s the single most common question we hear from corporate executives. AI is fundamentally a prediction technology. As advances in AI make prediction cheaper, economic theory dictates that we’ll use prediction more frequently and widely, and that the value of complements to prediction — like human judgment — will rise. But what does all this mean for strategy?

Here’s a thought experiment to answer that question. Most people are familiar with shopping at Amazon.com. As with most online retailers, you visit the company’s website, shop for items, place them in your “basket,” pay for them and then Amazon ships them to you. Right now, Amazon’s business model is shopping-then-shipping.

Most shoppers have noticed Amazon’s recommendation engine while they shop. At present, Amazon’s AI does a reasonable job suggesting items for customers to buy, particularly considering the millions of items on offer. However, the company’s predictions are far from perfect. In our case, the AI accurately predicts what we want to buy only 5% of the time. In other words, we purchase about 1 out of every 20 items it recommends.

Now, imagine that Amazon’s AI collects more information about us: In addition to our searching and purchasing behavior, it also collects other data it finds online, including social media, as well as offline, such as our shopping behavior at Whole Foods. It knows not only what we buy, but also what time we shop, which location we shop at, how we pay and more.

What if the AI uses that data to improve its predictions? What happens to Amazon’s strategy as its data scientists, engineers and machine learning experts work tirelessly to dial up the accuracy on the prediction machine?

At some point, the AI’s prediction accuracy crosses a threshold, such that it becomes in Amazon’s interest to change its entire business model. The predictions become sufficiently accurate that it becomes more profitable for Amazon to ship you the goods that it predicts you’ll want rather than wait for you to order them. Every week, Amazon ships you boxes of items it thinks you want, and then you shop in the comfort of your own home by choosing the items you wish to keep.

This approach offers two benefits to Amazon. First, the convenience of predictive shipping makes it much less likely that consumers will purchase the same items from a competing retailer, as the products are delivered to their homes before they can buy them elsewhere. Second, predictive shipping nudges consumers to buy items that they might not have gotten around to purchasing. In both cases, Amazon gains a higher share of wallet. Turning up the prediction dial far enough changes Amazon’s business model from shopping-then-shipping to shipping-then-shopping.

Of course, shoppers won’t want to deal with the hassle of returning all the items they don’t want. So Amazon would invest in infrastructure for product returns — perhaps a fleet of trucks that stop by customer homes once a week for pickups.

If this is a better business model, then why hasn’t Amazon done it already? Because if it did, the cost of collecting and handling returned items would outweigh the increase in revenue from a greater share of wallet. Today we would return 95% of the items shipped to us. That’s annoying for us and costly for Amazon. The predictive powers of Amazon’s AI aren’t good enough for the company to adopt the new model.

That said, one can imagine a scenario in which Amazon adopts the new strategy even before the prediction accuracy is good enough to make it profitable because the company anticipates that at some point it will be profitable. Amazon realizes that the sooner it gets started, the harder it will be for competitors to catch up. Better predictions will attract more shoppers, more shoppers will generate more data to train the AI, more data will lead to better predictions, and so on, creating a virtuous circle. In other words, adopting too early could be costly, but adopting too late could be fatal.

The key insight here is that turning up the dial on the prediction machine has a significant impact on strategy. It shifts Amazon’s business model to shipping-then-shopping, generates the incentive to vertically integrate into operating a product-returns service and accelerates the timing of investment due to first-mover advantage from increasing returns.

Most readers are familiar with the outcome of companies like Blockbuster and Borders that underestimated how quickly consumer behavior would change when it came to online shopping. Perhaps these companies were lulled into complacency by the initially slow adoption rate of e-commerce technology in the early days of the commercial internet (1995-1998).

Today, in the case of AI, some companies are making early bets, anticipating that the dial on the prediction machine will start turning faster once it gains momentum. In 2014 Google acquired DeepMind, paying over $500 million for a company that had generated negligible revenue, but had developed an AI that learned to play certain Atari games at a superhuman performance level. In 2016, General Motors paid over $1 billion to acquire AI startup Cruise Automation. In 2017, Ford invested $1 billion in AI startup Argo AI, and John Deere paid over $300 million to acquire AI startup Blue River Technology. These companies are betting on an exponential increase in AI performance and, at those prices, anticipating a significant impact on their own business strategies.

First, strategists must invest in developing a better understanding of how fast and how far the dial on their prediction machines will turn for their sectors and applications. Second, they must invest in developing a thesis about the strategy options created by the shifting economics of their businesses that result from turning the dial, similar to the thought experiment we considered for Amazon.

So, the overarching theme for initiating an AI strategy? Imagine putting your fingers on the dial of your prediction machine, and, in the immortal words of Spinal Tap, turning it up to 11.

¿Qué te ha parecido?

Si encontró algún error gramatical en este artículo, por favor notifíquelo a nuestros editores seleccionando el texto y presionando:“Ctrl + Enter”.

print