4 modelos para usar la inteligencia artificial en la toma de decisiones

En algunas empresas más exitosas del mundo, los algoritmos autónomos cada vez más tienen la última palabra. Así que los líderes exitosos deberán hacer que estos funcionan a través de la integración de estos algoritmos en la toma de decisiones de las organizaciones.

TIEMPO DE LECTURA

texto alt

¿Cómo se calcula?

Descarga este Artículo

Los CEOs (presidentes ejecutivos) carismáticos preferirían encabezar e inspirar a las personas, en lugar de delegarle decisiones empresariales de gran importancia a los algoritmos inteligentes. Sin embargo, en algunas de las empresas más exitosas del mundo— Google, Netflix, Amazon, Alibaba, Facebook — los algoritmos autónomos cada vez más tienen la última palabra.

Los ejecutivos dedicados a la excelencia impulsada por datos aceptan que los algoritmos necesitan mayor autonomía para tener éxito. Empoderar a los algoritmos se ha vuelto tan importante como empoderar a las personas. Sin embargo, sin líneas claras de autoridad y responsabilidad, el empoderamiento dual garantiza un conflicto entre la inteligencia humana y la artificial.

Los CEOs que son serios acerca de confrontar la oportunidad y el riesgo de la autonomía algorítimica deberían considerar cuatro opciones organizacionales con éxito en el mundo real. Las malas noticias: la innovación sobre algoritmos y la aparición constante de nueva información garantizan que el “avance de la autonomía” desafiará incesantemente y desde adentro a la supervisión humana.

EL CONSEJERO AUTÓNOMO
McKinsey, Bain y BCG son los modelos aquí. Los algoritmos autónomos son considerados como los mejores consejeros estratégicos que usted puede tener, y que nunca se irán. Ellos constantemente analizan información y hacen recomendaciones. Toman la iniciativa sobre qué analizar e informan a la alta gerencia respecto a lo que encontraron. Sin embargo, sólo el Comité humano de supervisión aprueba qué se vuelve “autónomo” y cómo se implementa.

Las transiciones plantean significativos problemas operacionales. En una empresa norteamericana de ventas, los algoritmos autónomos reemplazaron a todo el departamento de mercadotecnia. Los directivos le dijeron a los gerentes de tienda y al staff que obedecieran las órdenes de sus nuevos “colegas”. El resentimiento y la resistencia eran palpables.

En este modelo, los científicos de datos son embajadores entre el Comité de supervisión de la autonomía y los objetivos de su implementación. Ellos frecuentemente encuentran que las tecnologías son menos problemáticas que las personas, y típicamente se convierten en sacos de boxeo para ambas partes. Su lealtad y responsabilidad le pertenecen a la alta gerencia.

EL SUBCONTRATISTA AUTÓNOMO
“Accenturazon” — parte Accenture, parte Amazon Web Services — es el modelo aquí. La subcontratación de procesos empresariales se convierte en parte de la algoritmización de los procesos de negocio. Las mismas sensibilidades y oportunidades económicas que vuelven atractiva la subcontratación se vuelven principios gerenciales para la autonomía computacional.

Eso significa que usted necesita descripciones claras de las tareas y los resultados deseados. Los propietarios de los procesos y las decisiones determinan la ubicación de recursos y si es que la autonomía llevaría a mayor innovación, optimización o ambas. La predictibilidad y la confiabilidad son lo que más importa, y la autonomía es un medio para este fin.

En los escenarios de algoritmización, los científicos de datos se vuelven gerentes de proyecto. Ellos definen los estándares de calidad para la información y para los algoritmos, y respaldan a aquellos responsables de los resultados habilitados autónomamente.

EL EMPLEADO AUTÓNOMO DE CLASE MUNDIAL
¿Pueden los gerentes y empleados colaborar de forma efectiva con entidades autónomas brillantes, pero constreñidas? En ese entorno empresarial, el software inteligente es sembrado en donde sea que la autonomía computacional puede complementar, o reemplazar, los resultados deseados. La firma efectivamente entrena a su gente para contratar y trabajar con los mejores y más brillantes algoritmos del mundo.

El software es tratado como un valioso colega que, la mayoría las veces, tiene la respuesta correcta. Versiones de esto suceden en compañías como Netflix y Alibaba, y Google se ha comprometido a convertirse en una empresa que ponga “primero al aprendizaje automático”.

“El modelo de aprendizaje automático no es una pieza estática de código -usted constantemente lo alimenta con información,” dice un ingeniero de Google. “Estamos constantemente actualizando los modelos y aprendiendo, añadiendo más información y perfeccionando la forma en que haremos predicciones. Se siente como algo que vive y respira. Es una forma diferente de ingeniería.”

Entrelazar a las personas con la autonomía de las máquinas diluye la responsabilidad organizacional. En dichos entornos de aprendizaje y veloces cambios, los gerentes de programas y proyectos no siempre puede saber si es que obtendrán mejores resultados al volver a entrenar a las personas o al volver entrenar a los algoritmos. Una cultura de la colaboración se convierte en la única forma de tener éxito.

Los científicos de datos facilitan en este escenario. Hacen cosas como escribir chatbots y adoptar interfaces para facilitar la colaboración. Tratan de minimizar la discriminación, el favoritismo la tensión en las relaciones entre las personas y las máquinas. Los ejecutivos dependen de ellos para entender la transformación cultural que implica una autonomía generalizada.

AUTONOMÍA TOTAL
Renaissance Technologies y otros sigilosos fondos de inversión son los modelos gerenciales aquí. Estas organizaciones están comprometidas a dejar que la autonomía algorítmica lleve a la empresa a nuevas fronteras de innovación, ganancias y riesgos. El liderazgo humano cede ante el poder de los algoritmos.
Un diseñador cuantitativo en un fondo de cobertura ubicado en Nueva York dijo: “nos tomó años confiar lo suficiente en los algoritmos como para resistir la tentación de invalidarlos… Aún hay tratos [ocasionales] que no haremos, y [no hacerlo] casi siempre nos cuesta dinero.”

Las firmas buscan convertir la autonomía en una ventaja competitiva. Usan software de aprendizaje automático para entrenar a otro software de aprendizaje automático. Los algoritmos prueban y administran el riesgo de otros algoritmos.

La autonomía es el centro de gravedad organizacional y operacional para la innovación. Las personas son contratadas con base en sus habilidades para empujar las fronteras de la autonomía algorítmica.

El liderazgo en estas organizaciones demanda de la voluntad para convertir a la confianza en los números en actos de fe. Los investigadores de finanzas computacionales y los gerentes de fondos de inversión dicen que sus máquinas frecuentemente hacen intercambios e inversiones que los humanos no comprenden.

El manejo del riesgo y el imperativo de adquirir un entendimiento humano accesible de la compleja autonomía, dominan la ciencia de datos para las empresas de autonomía total.

Los líderes deberían tener cuidado de hacer híbridos con estos enfoques separados. La clave para hacer que funcionen es integrar responsabilidad y resultados desde el inicio.

El software es tratado como un valioso colega que, la mayoría las veces, tiene la respuesta correcta. ”.

“¿Pueden los gerentes y empleados colaborar de forma efectiva con entidades autónomas brillantes, pero constreñidas?”.

“Empoderar a los algoritmos se ha vuelto tan importante como empoderar a las personas.”.

Los ejecutivos dedicados a la excelencia impulsada por datos aceptan que los algoritmos necesitan mayor autonomía para tener éxito. Sin embargo, sin líneas claras de autoridad y responsabilidad, el empoderamiento dual garantiza un conflicto entre la inteligencia humana y la artificial.

Los CEOs que son serios acerca de confrontar la oportunidad y el riesgo de la autonomía algorítimica deberían considerar cuatro opciones organizacionales con éxito en el mundo real:

EL CONSEJERO AUTÓNOMO
Los algoritmos autónomos son considerados como los mejores consejeros estratégicos que usted puede tener, y que nunca se irán. Ellos constantemente analizan información y hacen recomendaciones. Toman la iniciativa sobre qué analizar e informan a la alta gerencia respecto a lo que encontraron. Sin embargo, sólo el Comité humano de supervisión aprueba qué se vuelve “autónomo” y cómo se implementa.

EL SUBCONTRATISTA AUTÓNOMO
Usted necesita descripciones claras de las tareas y los resultados deseados. Los propietarios de los procesos y las decisiones determinan la ubicación de recursos y si es que la autonomía llevaría a mayor innovación, optimización o ambas. La predictibilidad y la confiabilidad son lo que más importa, y la autonomía es un medio para este fin.

EL EMPLEADO AUTÓNOMO DE CLASE MUNDIAL
el software inteligente es sembrado en donde sea que la autonomía computacional puede complementar, o reemplazar, los resultados deseados. La firma efectivamente entrena a su gente para contratar y trabajar con los mejores y más brillantes algoritmos del mundo. Entrelazar a las personas con la autonomía de las máquinas diluye la responsabilidad organizacional.

AUTONOMÍA TOTAL
La autonomía es el centro de gravedad organizacional y operacional para la innovación. Las personas son contratadas con base en sus habilidades para empujar las fronteras de la autonomía algorítmica.

Los líderes deberían tener cuidado de hacer híbridos con estos enfoques separados. La clave para hacer que funcionen es integrar responsabilidad y resultados desde el inicio.

© 2018 Harvard Business School Publishing Corp.

De: hbr.org

Distribuido por: The New York Times Syndicate.

4 Models for Using Artificial Intelligence to Make Decisions

Charismatic CEOs would rather lead and inspire people than delegate critical business decisions to smart algorithms. But at some of the world’s most successful enterprises — Google, Netflix, Amazon, Alibaba, Facebook — autonomous algorithms increasingly get the last word.

Executives dedicated to data-driven excellence accept that algorithms need greater autonomy to succeed. Empowering algorithms is now as important as empowering people. But without clear lines of authority and accountability, dual empowerment guarantees conflict between human and artificial intelligence.

CEOs who are serious about confronting the opportunity and risk of algorithmic autonomy should consider four organizational options with real-world success. The bad news: Constant new data and algorithmic innovation assure that “autonomy creep” will relentlessly challenge human oversight from within.

THE AUTONOMOUS ADVISER

McKinsey, Bain and BCG are the models here. Autonomous algorithms are considered the best strategic advisers you can have, but they’ll never go away. They’re constantly running data and making recommendations. They take initiative on what to analyze and brief top management with what they find. But only the human oversight committee approves what gets “autonomized” and how it’s implemented.

Transitions pose significant operational problems. At one American retailer, autonomous algorithms replaced the entire merchandising department. Top management told store managers and staff to obey directives from their new “colleagues.” The resentment and resistance were palpable.

In this model, data scientists are ambassadors between the autonomy oversight committee and the targets of implementation. They frequently find that the technologies are less of a hassle than the people, and typically become punching bags for both sides. Their loyalty and accountability belong to top management.

THE AUTONOMOUS OUTSOURCER

“Accenturazon” — part Accenture, part Amazon Web Services — is the model here. Business process outsourcing becomes business process algorithmization. The same sensibilities and economic opportunities that make outsourcing appealing become managerial principles for computational autonomy.

That means you need clear task descriptions and desired results. Process and decision owners determine the resource allocations and whether autonomy should lead to greater innovation, optimization or both. Predictability and reliability matter most, and autonomy is a means to that end.

Data scientists in business process algorithmization scenarios are project managers. They define quality standards for data and algorithms, and support those responsible for autonomy-enabled outcomes.

THE WORLD-CLASS AUTONOMOUS EMPLOYEE

Can managers and employees effectively collaborate with brilliant but constrained autonomous entities? In this enterprise environment, smart software is seeded wherever computational autonomy can supplement, or supplant, desired outcomes. The firm effectively trains its people to hire and work with the world’s best and brightest algorithms.

The software is treated as a valuable colleague that, more often than not, comes up with a right answer. Versions of this are ongoing at companies such as Netflix and Alibaba, and Google has committed to becoming a “machine-learning first” enterprise.

“The machine-learning model is not a static piece of code — you’re constantly feeding it data,” says one Google engineer. “We are constantly updating the models and learning, adding more data and tweaking how we’re going to make predictions. It feels like a living, breathing thing. It’s a different kind of engineering.”

Commingling person and machine autonomy blurs organizational accountability. In such fast-changing learning environments, project and program managers can’t always know whether they will get better results from retraining people or retraining algorithms. A culture of collaboration becomes the only way to succeed.

Data scientists facilitate in this scenario. They do things like write chatbots and adopt interfaces to make collaboration easier. They try to minimize discrimination, favoritism and tension in relationships between people and machines. Executives depend on them to understand the cultural transformation that pervasive autonomy means.

ALL-IN AUTONOMY

Renaissance Technologies and other secretive investment funds are the management models here. These organizations are committed to letting algorithmic autonomy take the enterprise to new frontiers of innovation, profitability and risk. Human leadership defers to algorithmic power.

One quant designer at a New York hedge fund said: “It took years for us to trust the algorithms enough to resist the temptation to override them. … There are still [occasional] trades we won’t make, and [not doing them] almost always costs us money.”

Firms look to leverage autonomy into competitive advantage. They use machine-learning software to train other machine-learning software. Algorithms stress-test and risk-manage other algorithms.

Autonomy is both the organizational and the operational center of gravity for innovation. People are hired based on their abilities to push the algorithmic boundaries of autonomy.

Leadership in these organizations demands a willingness to convert trust in numbers into acts of faith. Computational finance researchers and fund managers say their machines frequently make trades and investments that the humans do not understand.

Risk management and the imperative to acquire accessible human understanding of complex autonomy dominate data science for all-in enterprises.

Leaders should be wary of hybridizing these separate approaches. The key to making them work is to build in accountability, responsibility and outcomes from the beginning

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