E

n 2020, Microsoft anunció su iniciativa “Planetary Computer”, un proyecto monumental destinado a recopilar datos ambientales a escala mundial y hacerlos accesibles para soluciones de sostenibilidad. Al asociarse con organizaciones medioambientalistas y aprovechar algoritmos de inteligencia artificial de vanguardia, Microsoft pretende abordar algunos de los problemas ambientales más apremiantes del planeta, desde la pérdida de biodiversidad hasta el cambio climático. Este proyecto con visión de futuro sirve como algo más que un simple ejemplo de responsabilidad corporativa. Se trata de un hito importante, que indica un cambio de paradigma más amplio para hacer de la IA y la sostenibilidad la columna vertebral de la gestión moderna de proyectos.

En la actual economía de proyectos, donde los proyectos son la principal unidad de trabajo y la creación de valor, los paradigmas tradicionales de gestión de proyectos están experimentando una transformación radical. La sostenibilidad ya no es algo que “es bueno tener”, sino un criterio esencial para el éxito, tanto en la fase inicial de los proyectos como cuando los resultados del proyecto siguen generando beneficios a lo largo de su vida útil. Como lo demuestran empresas como Microsoft, existe una oportunidad sin precedentes en la intersección de la IA, la gestión de proyectos y la sostenibilidad (en los ámbitos social y financiero, así como en el ámbito medioambiental).

Desafortunadamente, sin una ejecución adecuada, la integración de IA y la gestión de proyectos para lograr objetivos de sostenibilidad, puede contribuir a la misma huella de carbono que pretendemos reducir. ¿Cómo podemos aprovechar simultáneamente los poderes computacionales de la IA y cumplir los objetivos de sostenibilidad sin inclinar la balanza desfavorablemente en términos de costo e impacto ambiental? Aquí es donde entran en escena los “algoritmos ecológicos” (construcciones especializadas de IA diseñadas para mejorar la eficiencia operativa y priorizar la sostenibilidad).

Complejidad, costo y carbono

La gestión de proyectos siempre ha requerido un delicado equilibrio entre alcance, tiempo, presupuesto y beneficios. Medir el impacto ambiental, social y humano de los proyectos añade más complejidades. Las herramientas de IA para la gestión de proyectos tienen el potencial de ayudar a abordar estas preocupaciones, pero a medida que la implementación de la IA pasa de la teoría a la realidad, surge otra capa de tres desafíos clave: la complejidad, el costo y el carbono de la implementación de la IA.

Complejidad

— Demandas interdisciplinarias. La fusión de la IA y la gestión de proyectos exige un grupo de expertos de diversos ámbitos. La complejidad se multiplica cuando se reúnen especialistas en aprendizaje automático, científicos de datos, científicos medioambientales y responsables de cumplimiento de políticas, solo por nombrar algunos.

— Entorno normativo dinámico. Los objetivos de sostenibilidad no son estáticos; evolucionan bajo la influencia de leyes, culturas y tradiciones locales, estatales e internacionales.

— Sobrecarga de datos. La IA se basa en datos, y gestionar e interpretar conjuntos de datos multidimensionales, que van desde el uso de energía hasta la producción de residuos, introduce aún más complejidad.

Costo

— Costos directos de los requerimientos interdisciplinarios. Los recursos humanos interdisciplinarios descritos anteriormente tienen un precio. La experiencia en múltiples áreas se suma.

— Costo del ciclo de vida. Los modelos de IA son entidades vivas que necesitan un cuidado continuo. Esto incluye actualizaciones periódicas, ajustes para adaptarse a nuevos datos o condiciones, e incluso revisiones completas para incorporar nuevos estándares.

Carbono

— Impacto de carbono de los requerimientos interdisciplinarios. Se deben tener en cuenta los desplazamientos para reuniones de las partes interesadas, el transporte de hardware, e incluso la energía consumida en los espacios de oficina donde trabajan los equipos del proyecto.

— Emisiones de carbono relacionadas con la IA. Los algoritmos de aprendizaje automático requieren una cantidad de energía considerable, lo que eleva el impacto ambiental del proyecto debido a su amplia potencia computacional. El ciclo de vida del hardware necesario para estos complejos algoritmos (desde la fabricación hasta la eliminación) también conlleva un costo medioambiental. El hardware especializado (GPU y TPU), además de acelerar los procesos algorítmicos, aumenta la huella de carbono general del proyecto. Un estudio realizado por investigadores de la Universidad de Massachusetts Amherst, encontró que las emisiones derivadas del entrenamiento de un solo modelo de IA pueden generar hasta 626,000 libras de CO2 equivalente, aproximadamente cinco veces las emisiones de un automóvil estadounidense promedio durante su vida útil.

Introduciendo los algoritmos ecológicos

Aquí es donde entran en juego los algoritmos ecológicos. Se integran a la perfección con una serie de metodologías de IA, desde el aprendizaje automático que permite el mantenimiento predictivo hasta el procesamiento del lenguaje natural para el análisis de los sentimientos de las partes interesadas, e incluso el aprendizaje reforzado para la asignación dinámica de recursos. El resultado final son herramientas de IA que no sólo son inteligentes en su ejecución, sino también sostenibles en su impacto en los proyectos. Los algoritmos ecológicos ayudan a abordar los desafíos de complejidad, costo y carbono:

— Gestión de la complejidad. Las herramientas y metodologías modernas de gestión de proyectos están cada vez más orientadas a aliviar la complejidad y facilitar la integración. Muchas plataformas, como Notion y Forecast, ofrecen ahora funciones que simplifican la gestión de algoritmos y conjuntos de datos complejos, convirtiéndolos en información procesable para una mejor toma de decisiones. También ofrecen servicios especializados de formación y consultoría para ayudar a los gestores de proyectos a adquirir las habilidades necesarias para implementar los algoritmos ecológicos de manera efectiva.

— Gestión de costos. Implementar las soluciones de IA requiere un precio financiero inicial y habilidades especializadas, que podrían considerarse barreras para su adopción. Sin embargo, es esencial considerar estas tecnologías como inversiones con beneficios a largo plazo, y no como un mero gasto. Los ahorros de energía de los centros de datos eficientes se traducen en reducciones significativas de los gastos operativos y menores costos de cumplimiento. La adopción de algoritmos ecológicos también puede ir acompañada de beneficios intangibles, como la reducción del riesgo y el incremento del valor de la marca.

— Gestión del carbono. Con los algoritmos ecológicos, se obtiene la eficiencia operativa comprobada que ofrecen las soluciones automatizadas y ahorros significativos mediante la optimización del uso recursos, la reducción de residuos y el cumplimiento de las regulaciones de sostenibilidad. Cambiar de un centro de datos promedio a uno más eficiente puede reducir la huella de carbono hasta en un 30%, y en el horizonte se vislumbran nuevas mejoras.

GE Research es un ejemplo de ello. En colaboración con GE Renewable Energy, han desarrollado una herramienta de aprendizaje automático de vanguardia diseñada para optimizar la logística de las turbinas eólicas, lo que podría ahorrarle a la industria miles de millones de dólares durante la próxima década. La solución algorítmica se centra en optimizar diversos aspectos de las operaciones de los parques eólicos, desde el envío y la instalación hasta el mantenimiento continuo. El costo, la complejidad y las emisiones de carbono se gestionaron o redujeron.

Con historias de éxito como ésta cada vez más frecuentes, el mensaje para los gestores de proyectos de todo el mundo es claro: Es hora de aprender a implementar algoritmos ecológicos.

Los gestores de proyectos están aprendiendo que la integración de algoritmos ecológicos en sus proyectos cataliza la eficiencia operativa y fortalece su compromiso con la sostenibilidad. Al mismo tiempo, los líderes organizacionales están viendo que la convergencia de IA y la conciencia ecológica ofrece una hoja de ruta para lograr resultados comerciales. Con una planificación meticulosa y un compromiso con la sostenibilidad, los algoritmos ecológicos pueden ayudar a los gestores y patrocinadores de proyectos a convertir los desafíos en oportunidades para lograr un impacto significativo. A medida que los proyectos se convierten cada vez más en la columna vertebral del valor organizacional, los algoritmos ecológicos ofrecen una forma tangible y efectiva de lograr tanto la sostenibilidad como la IA.

E

l impacto de la IA, y en particular de la IA generativa, está sintiéndose en todas las industrias. Pero mientras los ejecutivos están entusiasmados con el potencial de esta tecnología, los trabajadores a menudo desconfían de lo que podría significar para ellos, sus trabajos y su futuro. Estas percepciones divergentes están creando nuevas tensiones y presentando nuevos desafíos para ambos grupos.

Estas tensiones tienen su origen (directa o indirectamente) en el acceso a datos contextuales de alta calidad. Los datos son la información que necesitan los algoritmos de aprendizaje automático para funcionar, y la IA está compuesta por estos algoritmos. Por lo tanto, quienes tienen acceso a datos de alta calidad pueden entrenar IA de alta calidad. A menos que los trabajadores y las organizaciones puedan abordar este problema de los datos de una manera significativa y duradera, el conflicto continuará dirimiéndose mediante enfrentamientos y negociaciones parciales.

Las cooperativas de datos ofrecen un camino significativo hacia adelante. Son un modelo organizacional que permite a las personas agrupar sus datos con el propósito de obtener poder de negociación frente a las empresas que analizan sus datos. Estas cooperativas enfatizan el control individual, el uso ético y el trato justo, y permiten a los usuarios conservar la propiedad y el control de su huella digital. Además, en muchos casos, ofrecen la monetización con fines de lucro de los datos de los miembros de la cooperativa, permitiendo que terceros obtengan información de esos datos (de una manera responsable y que preserve la privacidad).

Los datos como un nuevo factor de producción

El impacto de la tecnología en los empleados y sus empleadores suele analizarse como un juego de suma cero entre ambas partes, donde la automatización aumenta las ganancias de los empleadores mientras reduce los puestos de trabajo para los empleados. Sin embargo, la dependencia de la IA de los datos frescos desafía esta visión.

Las organizaciones que dependen de las capacidades actuales de la IA pueden (tarde o temprano) descubrir que los algoritmos que utilizan comienzan a funcionar peor que antes debido a la «decadencia del modelo», es decir, el deterioro del rendimiento de la IA con el tiempo. La razón es que los datos con los que fueron entrenados ya no son representativos de la realidad en la que la IA debe operar.

Nuestras preferencias, contexto, sentido del humor, gustos y modas cambian constantemente. Y nosotros, los humanos, somos necesarios para revelar nuestras preferencias. Los datos más valiosos serán sobre nosotros mismos, y es nuestra interacción con los sistemas digitales la que genera esos datos. Eliminar al ser humano implica eliminar los datos sobre la persona para la cual la IA está diseñada para generar contenido.

Este hecho, que surge únicamente de la naturaleza de la IA y no de otras tecnologías que en el pasado han afectado al mercado laboral, sorprendentemente puede ayudar a alinear las necesidades de los empleadores y los empleados, ya que los empleados humanos son fundamentales para generar nuevos datos que eventualmente impulsen la IA.

Las cooperativas de datos son a los datos lo que los sindicatos son al trabajo

En el contexto laboral, son los conocimientos de primera mano de los empleados, sus habilidades para resolver problemas y sus competencias en evolución las que cambian con cada nuevo desafío e innovación. Por lo tanto, los datos más valiosos para la IA que puede asumir las tareas de los trabajadores provendrán directamente de las tareas que estos realizan.

Es aquí donde las cooperativas de datos ofrecen un nuevo enfoque para la gestión de datos al permitir que los trabajadores sean copropietarios y gestionen sus datos colectivos a través de un proceso de toma de decisiones más o menos descentralizado. Esto sucede porque los miembros de una cooperativa de datos pueden extraer datos que actualmente están aislados en diferentes fuentes y combinarlos en un solo conjunto. La agregación de datos que los miembros generan a partir de diversas fuentes y situaciones puede conducir al desarrollo de nuevos productos, servicios y modelos de negocio que serían inalcanzables mediante contribuciones individuales o utilizando datos de una sola fuente.

Además, una vez que los trabajadores comienzan a ver la monetización de sus datos por parte de las cooperativas, es mucho más probable que reorganicen sus propios procesos para facilitar una mejor recopilación de datos, lo que a su vez puede generar mejores resultados de IA para la organización y mayores ingresos por datos para los trabajadores.

Ahora que los datos se utilizan cada vez más como un factor de producción (es decir, como insumo) en la economía, parece natural que las cooperativas de datos surjan como una solución. Esta es la misma lógica que llevó al desarrollo de los sindicatos en el pasado: la fragmentación de la estructura de propiedad del factor de producción (ya sea datos o trabajo) impide que cualquier individuo tenga poder de negociación frente al empleador.

Lo que esto significa para el futuro de las relaciones laborales

Para que se libere este valor económico (y para que tanto empleadores como empleados prosperen en la economía de los datos) todos los involucrados deben aumentar su nivel de alfabetización en datos. Tanto los trabajadores como los empleadores deben comprender cómo los datos crean valor mediante la agregación y el análisis para revelar información y patrones que puedan mejorar la toma de decisiones y entrenar modelos de IA. Además, los empleados deben comprender cómo contribuyen a la creación y gestión de dichos datos mientras trabajan, y utilizar la influencia colectiva que les otorgan las cooperativas, con el fin de tener una discusión adecuada sobre el futuro del trabajo.

Para aprovechar al máximo los datos que las personas producen y, al mismo tiempo, garantizar que los trabajadores tengan control sobre qué datos ofrecen y reciban una compensación justa por ellos, los empleadores y los empleados deben seguir estos pasos para poder dar forma al futuro de la economía digital y, por ende, al futuro del trabajo:

1. Evaluar los recursos y el potencial de los datos internos de la organización.

Los empresarios y los empleados deben comenzar por realizar una auditoría exhaustiva de los datos que la organización ya recopila y genera, centrándose en identificar los datos que podrían ser valiosos para la formación o el análisis de IA.

2. Involucrar a los empleados en programas de alfabetización en datos.

Las organizaciones pueden implementar programas de capacitación para mejorar la alfabetización en datos de sus empleados. Al formarlos sobre cómo sus actividades diarias generan datos valiosos, la importancia de estos datos en el desarrollo de la IA y cómo pueden participar en cooperativas de datos, se crean conocimientos valiosos.

3. Incorporar cláusulas de cooperativas de datos en los contratos de trabajo.

Al actualizar los contratos de trabajo para incluir cláusulas que reconozcan los derechos de los empleados sobre sus datos y describan cómo pueden utilizarse sus datos en cooperación con las cooperativas de datos, las organizaciones pueden posicionarse como pioneras en este ámbito. Esto garantizaría la transparencia y proporcionaría un marco jurídico para el uso de los datos, y puede ayudar a atraer nuevos talentos.

Dada la naturaleza dinámica de la sociedad, la IA necesitará (al menos en el futuro previsible) los datos y la orientación de los humanos para generar valor real. Por lo tanto, los trabajadores, deben enfocarse en comprender la interacción entre capital, trabajo y datos, y comenzar a guiar la discusión sobre el futuro del trabajo con una comprensión adecuada de la naturaleza de la IA.

Los líderes empresariales también deben comprender las dependencias entre capital, trabajo y datos para proponer proactivamente marcos colaborativos que permitan a las organizaciones (y por ende a la sociedad) prosperar en la era de la IA.

L

os líderes de todo el mundo se preguntan (con razón) cómo la IA generativa puede beneficiar a sus empresas. Sin embargo, por impresionante que sea, es solo una de muchas técnicas avanzadas de ciencia y análisis de datos. Si bien el mundo se centra en la IA generativa, un mejor enfoque es comprender cómo utilizar la variedad de herramientas de análisis disponibles para abordar las necesidades de su empresa. ¿Qué herramienta de análisis se ajusta al problema que está tratando de resolver? ¿Y cómo evitar elegir la incorrecta? No es necesario que conozca detalladamente cada herramienta de análisis a su disposición, pero sí lo suficiente como para imaginar lo que es posible y hacer las preguntas correctas a los expertos técnicos.

Comience con el problema, no con la tecnología.

Las cuatro categorías de la analítica avanzada

Existen muchas técnicas de IA y análisis avanzados, y la lista crece con cada nuevo comunicado. Como líder, no necesita conocer las complejidades de cada técnica analítica; para eso tiene expertos técnicos. Sin embargo, comprender estas cuatro categorías puede ayudarlo a diferenciarse, hacer las preguntas correctas y ganar confianza.

1. IA generativa

La IA generativa crea nuevos datos, imágenes, videos, textos o sonidos que son similares, pero no idénticos a los datos existentes. ChatGPT es un ejemplo, al igual que Midjourney (generación de imágenes), Synthesia (videos a partir de texto) y Cresta (entrenamiento en tiempo real para agentes de call centers). Los creadores de productos existentes, como Adobe, Shopify, Canva y Autodesk, están incorporando funciones de IA generativa en sus ofertas. Estos algoritmos resumen materiales, responden preguntas o redactan artículos desde cero, lo cual beneficia a áreas como la comunicación de marketing y el servicio al cliente. Además, ayudan a comprender rápidamente nuevos documentos, como regulaciones, informes financieros o investigaciones médicas. Sin embargo, también pueden generar datos sesgados o de baja calidad (denominados “alucinaciones”) y requieren enormes cantidades de potencia informática y datos.

2. Aprendizaje profundo tradicional

Las técnicas de aprendizaje profundo procesan grandes volúmenes de datos complejos para aprender patrones y relaciones. Pueden clasificar, por ejemplo, si se compra algo o no, si un préstamo es seguro o riesgoso, si un tejido es canceroso o benigno. Pueden optimizar, por ejemplo, ajustando las líneas de producción o reduciendo el consumo de energía. Sin embargo, para aprender, también requieren datos con clasificaciones ya conocidas. Además, los resultados de los modelos son difíciles de explicar, lo que significa que las empresas no pueden decir a los clientes o a los reguladores el porqué de una predicción.

3. Econometría

En comparación con la complejidad y el costo del aprendizaje automático, las técnicas estadísticas tradicionales pueden ofrecer resultados igualmente buenos a un costo mucho menor. La rica historia de la econometría ofrece herramientas poderosas para probar mecanismos teóricos y comprender relaciones causales a partir de datos observacionales o experimentos. Un gerente puede determinar cuánto influye cada variable en un resultado y comprender la magnitud de las relaciones causales. Además, los modelos son altamente repetibles, proporcionando siempre las mismas respuestas a las mismas entradas. Sin embargo, los modelos econométricos suelen requerir supuestos sobre las relaciones y las distribuciones estadísticas subyacentes.

4. Automatización basada en reglas

Los primeros modelos de IA se basaban en reglas del tipo “si-entonces”, y siguen siendo frecuentes y valiosos. Los sistemas basados ​​en reglas son sencillos, comprensibles, interpretables y transparentes. Son adecuados para problemas bien comprendidos, como la implementación de normativas establecidas (por ejemplo, leyes fiscales). Sin embargo, su creación puede requerir una cantidad significativa de experiencia en el área. También pueden ser inflexibles, no adaptarse a los cambios de contexto y no dar respuestas a escenarios no previstos por los diseñadores.

Cada uno de estos métodos es útil en diferentes situaciones, y a menudo en combinación. La clave está en saber cuándo utilizar (y no utilizar) cada uno.

Cómo elegir: Las cinco preguntas que debe hacerse

Cada proceso y decisión es un candidato potencial para nuevos enfoques de analítica avanzada. Pero el contexto es importante. A continuación, ofrecemos cinco preguntas que puede hacer sobre las limitaciones de la IA.

1. ¿Cuál es el costo de equivocarse?

La IA generativa es útil para primeros borradores y respuestas “suficientemente cercanas”. ¿Su problema puede tolerar una precisión inferior a la excelente? ¿El costo del error exige un enfoque diferente? ¿O puede utilizar un enfoque híbrido en el que las computadoras identifiquen posibles diagnósticos médicos u objetivos militares y los humanos tomen la decisión final?

2. ¿Necesita explicar las decisiones que toma su modelo?

Los algoritmos de aprendizaje automático, especialmente los basados ​​en el aprendizaje profundo, pueden brindar respuestas precisas, pero sus modelos proporcionan poca información sobre el por qué. Por otro lado, los modelos econométricos pueden mostrar cómo las variables influyen en las decisiones, pero pueden carecer de la precisión que ofrecen los modelos más grandes. ¿Necesita saber por qué un modelo hace lo que hace? ¿O una buena respuesta es suficiente?

3. ¿Sus modelos necesitan generar las mismas respuestas todo el tiempo?

Por defecto, la IA generativa genera respuestas diferentes todo el tiempo. Los modelos econométricos y basados ​​en reglas proporcionan las mismas respuestas para las mismas entradas, pero pueden volverse obsoletos a medida que cambian las condiciones. La mayoría de los modelos de aprendizaje automático ofrecen respuestas repetibles, pero si constantemente se actualizan sus datos de entrenamiento, esas respuestas pueden cambiar con el tiempo.

4. ¿Sus datos tienen una fuente confiable?

Sin una buena fuente de verdad, una compleja red neuronal de aprendizaje profundo multicapa puede no ser mejor que lanzar una moneda al aire. ¿Tiene suficientes datos bien etiquetados? Si no es así, ¿tiene mejores fuentes de verdad para clasificaciones menos específicas (por ejemplo, identificar un “animal parecido a un caballo”, en lugar de distinguir entre caballos, burros y camellos)? Los humanos pueden mejorar estas predicciones, ayudando a que los sistemas se vuelvan cada vez más inteligentes mediante retroalimentación de refuerzo. Sin embargo, sin un punto de partida adecuado, los humanos pueden agotarse rápidamente al tratar de ayudar a las IA novatas que, en teoría, deberían estar ayudándolos a ellos.

5. ¿Sus datos de entrenamiento reflejan las condiciones en las que operará?

Aunque los algoritmos de IA modernos pueden descubrir patrones en los datos que las técnicas anteriores pueden pasar por alto, el patrón debe ser un patrón real. Y debe provenir de todo el conjunto de contextos en los que opera. ¿Tiene datos de inversión de épocas buenas y malas? ¿Datos médicos de hombres y mujeres, y de diferentes etnias?

Si bien debe tener cuidado con la calidad de los datos que utiliza, no es necesario que sean perfectos. Dependiendo de los riesgos y limitaciones del problema, puede mejorar un modelo a través de la retroalimentación.

El mundo de la IA avanza rápidamente, pero las organizaciones cambian mucho más lentamente. Lo que funciona en un laboratorio puede no ser adecuado para su empresa en este momento. Si sabe hacer las preguntas correctas, podrá tomar mejores decisiones, independientemente de la velocidad con la que cambie la tecnología. Puede trabajar con sus expertos técnicos para utilizar la herramienta adecuada para el trabajo adecuado. De este modo, cada solución de hoy se convertirá en la base para generar innovaciones futuras.