D

esafortunadamente, la IA empresarial suele diseñarse con el objetivo de eliminar la necesidad de comprender. Los líderes se centran en facilitar la adopción y la comodidad, lo que, sin querer, merma la capacidad de asimilación de la organización. Por lo tanto, para proteger los incentivos a la innovación a largo plazo, los líderes deberían replantearse el hecho de centrarse únicamente en la facilidad de uso y empezar a reintroducir un poco de “fricción estratégica” en sus sistemas.

Introducción de la fricción estratégica

La clave no es hacer que el trabajo resulte pesado. Se trata de mantener un nivel de esfuerzo suficiente para que las personas sigan aprendiendo. La fricción estratégica debe reservarse para aquellas tareas en las que la organización necesita que las personas piensen y aprendan, no solo que produzcan.

En el contexto empresarial, esto implica pasar de un modelo de oráculo (en el que el usuario pregunta y recibe) a un modelo recíproco, en el que el usuario debe aportar sus conocimientos para obtener información. Existen diversas formas de lograrlo, que van desde simples cambios en las políticas hasta un diseño más ambicioso a nivel de sistema. Usted puede:

— Establecer una regla que exija esfuerzos independientes documentados. Por ejemplo, antes de utilizar IA para redactar un análisis de mercado, un analista debe presentar su propia evaluación preliminar (aunque esté incompleta) mostrando lo que ya sabe y en qué puntos se encuentra atascado.

— Diseñar la IA para que solicite la aportación del usuario antes de generar un resultado completo. Por ejemplo, si un analista solicita un análisis de la competencia, la IA le pide primero tres observaciones específicas sobre los últimos movimientos de precios del competidor. A continuación, la IA incorpora esta información actualizada en su resultado.

— Construir interfaces con acceso condicionado que desbloqueen la asistencia solo después de que el usuario aporte su propio contexto. Por ejemplo, antes de que un analista pueda pedirle a la IA interna que genere una evaluación de riesgos, la interfaz le exigiría cargar una hipótesis base y etiquetar tres variables o restricciones clave. El botón de “generar” permanecerá bloqueado hasta que se haya aportado el contexto humano.

Cómo distinguir a los creadores

La defensa contra el estancamiento puede comenzar incluso antes de que el empleado inicie sesión. Muchas empresas siguen contratando en función de “la respuesta correcta”. En un entorno saturado de IA, eso ya no es un factor diferenciador. Lo que importa es “el proceso adecuado”. Por lo tanto, en las entrevistas y las evaluaciones de desempeño, observe cómo los candidatos y los empleados utilizan las herramientas de IA. ¿Aceptan los resultados como un trabajo terminado o los cuestionan, comprueban las hipótesis y añaden observaciones originales?

Investigaciones recientes hacen visibles estos patrones. Un experimento de campo, liderado por Hila Lifshitz-Assaf y sus colegas de Harvard, MIT y Warwick, analizó cerca de 5,000 interacciones entre humanos e IA realizadas por 244 consultores de BCG. A partir de ello, identificaron tres estilos de colaboración distintos, que se diferencian a partir de dos preguntas clave: quién decide qué debe hacerse y quién decide cómo hacerlo. Los “centaurs” mantuvieron el control humano en ambas dimensiones, utilizando la IA solo para asistencia puntual. Por su parte, los “cyborgs” dejaron que el humano definiera el “qué”, pero otorgaron a la IA un control significativo sobre el “cómo”, participando en un diálogo continuo y crítico. En contraste, los “self-automators” cedieron el control de ambos aspectos a la IA y experimentaron lo que los investigadores denominan “no-skilling”, es decir, no desarrollaron ni experiencia en su campo ni habilidades en el uso de la IA. Dentro de este marco, los “centaurs” y los “cyborgs” representan a los creadores, mientras que los “self-automators” son los oportunistas sobre los que advierte este modelo.

Estos hallazgos sugieren dos comportamientos observables que distinguen a los creadores de los oportunistas:

— Delegación selectiva. Los creadores conocen los límites de lo que la IA hace bien y lo que no. Utilizan la IA para tareas que se encuentran dentro de esos límites y ellos mismos se encargan del trabajo que requiere un mayor criterio.

— Profundidad de análisis. Cuando los creadores utilizan la IA, la ponen a prueba. Le piden que explique su razonamiento, que señale inconsistencias y le proporcionan sus propios datos.

L

os líderes empresariales se ven sometidos a una gran presión para aumentar las capacidades analíticas y de datos de sus empresas (y hacerlo rápido), o corren el riesgo de quedar rezagados frente a competidores más avanzados en el uso de datos.

Pero ¿qué significa realmente tener éxito en este ámbito? ¿Cómo deberían medirlo las empresas?

Los indicadores que caracterizan el éxito de la transformación digital han evolucionado desde hace unos años. En una encuesta realizada por Gartner en 2018 a líderes de datos y analítica (D&A) y directores digitales (CDOs), los encuestados clasificaron tres actividades clave internas de la empresa como las más importantes para lograr el éxito en datos y analítica: crear una cultura impulsada por los datos, adoptar capacidades analíticas avanzadas y emplear una estrategia de implementación de datos y análisis bien desarrollada. Pero cuando Gartner realizó la versión 2022 de esta encuesta, los encuestados informaron que su principal prioridad ahora se centraba en el mercado externo: estas inversiones deben crear valor empresarial al ayudar a la compañía a alcanzar sus objetivos de crecimiento. Esta evolución del interés y el cambio de prioridad hacia el rendimiento y la rendición de cuentas en datos y analítica es una progresión natural destinada a responder a la pregunta “¿y qué?”

Una pregunta crítica para las empresas que están atravesando transformaciones digitales es: ¿Cómo y dónde contribuyen las inversiones en nuevas y mejoradas capacidades analíticas y de datos a beneficios empresariales tangibles como la rentabilidad y el crecimiento? ¿Deberían invertir en talento? ¿Tecnología? ¿Cultura? Según nuestra investigación, que mide el impacto del desarrollo analítico en los indicadores clave de rendimiento empresarial, el camino hacia la creación de valor real es matizado y no tan directo. No solo importa el nivel de analítica, sino también qué tan alineadas están las capacidades de análisis con los objetivos empresariales.

Cómo crean valor las empresas con la analítica

Para investigar el impacto de la alineación en la analítica sobre el rendimiento empresarial, encuestamos a 323 empresas que están atravesando transformaciones en datos y analítica (143 de estas compañías tenían sede en EE. UU. y 180 en India). Las compañías participantes representaban una variedad de sectores, incluidos telecomunicaciones, salud, energía, bienes de consumo, automotriz, logística, y servicios profesionales y financieros. El 43% de las empresas tenía ventas anuales superiores a los 100 millones de dólares, y otro 20% superaba los mil millones de dólares.

Para entender el impacto de estar alineados en el nivel de rendimiento empresarial, encuestamos a díadas de dos personas (un ejecutivo y un responsable de análisis de datos) de cada una de las 323 compañías. Fuimos intencionales en elegir y comparar la perspectiva estratégica “en la nube” del ejecutivo sénior con el punto de vista operativo “en el terreno” del analista de datos.

A los altos ejecutivos se les hicieron preguntas sobre las capacidades actuales de análisis de datos de sus empresas y el nivel de madurez de los datos (bajo, medio o alto). También se les pidió que compararan el rendimiento de su empresa con el de sus principales competidores en ocho KPIs, utilizando una escala de cinco puntos. Tres KPIs eran medidas de crecimiento: crecimiento de participación de mercado, crecimiento de ventas y crecimiento de utilidades. Dos eran métricas financieras: ingresos y rentabilidad. Y tres eran resultados centrados en el cliente: adquisición de clientes, retención de clientes y satisfacción del cliente.

Los gerentes operativos de datos respondieron a la pregunta sobre el nivel de madurez de los datos (bajo, medio o alto).

Lo que descubrimos

La pregunta de la encuesta completada tanto por los líderes sénior como por los gerentes de datos sobre el nivel actual de capacidades de datos de su empresa (baja, media o alta madurez, definidas más abajo) fue fundamental para nuestro análisis.

Las empresas eligieron un nivel bajo de madurez si realizaban la compilación manual de informes de datos, informes de datos no estandarizados, silos de datos y falta de una difusión sistemática en toda la organización. En las empresas que eligieron un nivel medio de madurez, los datos se recopilaban y analizaban de manera más deliberada, con informes estandarizados compartidos en una plataforma de toda la organización. Los datos y la analítica comenzaron a desempeñar un papel directo en la toma de decisiones empresariales clave. En los niveles de madurez más altos, las empresas usaban los informes de datos como base para todos los procesos y la toma de decisiones. En estas organizaciones, no se tomaba ninguna decisión sin recurrir a los datos e insights apropiados.

En nuestros hallazgos, descubrimos una tendencia sorprendente. Como era de esperarse, observamos una mejora en todos los KPIs a medida que las empresas avanzaban en el espectro de madurez de datos. El retorno de la inversión en talento y tecnología dio sólidos dividendos al inicio del camino en datos y analítica de una empresa: las compañías que pasaban de madurez baja a media disfrutaban de mejoras de un solo dígito tanto en los KPIs de crecimiento (8.7%) como en los KPIs financieros (8.9%), y casi de dos dígitos (9.9%) en los KPIs relacionados con el cliente. Sin embargo, los beneficios de inversiones adicionales disminuían a medida que las empresas superaban el nivel medio de madurez de datos.

De hecho, a medida que las empresas superaban el nivel medio de madurez y alcanzaban niveles elevados de capacidades de datos y análisis, sus resultados empresariales en todas las categorías de indicadores clave de rendimiento, aunque seguían siendo positivos, descendían considerablemente con respecto a los niveles máximos observados en las empresas de nivel medio.

Al profundizar más en los resultados, encontramos implicaciones importantes y matizadas para las empresas que están atravesando o considerando transformaciones en el análisis de datos. Cuando tomamos en cuenta las diferencias en “alineación de madurez de datos” entre los líderes sénior y los analistas de datos dentro de una misma organización, obtuvimos una imagen aún más clara sobre las diferencias en rendimiento en las tres categorías de KPIs.

Las empresas desalineadas

Las empresas situadas en el extremo inferior de madurez de datos obtienen beneficios en el rendimiento empresarial cuando invierten en mejorar sus capacidades hacia un nivel medio de madurez, a pesar de estar desalineadas internamente. Sin embargo, cualquier ganancia en los KPIs desaparece (y de hecho cae en terreno negativo) cuando los esfuerzos de transformación de datos de las empresas desalineadas avanzan del nivel medio al alto de madurez de datos.

La transición de una madurez media a una alta parece ser un abismo, ya que este salto requiere más que inversión en talento, herramientas y tecnología de datos y analítica. Para cruzar con éxito esta brecha, las empresas deben tener habilidades no solo en competencias analíticas, sino también y, lo que es más importante, estar alineadas internamente con su nivel de madurez de datos.

Las empresas alineadas

La alineación dentro de la empresa genera KPIs positivos en cada etapa de transición de madurez de datos, particularmente al pasar de capacidades medias a altas. Cuando están alineadas, las empresas se benefician de mejoras constantes y sostenidas en los resultados empresariales a medida que avanzan del nivel medio al alto de madurez de datos.

Alinear la organización

Nuestros resultados muestran claramente que, si bien un nivel básico de analítica puede ser suficiente cuando las empresas aún están en el rango de baja a media madurez de datos, se vuelve insuficiente y la alineación en capacidades analíticas surge como un factor necesario en la etapa de madurez de datos de media a alta si las empresas desean cosechar los beneficios de invertir en analítica.

Mientras las empresas de todos los sectores se esfuerzan por centrarse más en la analítica y lograr la superioridad de los datos y el análisis, nuestros hallazgos cuentan una historia clara y convincente que los líderes empresariales deben atender con mayor atención. Comprender la interacción entre la alineación y el nivel de madurez de los datos puede ayudar a las empresas a impulsar y mantener su rendimiento en los resultados relacionados con el crecimiento, las finanzas y el cliente.