H

oy en día, las empresas de todo el mundo están generando cantidades de datos sin precedentes. Durante más de una década, solo empresas como Facebook, Apple, Amazon, Netflix y Google estaban en condiciones de aprovechar la recopilación de datos a gran escala. Para estas empresas, los datos son el producto principal e inherente a su propuesta de valor, por lo que invirtieron desde el principio en equipos de inteligencia artificial, servidores, infraestructura de red y más.

Más recientemente, las plataformas de computación en la nube, las mejoras en las herramientas de IA y la democratización de los modelos de aprendizaje automático han puesto las capacidades avanzadas de datos al alcance de más empresas. A finales de 2021, más de la mitad de todas las empresas habían adoptado la IA en al menos una función comercial, y más de una cuarta parte de todas las empresas reportaron que al menos el 5% de sus ganancias antes de intereses, impuestos, depreciación y amortización, o EBITDA, fueron atribuible a la adopción de IA.

Con las herramientas de IA, las empresas no tecnológicas pueden usar los datos que ya tienen para mejorar las ventas, la logística y las operaciones. He aquí cómo optimizar sus datos y usarlos estratégicamente para obtener ganancias a largo plazo y una ventaja competitiva.

1. Infórmese sobre el uso de datos. El primer paso es comprender qué datos ya tiene. Haga un inventario de sus procesos de negocio. Pregunte:

— ¿Qué registra y graba la empresa?

— ¿Qué no registramos y por qué no?

— ¿Qué información estamos tirando y que podríamos conservar?

Luego, observe las formas en que otras empresas almacenan y utilizan datos similares para mejorar sus funciones comerciales. Por ejemplo, ¿están creando algoritmos de aprendizaje automático para descubrir qué argumentos de venta funcionan mejor y capacitando a sus representantes en función de lo que encuentran? ¿Qué pasa con la cadena de suministro y los datos de logística? ¿Otras empresas utilizan esos datos para crear programas de optimización que enruten el inventario de manera más efectiva?

2. Copie y pegue. Estudie cómo las más recientes empresas tecnológicas obtienen valor de los datos. Estas empresas pueden ofrecer una hoja de ruta para el uso de datos al ayudar a los líderes a comprender cómo las personas que trabajan con datos como su actividad principal están monetizándolos. Considere involucrar a las empresas emergentes en etapa inicial con contratos de prueba de concepto o crear acuerdos de intercambio de datos con empresas emergentes en etapa inicial, para comprender cómo están innovando.

3. Compre, no construya. Siempre que sea posible, usted debería comprar, en lugar de construir, las herramientas que necesita para estructurar y administrar datos. Construir internamente estas herramientas ralentizará el desarrollo de su modelo de aprendizaje automático, y ese es el producto que le ahorrará dinero y lo ayudará a mantenerse por delante de la competencia.

4. Comience a construir un foso de datos. Recopilar grandes cantidades de datos dentro de las funciones comerciales normales puede ayudar a las empresas a comenzar a construir un foso de datos estructurales que pueden utilizar para actividades que generan un mayor valor. Eventualmente, este foso podría llegar a ser tan grande que sea demasiado ancho para que otras empresas lo crucen, por lo que los datos le proporcionarán una ventaja competitiva.

No tire sus datos. Recopile y almacene sus datos para que pueda usarlos para cumplir objetivos comerciales futuros o monetizarlos más adelante.

Las empresas deben aprender cómo usar estratégicamente estas nuevas y poderosas herramientas de IA y aprendizaje automático, y cómo pensar en los datos que las impulsan. Ahí es donde encontrará la ventaja competitiva de la inteligencia artificial.

L

a capacidad de la inteligencia artificial para resolver problemas complejos depende de varios factores que pueden mejorar o dificultar su eficacia. Entre las consideraciones más críticas se encuentran la disponibilidad de datos de alta calidad, el alcance de las posibles soluciones al problema, la claridad del objetivo que se desea alcanzar y la necesidad de adaptarse a sistemas en constante cambio. Cuando estos elementos faltan o están mal definidos, presentan desafíos que requieren enfoques innovadores para superarlos.

1. Escasez de datos de alta calidad

Los datos son la entrada más importante de cualquier modelo de IA, pero con demasiada frecuencia, se presta más atención al tamaño de los datos que a su calidad. Si bien las tendencias actuales con modelos de lenguaje de gran tamaño sugieren que una cantidad cada vez mayor de datos es la clave para obtener modelos y resultados de mayor calidad, sigue siendo una cuestión de investigación abierta si esto seguirá siendo así.

Se ha demostrado que los datos de alta calidad son igual de importantes, si no más, que las grandes cantidades de datos. En determinados casos, si se dispone de un conjunto de datos relativamente pequeño (pero de gran calidad) como punto de partida, se puede aumentar cuidadosamente el número de puntos de datos generando datos sintéticos.

2. Demasiadas soluciones potenciales

Cuando un problema tiene demasiadas posibles soluciones, resolverlo mediante métodos de fuerza bruta (probando exhaustivamente todas las combinaciones) se vuelve poco práctico. Históricamente, este tipo de problemas se ha abordado utilizando heurísticas: reglas simples diseñadas para proporcionar soluciones “lo suficientemente buenas” para la mayoría de los escenarios, aunque rara vez sean óptimas.

La IA ofrece una alternativa prometedora para manejar la complejidad de los problemas con innumerables soluciones potenciales. Sin embargo, a medida que aumenta el número de posibles soluciones, también lo hace el desafío de verificar su calidad.

3. La falta de un objetivo claro y medible

Un objetivo, o función de recompensa, es la meta o resultado que el modelo de IA intenta alcanzar. En otras palabras, se trata de hacerle la pregunta correcta al sistema. Formular lo que usted desea que el modelo haga es una de las partes más difíciles de cualquier sistema de aprendizaje automático. Los juegos como el ajedrez tienen un objetivo claro y medible, como una puntuación o un conjunto de reglas para determinar al ganador, y las iteraciones sin costo permiten que la IA aprenda rápidamente.

Pero en el mundo real, que a menudo es complejo y caótico, no existe una métrica sencilla que podamos utilizar para medir el progreso. Sin un objetivo claro y medible, puede ser difícil definir qué significa que el modelo sea “bueno”. Cuanto más ambiguo sea el objetivo, peor será el rendimiento del modelo.

4. Cuando lo “bueno” no puede codificarse

Los problemas que enfrentan las organizaciones rara vez son estáticos. Combinado con la dificultad de identificar fácilmente si una solución propuesta es buena, la IA corre el riesgo de ofrecer soluciones que se desvíen progresivamente de la respuesta óptima. Una técnica cada vez más adoptada para superar este desafío es el aprendizaje por refuerzo con retroalimentación humana (RLHF, por sus siglas en inglés).

Esta técnica (que incluye a los humanos en el proceso) permite que el modelo aprenda e incorpore conocimientos humanos fuera de los datos. El RLHF es particularmente útil en situaciones donde es difícil codificar una solución algorítmica clara, pero donde los humanos pueden juzgar intuitivamente la calidad de los resultados del modelo.

Un camino equilibrado hacia adelante

A medida que la IA continúa evolucionando, es necesario que las organizaciones aborden su implementación de manera reflexiva.

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.

L

a inteligencia artificial está generando avances impresionantes para muchas empresas: automatiza el servicio al cliente, optimiza las cadenas de suministro y potencia el marketing. Sin embargo, aunque este progreso incremental es valioso, no prepara a las empresas para las grandes olas de disrupción impulsadas por la IA que se avecinan.

Los riesgos y costos de oportunidad de centrarse únicamente en el incrementalismo están bien documentados. La revolución digital que cobró impulso a finales de la década de 1990 es un ejemplo de advertencia. Las cadenas hoteleras digitalizaron sus operaciones e interfaces con los clientes, pero cedieron valor a nuevos competidores con modelos de negocio que daban prioridad a lo digital, como las agencias de viajes en línea y las plataformas de alojamiento y experiencias entre particulares. Las empresas de medios tradicionales digitalizaron su contenido, pero perdieron audiencia e ingresos publicitarios frente a las redes sociales, que transformaron la forma de crear, compartir, interactuar y monetizar los contenidos.

Con la IA avanzando más rápido que cualquier otro cambio tecnológico anterior, hoy en día los riesgos son aún mayores. Las empresas que se limiten a un enfoque incremental de la IA caso por caso corren el riesgo de quedarse rezagadas a medida que sus competidores redefinen rápidamente las industrias.

Un enfoque estratégico que combine dos caminos paralelos ofrece una solución viable. La «transformación A» aprovecha la IA para optimizar el modelo de negocio actual, refinando procesos, reduciendo costos y mejorando la experiencia del cliente. La «transformación B» crea nuevos modelos de negocio impulsados por IA, desbloqueando oportunidades y redefiniendo los mercados. Cada una de estas transformaciones sigue una estructura diferente. La transformación A se implementa dentro de la organización existente, aprovechando las capacidades establecidas y siguiendo los procesos tradicionales de presupuestación anual diseñados para ejecutar y mejorar continuamente un modelo de negocio predecible. La transformación B, en cambio, se beneficia de una estructura separada, similar a una empresa emergente, con talento emprendedor y una cultura diferenciada, además de métricas de éxito y financiamiento enfocados en el descubrimiento y desarrollo de nuevos motores de crecimiento.

Existen pasos prácticos que los líderes pueden seguir para superar los obstáculos y llevar a cabo una transformación dual de manera efectiva. A continuación, exploraremos cómo las empresas líderes están aprovechando tres enfoques clave para impulsar sus propias transformaciones con IA.

1. Llevar a cabo la planificación de escenarios para anticipar cambios disruptivos

La IA avanza a una velocidad sin precedentes, lo que significa que las organizaciones que no logren anticiparse a las disrupciones corren el riesgo de ser sorprendidas por la competencia. La planificación de escenarios permite a los líderes explorar múltiples futuros posibles, poner a prueba sus estrategias actuales e identificar oportunidades emergentes antes de que se conviertan en tendencias dominantes.

Una importante aerolínea llevó a cabo un extenso ejercicio de planificación de escenarios para explorar cómo las tecnologías emergentes (como el aprendizaje automático, la IA generativa, la visión por computadora y la robótica avanzada) podrían transformar su modelo de negocio y la industria de viajes en general. Al analizar diversos escenarios futuros, la aerolínea buscaba anticiparse a las necesidades de los clientes, identificar oportunidades operativas y detectar posibles disrupciones en los próximos años.

El proceso comenzó con un análisis de las partes interesadas y del ecosistema, identificando las necesidades de clientes, reguladores y socios, como aeropuertos y control del tráfico aéreo, al tiempo que se consideraban las restricciones que estos grupos podrían imponer a la adopción de la IA. Las evaluaciones tecnológicas analizaron la madurez y escalabilidad de las soluciones de IA para definir qué aplicaciones estaban listas para implementarse a corto plazo y cuáles requerían inversiones a largo plazo. El equipo también analizó las innovaciones en industrias adyacentes y no relacionadas para detectar señales tempranas de cambio.

Esto se complementó con un proceso de ideación centrado en la «posibilidad», en el que la aerolínea imaginó cómo la IA podría redefinir la productividad, la eficiencia operativa y la experiencia del cliente, desde la optimización de rutas hasta la personalización de servicios.

Los hallazgos revelaron dos caminos claros de transformación. Para el negocio principal (transformación A), la aerolínea priorizó los casos de uso de IA con impacto inmediato, respaldados por tecnologías como el mantenimiento predictivo, los chatbots de IA generativa y la visión por computadora para mejorar los servicios de asistencia en tierra. Al mismo tiempo, la aerolínea desarrolló una innovación en su modelo de negocio (transformación B) mediante el desarrollo de agentes de viaje inteligentes impulsados por IA, capaces de planificar y reservar itinerarios personalizados en vuelos, hoteles y experiencias, lo que le permitió generar ingresos a través de comisiones en todo el ecosistema de viajes.

2. Alinear el liderazgo con el potencial transformador de la IA

Establecer una visión compartida en el liderazgo es fundamental para la transformación de la IA. Sin ella, las empresas corren el riesgo de fragmentarse: algunos líderes avanzan, otros dudan y el impulso se ralentiza. Aunque la verdadera alineación es un proceso que consta de varias etapas, realizar un ejercicio de alineación del liderazgo puede acelerar el proceso al revelar diferentes puntos de vista, fortalecer la convicción y definir una dirección clara.

En una empresa de tecnología industrial de la lista Fortune 500, el equipo directivo tenía perspectivas muy diferentes sobre la IA. Algunos la consideraban transformadora y vislumbraban un futuro en el que las cámaras con IA sustituirían a los costosos y sofisticados sensores de sus productos de medición. Otros se mostraban escépticos, tachando a la IA como una «moda pasajera» que distraía la atención de las prioridades del negocio. Un tercer grupo se mostraba curioso pero inseguro, luchando por comprender su verdadero potencial y sus implicaciones.

Estas diferencias plantearon cuestiones críticas sobre el verdadero potencial de la IA, la rapidez con la que la empresa debería actuar y las áreas en las que debía enfocarse. Para alinear las perspectivas y fortalecer la convicción, los 50 principales ejecutivos de la empresa se reunieron en una sesión estratégica de medio día dedicada a la IA.

La reunión dejó en claro la necesidad de actuar con urgencia tanto en las operaciones centrales como en las nuevas áreas de crecimiento. Al finalizar la sesión, los ejecutivos se alinearon en una serie de proyectos piloto «faro» diseñados como prototipos para una adopción más amplia, marcando un punto de inflexión significativo en la estrategia de IA de la compañía. También crearon un centro de capacidades para proporcionar los procesos, recursos y gobernanza necesarios para ampliar la IA. Este centro apoya el desarrollo de estrategias y casos de uso, al tiempo que colabora con los grupos de productos para dotar de recursos y avanzar en los proyectos piloto de transformación (A y B).

Para la transformación A, el liderazgo se comprometió a implementar soluciones impulsadas por IA en su centro de contacto para mejorar la eficiencia de las ventas y la interacción con los clientes. Para la transformación B, priorizaron el desarrollo de sensores definidos por software impulsados por IA, lo que cambiaría el modelo de negocio de la empresa de la venta de hardware a la venta de software.

3. Convertir las capacidades internas en oportunidades de mercado

Construir nuevos modelos de negocio impulsados por IA es un reto, pero las empresas no tienen que empezar desde cero. Al aprovechar su experiencia, datos e infraestructura interna, pueden expandir la IA más allá de sus propias operaciones, convirtiendo las capacidades internas en ventajas competitivas en nuevos mercados.

Para Shell, la IA no era solo una herramienta de eficiencia, sino una prioridad estratégica. El liderazgo se comprometió a integrarla en todas sus operaciones globales, centralizando recursos, infraestructura y talento para coordinar más de 100 aplicaciones desarrolladas y destinar sus inversiones en las oportunidades de mayor impacto dentro de su transformación A.

Más allá del ahorro de costos, cada implementación amplió el alcance y la profundidad de sus datos, mejoró la capacidad predictiva de la IA y fortaleció su base para futuras aplicaciones. Por ejemplo, cada solución de mantenimiento predictivo recién implementada generó flujos continuos de datos sobre el rendimiento de los equipos, lo que permitió ampliar los conocimientos y potenciar nuevas aplicaciones basadas en IA.

Sobre esta base, Shell colaboró con C3 AI, Microsoft y Baker Hughes para lanzar la Open AI Energy Initiative, una plataforma diseñada para establecer estándares en la industria y comercializar soluciones impulsadas por IA. Este esfuerzo fue un elemento clave en la transformación B, ya que la empresa buscó aprovechar las capacidades internas de IA para obtener una ventaja competitiva en nuevos mercados.

La IA está reescribiendo las reglas de la competencia, presentando tanto oportunidades extraordinarias como desafíos existenciales. Para las empresas establecidas, el camino a seguir no siempre es claro, pero al adoptar una transformación dual, pueden fortalecer sus operaciones actuales mientras dan pasos audaces para prosperar en esta nueva era.

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.