E

n la década de 1930, los ejecutivos del sistema Bell se dieron cuenta de que el creciente uso de los teléfonos pronto crearía desafíos de red tan complejos que sobrepasarían la capacidad de los interruptores mecánicos para mantenerse al día. Así que lanzaron una iniciativa para crear los transistores como una alternativa más rápida y mucho más barata.

A partir de la década de 1960, con la idea de la “oficina sin papel”, ha habido esfuerzos similares para abordar los retos relacionados con el flujo masivo de documentos en las organizaciones. La digitalización mejoró significativamente nuestra capacidad para gestionar ese flujo cada vez mayor, pero todavía hay una gran cantidad de papel circulando dentro y entre las organizaciones, y los documentos electrónicos siguen siendo, en gran medida, producidos, editados y procesados por personas. La promesa de la IA, especialmente de los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés), es que pueden hacerse cargo de esas tareas.

Para comprender cómo podría suceder esto en la práctica, dos de nosotros (Peter Cappelli y Valery Yakubovich) estudiamos una iniciativa de una gran compañía de seguros médicos estadounidense que introdujo IA para procesar la organización de documentos y la extracción de información de los mismos como primer paso en el proceso de reembolso, en el otoño de 2024. Para obtener el permiso, tuvimos que comprometernos a no identificar a la aseguradora. El trabajo real de procesamiento de documentos se realizaba en las instalaciones por un proveedor, Ricoh, una empresa de servicios digitales que desempeñó el papel principal en el esfuerzo de implementación de IA. Dos de nosotros (Braj Thakur y Ashok Shenoy) participamos activamente en ese proyecto. Esta empresa no utilizaba la IA para tomar decisiones sobre la aprobación o denegación de las reclamaciones.

Estas son las lecciones generalizables que obtuvimos de este esfuerzo.

1. El objetivo no debe ser la automatización, sino realizar el trabajo de una manera rentable.

Actualmente existe una amplia gama de herramientas basadas en LLM disponibles, con diferentes capacidades, algunas de ellas muy sofisticadas. El equipo de desarrollo descubrió que una de las herramientas más avanzadas podía realizar una buena labor de extracción y clasificación. Sin embargo, resultó ser tan costosa que hacía inviable la solución.

Para reducir costos, el equipo decidió usar el modelo Claude LLM de Anthropic, pero los cargos de Amazon Web Services (AWS), el proveedor de servicios en la nube que ofrecía las herramientas necesarias, resultaron ser demasiado altos debido a los costos de almacenamiento y potencia de cómputo. En resumen, incluso un LLM eficiente no sirve si no es más barato que aquello que pretende reemplazar.

Otro intento consistió en enviar al modelo de IA generativa aquellos documentos que no habían sido clasificados o cuyos datos no habían sido extraídos correctamente, en lugar de devolverlos a los empleados. Un hallazgo importante fue una herramienta que capturaba campos a lo largo de múltiples páginas de un documento, pero los procesaba como una sola imagen, lo que reducía considerablemente los costos (que se calculan por imagen). Los documentos que no se procesaban con precisión se enviaban para una última revisión a una herramienta de IA más costosa.

Finalmente, algunos documentos aún tenían que enviarse a los indexadores para ser retrabajados (2.7% en comparación con casi el 90% antes de cualquier intervención), un enfoque conocido como “intervención humana”. Sin embargo, para identificar este pequeño número de errores, los indexadores debían revisar el 27% de los documentos en los que el modelo de IA generativa tenía menos del 97% de confianza en su clasificación.

En conjunto, la productividad aumentó tres veces, y el volumen máximo diario pasó de 10,000 a 30,000 documentos. El tiempo promedio por documento para un indexador ahora representaba solo el 10% del nivel previo, y el total de documentos procesados por día se triplicó.

2. Una aplicación exitosa de IA puede no significar menos empleos.

Como resultado del proceso asistido por IA, el número de indexadores solo se redujo aproximadamente un 20%. Ahora que la función procesa un volumen mucho mayor de apelaciones y quejas, su plantilla es casi la misma que antes del cambio. Esto contradice la suposición de muchos entusiastas de la automatización de que los ahorros al adoptar IA provienen de recortes o eliminaciones totales de personal.

El objetivo debe ser el resultado final (calidad, costo, eficiencia), no la reducción de la fuerza laboral en sí misma. Resultó que los empleados seguían siendo necesarios en la función de reclamaciones, aunque no para la tarea repetitiva de ingreso inicial de datos. Eran necesarios para resolver problemas que incluso las herramientas de IA más avanzadas no podían manejar, como datos faltantes o ilegibles, formularios nuevos con formatos diferentes que la lógica difusa y los modelos generativos no podían procesar, y otras particularidades.

Este nuevo proceso impulsado por IA también creó una nueva tarea humana: el control de calidad, que consiste en muestrear y revisar los resultados del sistema. Esto es especialmente necesario porque el formato en el que llegan los datos cambia constantemente entre la amplia gama de proveedores y clientes que los envían, lo que plantea desafíos de ejecución y calidad.

3. La IA puede hacer que los empleados se enfoquen en trabajos de mayor valor.

Las mejoras en la calidad de los datos, a medida que los documentos pasaban del manejo inicial y la entrada de datos a las etapas más sustantivas del procesamiento de reclamaciones de seguros, ahorraron una enorme cantidad de tiempo y esfuerzo más adelante. El trabajo de los indexadores cambió de las tareas repetitivas de ingreso de datos (que resultaban tan aburridas) a la tarea más interesante de detectar errores y encontrar soluciones. Este cambio redujo la rotación de personal y mejoró la satisfacción laboral. La empresa descubrió que cuanto más experimentados eran los indexadores, mejor eran para encontrar y corregir errores.

4. Los ahorros provienen de los aumentos de escala que se hacen posibles gracias a una mayor productividad y calidad.

Los ahorros provinieron de dos factores. El primero, el aumento de escala: el sistema ahora procesa aproximadamente tres veces más documentos por indexador. El segundo, la calidad: menos errores en el procesamiento de reclamaciones, lo que reduce los costos operativos en otras áreas. El número de apelaciones, quejas y solicitudes de seguimiento sigue creciendo, pero no el número de empleados, por lo que los ahorros provienen de distribuir los costos operativos entre más documentos procesados.

5. Involucrar a los empleados que han desempeñado la función en el proyecto de IA es esencial.

La integración exitosa de la IA en los procesos laborales requiere sin duda la ayuda de expertos que ya hayan hecho esto antes, pero trabajar con los empleados directamente involucrados también es esencial. Incluso con la participación de ocho científicos de datos, analistas y expertos en automatización con experiencia, la implementación descrita en este artículo estuvo lejos de estar “lista para usarse”. Entrenar las herramientas de lógica difusa y de IA requirió coordinación con lo que los indexadores veían realmente en los documentos que llegaban. Fueron necesarias dos iteraciones en un periodo de tres meses para lograr que el sistema funcionara correctamente.

La lección duradera de las innovaciones tecnológicas, incluida la IA generativa, es que las promesas iniciales de ahorros de costos y eliminación de puestos de trabajo suelen superar la realidad. El éxito de la IA generativa no radica en transformar la gestión o en recortar personal, sino en mejorar las tareas de manera rentable.

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.

Las decisiones de admisión a la universidad pueden ser idiosincrásicas y no hay una fórmula precisa para ingresar a la escuela de sus sueños. Aunque la mayoría de las universidades son transparentes en cuanto a que los logros académicos importan, muchas consideran un puñado de otros criterios, incluyendo la participación comunitaria, las actividades extracurriculares, los antecedentes y el carácter. Solicitar admisión a más universidades es una forma relativamente económica y respaldada por la investigación para aumentar sus posibilidades de encontrar una buena opción.

Aún así, algunos obstáculos potenciales pueden acompañar la solicitud a más escuelas. He aquí como los estudiantes pueden superar estas barreras:

— El costo: Aunque cada solicitud adicional cuesta dinero, las escuelas a menudo eliminan la tarifa en los casos en que esta crearía una dificultad financiera. Por ejemplo, Harvard omite la cuota de la solicitud de admisión para los estudiantes que lo necesiten, sin necesidad de documentación adicional. Si los costos de la solicitud universitaria son un problema para un estudiante o su familia, la exención de la tarifa es una opción que deben explorar.

— La apuesta: Los estudiantes también podrían preguntarse si vale la pena correr el riesgo de postularse a escuelas más selectivas. ¿Qué pasa si terminan en una escuela que sea demasiado difícil? ¿Sería mejor que aplicaran solo a las escuelas “de seguridad”? Las investigaciones demuestran que los estudiantes no deberían tener miedo de postularse a universidades selectivas. En un experimento, las economistas Caroline Hoxby y Sarah Turner alentaron a estudiantes de bajos ingresos y alto rendimiento a postularse a universidades más selectivas. Sus hallazgos mostraron que el desempeño académico posterior de los estudiantes en la universidad coincidió con el de los estudiantes que asistieron a escuelas menos selectivas.

Es un error evaluar las escuelas únicamente en función de su selectividad; hay muchos otros factores a considerar, como el plan de estudios, la ubicación y el apoyo social.

— El compromiso de tiempo: Los estudiantes no deberían permitir que los compromisos de tiempo adicionales les impidan postularse a más universidades. Los beneficios futuros (como mejores paquetes de ayuda financiera y un mejor ajuste con la escuela) que resulten de postularse a más escuelas valdrán la pena.

Aunque puede ser tentador omitir los pasos adicionales, yo alentaría a los solicitantes a que piensen mucho sobre los costos y los beneficios. Es fácil confiar demasiado en las posibilidades de entrar en cualquier lugar.

Si bien no existe un “número mágico” de escuelas a las que los estudiantes deberían postularse, las investigaciones muestran que pasar de tres a cuatro solicitudes generó ganancias impresionantes. El College Board sugiere que de cinco a ocho podría ser suficiente. Los beneficios pueden ser mayores para los estudiantes con más incertidumbre (por ejemplo, estudiantes con perfiles académicos difíciles de evaluar).

Los estudiantes deberían recordar que no se trata realmente de elegir un número perfecto. Antes de la etapa de solicitud, deben dedicar algún tiempo a examinar las universidades, para tener una idea de qué escuelas serían adecuadas. No todos los estudiantes necesitan postularse a más universidades. Sin embargo, para la mayoría de los solicitantes que actualmente planean postularse a cuatro universidades o menos, es importante considerar los beneficios potenciales de postularse a algunas universidades más. Una o dos tardes adicionales para completar solicitudes universitarias es un pequeño precio a pagar por una recompensa que puede durar toda la vida.