A

provechando los avances en la detección de emociones, el procesamiento del lenguaje natural y la visión por computadora, y combinándolo con la psicología y la lingüística, los algoritmos de IA han mejorado en la detección, análisis y procesamiento de cómo el tono, la expresión facial, el contacto visual, el lenguaje corporal y docenas de otras características de comunicación verbal y no verbal influyen en la comunicación.

Desde que Peter Salvoy y John Mayer definieron por primera vez la inteligencia emocional como “un tipo de inteligencia social que implica la capacidad de monitorear las emociones propias y ajenas, de discriminar entre ellas y de utilizar esta información para guiar el pensamiento y las acciones propias”, investigadores y empresas han tratado de desmitificar el arte de ser una “persona con don de gentes”. Los datos han demostrado que la inteligencia emocional es un fuerte predictor del éxito profesional.

Al permitir que la IA acceda a las conversaciones de sus clientes (ya sea de voz, vídeo o texto) esta puede tomar datos complejos y a menudo desconcertantes y encontrar patrones de comunicación efectiva que no son aparentes a simple vista.

El bucle de retroalimentación de la IA

Ya que las interacciones con los clientes son tan importantes, el campo de éxito del cliente ha sido un terreno fértil para establecer un bucle de retroalimentación de IA de 360 grados: información sobre el estado emocional de los clientes se proporciona antes, durante y después de una interacción con ellos.

— Antes de una interacción con el cliente: Si ha hablado con un cliente antes, Cyrano.AI ha patentado tecnología que analiza conversaciones anteriores para crear un perfil del cliente. Dicho perfil podría incluir el estilo de comunicación del cliente, las prioridades u objetivos identificables e incluso los niveles de compromiso mostrados en la última conversación. Si observa los momentos emocionales de la llamada y cómo impulsan la motivación, podría ajustar su presentación con base en el tipo de personalidad de su cliente y ver cómo responde.

— Durante una interacción con el cliente: Los líderes de servicio al cliente y éxito de clientes pueden obtener retroalimentación y consejos en tiempo real para cerrar mejor un trato, manejar objeciones o empatizar con los clientes descontentos en tiempo real. Cresta, por ejemplo, usa IA para dar a los trabajadores de los centros de llamadas retroalimentación en tiempo real a través de mensajes de texto, de forma que sepan qué decirle a los clientes en las situaciones más comunes. Si un cliente tiene una objeción, la tecnología ofrece un aviso paso a paso para ayudar a los representantes a superarla. ¿Un cliente infeliz? La tecnología proporciona frases o palabras para calmar al cliente.

— Tras una interacción con el cliente: La interacción post-cliente de insights es donde radica el poder real, porque la IA puede leer conversaciones pasadas con el cliente y proporcionar retroalimentación para mejorar. Como un ciclo virtuoso, cuanto más se utiliza la IA, mejor se vuelve la retroalimentación.

Reciprocity, una plataforma líder de riesgos y cumplimiento con sede en San Francisco, permite exactamente ese escenario para su equipo de gestión de éxito de clientes como parte de sus herramientas tecnológicas. Mientras que sus reuniones con los clientes se registran en Gong, el equipo analiza esas llamadas con una plataforma de inteligencia conversacional y emocional, que proporciona no solo un perfil de personalidad de las partes interesadas del cliente con base en conversaciones pasadas, sino que utiliza la generación de lenguaje natural para asesorar a los gestores de éxito del cliente sobre cómo trabajar con personas específicas. El software también puede emparejar a los gestores de éxito del cliente con las partes interesadas del cliente en función de su similitud en personalidad y estilo de comunicación, lo que reduce la fricción en el proceso de compra o de ampliación de ventas y permite que las personas enfocadas en el cliente se comuniquen de forma más auténtica y eficaz.

Las empresas son sabias al explorar soluciones de IA que pueden ayudar a que sus equipos sean más inteligentes emocionalmente, y mejores comunicadores. Aunque la tecnología dista de ser perfecta, cada día es más inteligente, conforme las plataformas aumentan en datos, escala y sofisticación. La tecnología está disponible para hacer que nuestros equipos sean más inteligentes emocionalmente y las empresas se vuelvan más exitosas y rentables.

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.