3 formas en que la IA puede liberar a las organizaciones de flujos de trabajo heredados

A

continuación, describimos tres limitaciones organizacionales que surgen cuando los equipos ejecutivos tienen dificultades para dejar atrás el pasado. También ofrecemos ejemplos de cómo puede utilizar la IA para renovar las prácticas de su organización con miras a un futuro más competitivo, así como para presentar argumentos objetivos a favor del cambio.

1. Indicadores de rendimiento que distorsionan las prioridades

Aferrarse a indicadores obsoletos lleva a las empresas a asignar mal sus recursos, recompensar los comportamientos inadecuados y perder de vista los factores de desempeño actuales que realmente impulsan el éxito organizacional.

Tomemos el caso de una cadena minorista nacional del Reino Unido que estudiamos (a la que llamaremos Whitford & Co.). Se trata de una cooperativa de consumo propiedad de sus socios, conocida principalmente por sus tiendas de alimentos. Sus ventas se estaban estancando, los márgenes se reducían y la pérdida de clientes iba en aumento. Por costumbre, el personal seguía aferrándose a KPIs heredados con los que ya estaban familiarizados.

Cómo ayudó la IA: Iniciativa de revisión de indicadores

Uno de los principales obstáculos en un programa de “desaprendizaje organizacional” es la complejidad. Para identificar cuáles de sus indicadores heredados seguían siendo relevantes y cuáles ya no, Whitford & Co implementó dos plataformas de análisis impulsadas por IA para hacer lo que los analistas humanos no podían: analizar simultáneamente datos de transacciones de clientes, registros de interacciones digitales y datos operativos.

La IA procesó miles de puntos de datos y reveló que muchos de los indicadores más destacados no tenían una correlación sólida con la retención de clientes ni con la rentabilidad del negocio.

En un periodo de tres meses, la división minorista eliminó con éxito siete de sus 12 KPIs heredados, incluidos la conversión de ventas en tienda y las tasas de relación entre el número de clientes y consultas. En su lugar, la empresa adoptó indicadores relacionados con el comportamiento, como las tasas de finalización de recorridos multicanal y las puntuaciones de esfuerzo del cliente.

2. Identidades empresariales que confunden al mercado

Las identidades corporativas y el posicionamiento de marca que en algún momento fueron activos pueden convertirse en pasivos. Pensemos en la empresa estadounidense de software que estudiamos (a la que llamaremos FengSys). Esta compañía desarrolla plataformas de integración y análisis de datos para clientes del sector público y privado. A principios de la década de 2010, construyó su marca en torno al lema “los datos son lo primero”.

Sin embargo, con el tiempo, las expectativas de los clientes cambiaron. Ya no les impresionaba el concepto de “los datos son lo primero. Daban por sentado que la capacidad de trabajar con datos ya debía existir y ahora buscaban socios capaces de demostrar resultados de negocio: decisiones más rápidas, menor riesgo operativo y un retorno medible de la inversión en tecnología.

Cómo ayudó la IA: Depuración lingüística estratégica

El problema de “desaprendizaje organizacional” de FengSys requería que la IA reconociera primero los patrones, específicamente el laberinto oculto de contradicciones incrustadas en miles de documentos que ningún revisor humano podría detectar de forma confiable, dentro del presupuesto y a gran escala.

Dado que el personal interno estaba demasiado involucrado con la historia de la empresa como para percibir claramente las inconsistencias, la compañía trabajó con una consultora externa especializada. Esta firma implementó un modelo basado en GPT-4 configurado específicamente con la propia biblioteca documental de la empresa, para analizar miles de páginas de presentaciones comerciales, propuestas y comunicaciones con clientes.

¿El resultado? Como explicó Leonor, vicepresidenta de marketing: “Esto nos dio una visión objetiva y basada en la evidencia del problema, una que ningún defensor interno podía cuestionar ni desviar.”

3. Mitos sobre los clientes que distorsionan la estrategia

Una firma global de servicios financieros que estudiamos (a la que llamaremos SuboBank) seguía aferrándose a la creencia de que “los clientes mayores evitan la banca móvil”.

Aunque los datos externos sugerían que los jubilados ahora constituyen uno de los grupos de usuarios de aplicaciones móviles con mayor crecimiento, la idea de que eran rezagados tecnológicos era difícil de abandonar. SuboBank operaba bajo una única suposición profundamente arraigada que nunca había sido contrastada de forma sistemática con el comportamiento real de los clientes.

Cómo ayudó la IA: Desmentir mitos mediante evidencia conductual

Para desentrañar esta creencia arraigada, la dirección configuró IBM Watson Analytics para integrar y cruzar simultáneamente tres flujos de datos en tiempo real: 1) registros de comportamiento dentro de la aplicación, que rastreaban cómo los clientes de todas las edades utilizaban realmente la plataforma móvil de SuboBank; 2) datos sobre la opinión de los clientes extraídos de interacciones con el servicio de atención al cliente, respuestas a encuestas y registros de quejas; y 3) datos demográficos externos sobre las tendencias de adopción móvil entre clientes de 60 años o más.

Cada vez que el comportamiento real contradecía lo que asumía la documentación interna, el sistema lo señalaba. A medida que los gerentes y líderes sénior revisaban los reportes de comportamiento generados por la IA, tomaban sus propias decisiones sobre qué cambios de diseño debían priorizarse.