L

as empresas han invertido miles de millones en IA generativa y en modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés). Algunas incluso ya cuentan con directores de IA (chief AI officers). Pero, a pesar del dinero y el entusiasmo, generar un impacto empresarial sigue siendo claramente un desafío.

Sin embargo, es posible que la IA generativa agregue valor a las empresas. Este artículo ofrece un marco para implementar la IA en la función de ventas, utilizando como estudio de caso a SAP, líder en software de planificación de recursos empresariales (ERP).

Comprender las tendencias del mercado

En los negocios, el valor se crea o se destruye en el mercado con los clientes. En lugar de comenzar con una “estrategia de IA”, primero se debe aclarar qué problemas se quieren resolver o qué oportunidades se desean aprovechar para hacer crecer el negocio. Solo entonces se debe pensar en cómo la IA, o cualquier otra herramienta, puede ayudar.

SAP comenzó examinando el impacto de las tendencias del mercado en su negocio. A medida que los clientes pasaron del software “local” (on premise) a la nube, SAP tuvo que hacer evolucionar su modelo de negocio hacia uno basado en suscripción y lanzó su primera solución SaaS basada en la nube en 2007.

El paso a la nube también abrió una oportunidad para llegar a entre 30 y 40 millones de pequeñas y medianas empresas (pymes). El modelo de suscripción redujo los costos iniciales para las pymes, y ofreció flexibilidad y escalabilidad. Además, los servicios en la nube ofrecieron más oportunidades para que SAP personalizara y distribuyera su software. Sin embargo, SAP aún enfrentaba barreras de marca y costos en su estrategia de comercialización hacia estos clientes. SAP necesitaba un enfoque eficiente para vender a empresas más pequeñas.

Mapear los procesos comerciales

Una vez que una empresa reconoce sus necesidades comerciales cambiantes, debe mapear el proceso de realizar negocios en este nuevo entorno. Se debe comenzar con el recorrido del cliente, porque eso afectará el costo de servicio, las operaciones y otros aspectos del negocio.

SAP mapeó el recorrido del cliente en cinco pasos: cómo los clientes pymes descubren las soluciones de SAP, seleccionan una solución, la adoptan en su organización, obtienen valor de ella y extienden su relación con SAP. La compañía sabía que su modelo de ventas presenciales sería económicamente inviable para clientes más pequeños que realizan compras de menor monto, por lo que buscó maneras de usar herramientas de IA para ayudar a los clientes en cada etapa.

1. Descubrir: El objetivo aquí es alentar a las pymes a explorar las soluciones de SAP para sus necesidades comerciales.

Digital Launchpad, una herramienta de IA, se conecta a una base de datos para crear en cuestión de minutos actividades de captación de clientes personalizadas, específicas para cada sector y totalmente inmersivas. Prospecting Assistant carga listas procedentes de diversas fuentes y analiza la calidad de los clientes potenciales. Una herramienta de inteligencia artificial de análisis de opiniones identifica las preferencias de estos prospectos, como su forma preferida de interactuar. Luego, una herramienta de automatización de campañas toma esta información y crea mensajes personalizados para los clientes potenciales en el tono, formato y estilo que prefieren.

2. Seleccionar: Para los prospectos interesados, la siguiente etapa consiste en construir un caso de negocio. Utilizando la información del cliente potencial y la base de datos de SAP, las herramientas de IA crean un documento de una página sobre el valor para cada prospecto (Value One-Pager), destacando los beneficios clave de una posible solución. Otra herramienta de IA crea demostraciones y recorridos guiados personalizados para que los clientes potenciales experimenten la solución y visualicen su valor.

3. Adoptar: Para ayudar a los clientes a encontrar valor, SAP utiliza una herramienta de IA que crea videos de capacitación con avatares para resaltar las características y beneficios de la solución. Otra herramienta permite a los usuarios subir documentación y utilizar las capacidades de los LLM para realizar preguntas y respuestas interactivas; y una tercera herramienta usa datos internos para ayudar a los empleados a generar contenido para sus correos electrónicos, reuniones y presentaciones.

4. Obtener valor: Para ayudar a los clientes a impulsar la mejora continua, una plataforma de éxito del cliente habilitada con IA consolida datos de clientes de múltiples fuentes para crear páginas de inicio personalizadas con toda la información relevante accesible en un solo lugar. Luego, otra herramienta proporciona sugerencias personalizadas para mejorar el rendimiento.

5. Extender: Para fortalecer y hacer crecer la relación con el cliente, Digital Launchpad identifica nuevos productos de SAP que pueden ser relevantes, y el Value One-Pager presenta un caso de negocio sobre sus beneficios, mientras que una herramienta de IA ayuda a los asesores de soluciones de SAP a responder rápidamente a las preguntas.

Incubación, pilotaje y escalamiento

Sin las herramientas de IA, SAP veía a las pymes como un mercado fragmentado al que no era rentable llegar; con las herramientas de IA, se volvió accesible y rentable. Pero elegir qué herramientas de IA usar entre cientos de opciones disponibles en el mercado no es una tarea fácil.

El hecho de llegar a más de 40 herramientas de IA requirió un proceso sistemático de incubación, pilotaje y escalamiento. Durante dos años, SAP desarrolló cientos de ideas a través de un desafío interno de innovación abierto a 25,000 personas.

La siguiente fase consistió en poner a prueba las ideas prometedoras, identificar problemas u oportunidades de mejora y realizar pruebas para comprender y cuantificar el valor de estas herramientas.

Una vez que la prueba de concepto está clara, es necesario escalar para lograr un impacto empresarial significativo. SAP utilizó un enfoque de plataforma porque proporcionaba un único lugar para introducir y actualizar herramientas e integrar proveedores externos. También permitió a SAP integrar las herramientas de IA con la infraestructura existente de la compañía.

¿Comprar, construir o asociarse para ganar velocidad?

El campo de la IA avanza a un ritmo exponencial, por lo que incluso las empresas con grandes habilidades técnicas suelen buscar asociaciones con aplicaciones de terceros para moverse más rápido.

El equipo digital de SAP reconoció esta necesidad, pero la tradición y el orgullo de la compañía por su calidad de ingeniería generaron un debate interno significativo sobre la asociación frente a la construcción de estas herramientas por cuenta propia. Una vez más, esto requirió un cambio cultural dentro de la empresa. Finalmente, la plataforma digital de SAP utilizó una combinación de herramientas de IA internas y externas. La integración de herramientas de terceros en los sistemas internos supuso otro reto que la empresa tuvo que superar.

Mida y cuantifique el impacto

Una de las tareas más difíciles es aislar, medir y cuantificar el impacto empresarial de las inversiones en IA, especialmente en una organización grande. El beneficio puede presentarse en forma de eficiencias y ahorros de costos, o en la capacidad de capturar nuevas oportunidades. La precisión es menos importante que una aproximación razonable respaldada por evidencia.

SAP creó una línea base al monitorear cuánto tiempo tomaban sus equipos para realizar tareas como llegar a 1,000 prospectos. Luego, midió el tiempo necesario para llegar al mismo número de prospectos utilizando herramientas de IA. Aunque no hubo una diferencia significativa en la tasa de conversión entre los dos enfoques, los equipos de ventas ahorraron casi un 40% de tiempo al emplear modalidades digitales para la prospección.

Adáptese a su contexto

Muchos aspectos del enfoque de SAP se aplican en la mayoría de los contextos empresariales: desde las oportunidades de mercado, pasando por el mapeo del recorrido del cliente, la creación o la asociación para obtener las herramientas adecuadas, la puesta a prueba y el escalamiento de esas herramientas, hasta la medición de su impacto, todos ellos son esenciales para convertir una tecnología prometedora en una realidad empresarial. Sin embargo, otros aspectos deben adaptarse a su contexto.

Sin una buena comprensión de su categoría de producto y de cómo los clientes toman decisiones, usted no sabrá dónde las capacidades de IA pueden marcar una diferencia para su empresa en las interacciones con los clientes, o dónde esas capacidades pueden sustituir eficazmente la publicidad, los canales de venta actuales u otra actividad. Esa comprensión es un asunto de gestión, no de tecnología; pero sin ella, la IA puede convertirse fácilmente en una herramienta en busca de un problema, o simplemente en otro costo más de hacer negocios.

E

n las salas de juntas de todo el mundo, sigue surgiendo una pregunta familiar: ¿Quién debería liderar nuestros esfuerzos en IA?

Es una pregunta razonable. A medida que la IA generativa transforma el panorama empresarial, los líderes, con toda razón, intentan determinar quién está mejor posicionado para guiar a sus empresas a través de esta transición. En respuesta, algunos se han apresurado a nombrar directores de inteligencia artificial (CAIO, por sus siglas en inglés), como si una contratación brillante pudiera desbloquear todo el potencial de la IA.

Pero este enfoque a menudo falla. El CAIO llega con gran alarde. Comienzan los proyectos piloto. Aparecen algunas demostraciones llamativas. ¿Y luego? No pasa mucho. Los proyectos se estancan. Los equipos no los adoptan. El CAIO se marcha. La junta directiva comienza a hacer preguntas difíciles.

No es porque el CAIO no sea inteligente o capaz. Es porque el puesto en sí, al menos en la forma en que se imagina actualmente, está sobrecargado y desalineado. Se parte de la suposición de que una sola persona puede unir innovación y operaciones, supervisar el cumplimiento normativo y la infraestructura, y además ofrecer resultados rápidos en toda la empresa. Esa es una descripción de puesto imposible.

Las empresas que están logrando avances reales están construyendo ecosistemas de líderes involucrados en el viaje de la IA.

La trampa del líder solitario

Con demasiada frecuencia, el CAIO está subordinado al director de tecnología (CTO, por sus siglas en inglés) o aislado en un grupo de estrategia. Se le indica que experimente, que sea audaz, pero también que evite riesgos, que entregue valor inmediato y que garantice una transformación a nivel empresarial. En una firma global de servicios, el líder de IA creó un prototipo prometedor usando un modelo de lenguaje de gran tamaño. Pero el proyecto no prosperó. Las unidades de negocio no se involucraron desde el inicio, nunca se impartió capacitación y la nueva herramienta no se usó.

Incluso en organizaciones mejor alineadas, la presión sobre un solo líder para impulsar la transformación con IA es intensa. La junta directiva quiere que su inversión en IA se traduzca rápidamente en ingresos; el área legal solicita límites claros; operaciones quiere automatización; marketing desea personalización. No es que estas metas sean erróneas. Pero esperar que una sola persona las cumpla todas es preparar el terreno para su fracaso.

Un enfoque de ecosistema

En las empresas donde la IA está echando raíces, el mejor liderazgo es distribuido, con muchos ejecutivos trabajando en sincronía.

Algunos líderes en su ecosistema de IA deben enfocarse en construir. Estos son sus ingenieros, responsables digitales o equipos de producto que experimentan con herramientas generativas. Otros deben centrarse en la integración: el director de operaciones que replantea los flujos de trabajo, el líder de soporte al cliente que reorganiza los equipos para aprovechar los nuevos sistemas de IA. Otros más deben actuar como conectores: el director financiero que vincula las inversiones con los resultados, el asesor legal general que evalúa riesgos, el director ejecutivo que garantiza que la IA esté integrada en la forma en que la organización aprende y se adapta.

Esto no requiere una burocracia compleja. La estructura importa menos que la mentalidad: la IA no es un departamento. Es una capacidad que todo el equipo de liderazgo debe asumir.

El papel crítico del CEO

Entre esos líderes, el CEO desempeña un papel único y fundamental.

El CEO tiene el poder de definir la estrategia, alinear los incentivos y moldear la respuesta cultural de la organización al cambio. La transformación con IA, cuando se hace bien, no se trata de la tecnología en sí. Se trata de los cambios estratégicos y operativos que permite. La estrategia de IA es su estrategia empresarial. Por eso, los CEOs no pueden delegar completamente el liderazgo en IA. Sus palabras y, más importante aún, sus acciones, señalan qué tan en serio se está tomando su empresa la transición y si el futuro incluye un lugar para cada empleado.

Los CEOs más eficaces lideran con participación directa, autenticidad, claridad y una mentalidad de crecimiento.

La autenticidad significa adaptar la adopción de IA a su propia personalidad y fortalezas. Un CEO con perfil técnico podría prototipar nuevos flujos de trabajo y compartir los resultados. Un CEO sin formación técnica podría cocrear nuevos procesos con los constructores internos y mostrar que la IA es para todos, no solo para los expertos.

La participación directa significa estar presente, no solo como patrocinador, sino como un compañero en sesiones de trabajo críticas. Significa involucrarse en proyectos piloto, asistir a hackatones y dar retroalimentación a medida que se realiza el trabajo real.

La claridad y una mentalidad de crecimiento deben definir la forma en que el CEO se comunica. Las políticas deben ser claras. Los mensajes deben ser coherentes. Y el enfoque subyacente debe estar basado en oportunidades. Se trata de ampliar el trabajo, evolucionar los roles y crear espacio para una mayor creatividad y juicio humanos.

¿Quién más debe estar en la mesa?

Comience con un constructor. Alguien curioso, con energía por las posibilidades y dispuesto a probar nuevas ideas, incluso cuando el resultado sea incierto. Podría ser alguien que ya esté dentro de la organización, un responsable de innovación, un líder de producto o un director de ingeniería que experimenta discretamente con herramientas de IA.

Pero ese constructor necesita un socio. Alguien con los pies en la tierra, en el negocio, que entienda dónde se realiza el trabajo, dónde surgen las fricciones y qué vale la pena resolver. Sin alguien que pueda ver los experimentos desde una perspectiva operativa, estos a menudo permanecerán desconectados del impacto real.

Finalmente, necesita un estratega. Alguien que pueda tomar distancia, evaluar qué iniciativas se alinean con los objetivos a largo plazo y administrar los recursos limitados para su mejor uso.

Estos líderes no necesitan tener currículums idénticos. Pero todos deben ser colaborativos. Curiosos. Tener los pies en la tierra, pero estar abiertos a reimaginar cómo funcionan las cosas. Deben tolerar la ambigüedad, pero saber cuándo enfocarse y ejecutar.

Algunos de los campeones de IA más impactantes surgen orgánicamente mediante la exposición práctica más que por selección formal. Hemos observado que muchas organizaciones aún están en etapas tempranas de madurez en IA y carecen de una comprensión práctica de lo que las herramientas actuales pueden lograr de manera realista. Una forma eficaz de cerrar esta brecha es a través de sesiones de ideación con el liderazgo que desmitifiquen los conceptos centrales, muestren ejemplos en vivo y, lo que es más importante, fomenten la experimentación práctica con herramientas como ChatGPT Pro y Claude. Estas primeras interacciones a menudo cambian mentalidades y despiertan un pensamiento más fundamentado y creativo sobre el papel de la IA en el negocio.

Diseñar para la durabilidad

Los esfuerzos en IA se estancan cuando falla la coordinación. Un modelo prometedor puede necesitar nuevos flujos de datos, rediseño de procesos, aportes legales, gestión del cambio y capacitación. Si cada uno de estos elementos está en una parte diferente de la organización, cada uno con su propia hoja de ruta y prioridades, la fricción puede ser fatal.

La clave para una integración sistémica de la IA no es solo la experimentación. Es diseñar un sistema repetible para evaluar, integrar y escalar buenas ideas. Eso significa clarificar roles: quién construye, quién integra, quién decide. Significa implementar infraestructuras ligeras, centros de excelencia, grupos de trabajo y manuales operativos que generen flujo entre departamentos, en lugar de barreras.

También significa evitar varias trampas peligrosas. En particular:

— Ignorar la gestión del cambio. Un candidato que pueda explicar cómo funcionan las redes neuronales, pero no pueda construir una narrativa, negociar riesgos o capacitar a miles de colegas, dejará intacta la resistencia cultural y no logrará un retorno de inversión.

— Acaparar las ideas. Cuando la planificación de la IA se limita a un círculo cerrado, el equipo pierde el conocimiento práctico de los empleados de primera línea.

— Malinterpretar el panorama de riesgos. Elegir a alguien que ignore la ética, la privacidad y la exposición regulatoria puede provocar crisis reputacionales o legales que eclipsen cualquier victoria inicial, erosionando la confianza del equipo ejecutivo y de la junta en todo el programa.

Lidere en conjunto, o no lidere en absoluto

Es tentador creer que la contratación adecuada desbloqueará la IA. Pero la IA no es una actuación en solitario. Ni siquiera es un dueto. Es un cambio a nivel empresarial que toca todas las funciones.

E

n una empresa minorista de la lista Fortune 500, la dirección proporcionó a un equipo responsable de redactar contratos de negociación con proveedores una herramienta de IA diseñada para agilizar su trabajo. Impulsada por un modelo de lenguaje de gran tamaño (LLM, por sus siglas en inglés) ampliamente utilizado, la dirección esperaba que la herramienta acelerara el trabajo del equipo. Sin embargo, a pesar de las altas expectativas, la producción del equipo no cambió. Aunque la herramienta podía generar texto genérico (por ejemplo, un borrador inicial de un contrato), el equipo tenía que personalizar ese texto para cada proveedor.

Esta historia refleja un patrón de cómo las herramientas de IA no cumplen con sus promesas. En una encuesta reciente que realizamos a 30 empresas de diversos sectores, los encuestados informaron que las herramientas genéricas de IA a menudo no ayudan a los usuarios a completar las tareas específicas requeridas en flujos de trabajo únicos, porque son genéricas.

Esta brecha entre las capacidades genéricas de la IA y las necesidades específicas y cambiantes de los equipos apunta a un desafío más profundo: las herramientas actuales no están diseñadas para comprender cómo se realiza realmente el trabajo. En este artículo, ofrecemos dos conceptos clave que pueden ayudar a cerrar esa brecha: los “gráficos de trabajo” (mapas digitales de cómo trabajan los equipos) y la “localización mecanicista inversa” (adaptación de los modelos de IA a los equipos). Estas ideas ayudan a explicar por qué la IA tradicional a menudo se queda corta y cómo las organizaciones pueden diseñar sistemas de IA que se adapten a flujos de trabajo, usuarios y contextos reales.

Por qué la herramienta de IA no creaba valor

Considere este problema en el contexto de un proceso particular ejecutado por el equipo de contratos. Tradicionalmente, al redactar un nuevo contrato para un proveedor, el equipo:

— Iniciaba sesión en múltiples sistemas.

— Recuperaba, analizaba y verificaba los detalles del proveedor.

— Revisaba las cotizaciones del proveedor y los términos de negociación de proveedores similares (o relacionados).

— Examinaba cualquier historial de pedidos relevante del proveedor.

— Redactaba manualmente un contrato que incorporara todos estos elementos.

Cuando el equipo de contratos adoptó por primera vez la herramienta de IA, su proceso comenzaba generando un contrato básico y genérico. A partir de ahí, dedicaban una cantidad considerable de tiempo a perfeccionarlo manualmente. Los resultados de la herramienta de IA se basaban en gran medida en contenidos públicos de Internet y carecían de los matices y el contexto específicos necesarios para sus contratos. Aunque el equipo consideró que la herramienta de IA era interesante, le resultaba difícil ver un impacto real en términos de reducción de esfuerzo.

Este es un ejemplo de la “paradoja de la productividad” de la IA en acción: una tecnología increíble que, sin una profunda adaptación contextual, no se traduce en mejoras tangibles de productividad.

Los modelos de IA potentes destacan porque están entrenados con grandes conjuntos de datos genéricos, pero su universalidad es un arma de doble filo. Si bien estos modelos pueden realizar una amplia gama de tareas, a menudo pasan por alto el contexto único de flujos de trabajo específicos y las necesidades particulares de los equipos, lo que lleva a una pérdida de ganancias en productividad.

El contexto lo es todo

Mientras la empresa experimentaba con esta IA, también trabajaba en lo que se convertiría en una solución a ese problema del contexto mediante la implementación de herramientas para mapear sus procesos y crear un gráfico de trabajo: una vista dinámica en tiempo real de cómo los equipos ejecutan sus flujos de trabajo en todos los sistemas. Estos mapas capturaban más que solo tareas: revelaban cómo se tomaban las decisiones, qué datos se consultaban y qué sistemas estaban involucrados.

Y aquí es donde surgió la verdadera oportunidad: el gráfico de trabajo (que incluía dos meses de actividad verificada y rica en contexto) podía utilizarse para entrenar la herramienta de IA. Debido a que capturó todo lo que el equipo consideraba importante, proporcionó a la herramienta de IA un contexto en tiempo real validado por humanos, lo que permitió que la herramienta comenzara a trabajar de una manera alineada con cómo realmente trabajaba el equipo. Con esta información, la herramienta de IA fue capaz de producir un primer borrador significativamente más completo, reduciendo iteraciones y acelerando el camino hacia un contrato final y utilizable.

Sin embargo, para que esto funcionara se requería algo más que los datos correctos: exigía el enfoque correcto. Mientras que la automatización tradicional a menudo busca reemplazar el trabajo humano, el objetivo aquí era personalizar la IA para que trabajara mejor para los equipos, reflejando cómo operan. Para lograrlo, aplicamos un enfoque llamado “localización mecanicista inversa” (RML, por sus siglas en inglés). Para entender cómo funciona una IA, lo habitual es aplicarle ingeniería inversa desde una perspectiva humana. La RML le da la vuelta a esa idea: aplica ingeniería inversa a la forma en que trabajan los humanos, analizando en profundidad los flujos de trabajo, las decisiones y el contexto reales de un equipo, y lo usa para adaptar la IA para servir mejor al equipo.

Los siguientes pasos estuvieron involucrados en la implementación de la RML para el equipo de contratos.

1. Mapear el gráfico de trabajo.

Comenzamos capturando cada paso e interacción humano-máquina que los miembros del equipo de contratos realizaban en su trabajo: cómo recuperaban información sobre un proveedor, cómo realizaban verificaciones cruzadas, cómo integraban manualmente diversas fuentes de datos en archivos de Excel, etc. Estos datos granulares y de alta fidelidad son la esencia del contexto local de un equipo.

Estos datos, en todas las organizaciones, proporcionan los detalles específicos de cómo trabaja realmente un equipo. Cuando este rico tapiz se introduce en la herramienta de IA, le permite transformar un modelo genérico en una herramienta altamente especializada que comprende el lenguaje local del trabajo.

2. Ajustar el gráfico de trabajo.

Una vez que mapeamos el gráfico de trabajo del equipo de contratos, utilizamos sus conocimientos detallados como contexto y lo usamos para ajustar el modelo que impulsa la herramienta de IA. Eso requería alimentar al modelo (bajo la herramienta de IA) con patrones de trabajo y datos (por ejemplo, información de proveedores). Este es el paso clave: integrar el contexto local de un equipo en la herramienta de IA. Al integrar los patrones de trabajo específicos y las señales contextuales de las operaciones diarias del equipo, la herramienta de IA genera un primer borrador del contrato que incluye varios detalles del proveedor, los matices en torno a sus calificaciones crediticias, etc.

3. Perfeccionamiento continuo.

Las organizaciones evolucionan continuamente. Los procesos cambian, se introducen nuevas tecnologías y las situaciones y prioridades se transforman. Por lo tanto, las empresas deben actualizar continuamente el gráfico de trabajo e introducir los patrones emergentes en el modelo para mantener actualizadas las herramientas de IA.

Este tipo de retroalimentación, llamada “aprendizaje por refuerzo con retroalimentación humana” (RLHF, por sus siglas en inglés), se utiliza para ajustar y perfeccionar el modelo dentro de la herramienta de IA. Como resultado, la herramienta de IA continúa adaptándose a las necesidades del equipo, asegurando una alta precisión sostenida a lo largo del tiempo.

¿Qué pueden hacer los CXOs?

Los directores de experiencia del cliente (CXO, por sus siglas en inglés) deben reconocer que la IA no es una tecnología de “implementar y olvidar”. En cambio, su valor se desbloquea cuando el sistema está alineado con los patrones de trabajo específicos y los procesos de toma de decisiones de la organización.

Al invertir en un enfoque personalizado, las empresas pueden reducir significativamente las tasas de error, recortar los costos operativos y, en última instancia, lograr un ROI mucho mayor en sus iniciativas de IA. En el panorama competitivo actual, descuidar la integración de esta capa de conocimiento contextual significa dejar el dinero, y la ventaja estratégica, sobre la mesa.

En resumen, si su estrategia de IA depende únicamente de soluciones estándar, corre el riesgo de perderse una transformación que impulse una verdadera productividad y reducción de riesgos. Por lo tanto, una estrategia de IA completa debe incluir un perfeccionamiento continuo mediante conocimientos localizados para garantizar que las inversiones en tecnología aporten valor inmediato y a largo plazo.

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.