Y

a sea que esté considerando un cambio de carrera o eligiendo una estrategia comercial, las decisiones que tome hoy requieren una deliberación seria; y tendrán efectos a corto y largo plazo para usted, su equipo y su organización. No pueden tomarse con demasiada rapidez, ni tampoco pueden evitarse. Sin embargo, en nuestro entorno empresarial acelerado y complejo, a menudo es difícil encontrar el tiempo necesario para realizar un análisis reflexivo y exhaustivo que produzca respuestas concluyentes sobre el camino correcto a seguir.

En mi trabajo, ayudo a los líderes a abordar este problema guiándolos a través de un marco de cinco preguntas diseñado para canalizar su enfoque y mejorar sus procesos. Al utilizar algunas o todas estas preguntas, obtendrá claridad, reducirá los riesgos y establecerá una base más sólida para tomar mejores decisiones y obtener mejores resultados.

1. ¿Qué pasaría si no hiciéramos nada?

Cuando la oportunidad llama a la puerta o la dinámica de la industria está cambiando, la falta de acción puede resultar costosa. Sin embargo, en algunos casos (por ejemplo, cuando se cuenta con información incompleta), podría ser más prudente mantener el rumbo por ahora.

Esta pregunta lo motivará a evaluar los costos y beneficios de la inacción a mediano y largo plazo. Pídase a sí mismo o a su equipo que imagine un futuro en el que no hayan realizado ningún cambio. ¿Siguen teniendo éxito?

2. ¿Qué podría hacer que nos arrepintiéramos de esta decisión?

Esta pregunta nos obliga a considerar los posibles resultados adversos de una decisión. Profundice con preguntas de seguimiento como: ¿Esta es una buena opción a largo plazo para su salud física, mental y financiera? ¿Qué tan probable es que se arrepienta de no haber sido más audaz? ¿Un compromiso moral podría llevar a una insatisfacción prolongada?

3. ¿Qué alternativas pasamos por alto?

Esta pregunta está diseñada para eliminar los sesgos y fomentar la curiosidad en usted y su equipo. Considere cursos de acción adicionales y pregúntese si podrían producir mejores resultados. Revise los caminos previamente descartados y cuestione si las razones para rechazarlos siguen siendo válidas. Pregúntese si todas las perspectivas han sido escuchadas y si se han identificado los puntos ciegos.

4. ¿Cómo sabremos si esta fue la decisión correcta?

Es imposible tomar una buena decisión si usted o su equipo no tienen claro cómo se define el éxito. Se necesita una visión del resultado ideal y métricas claras del desempeño deseado, ya sea mediante objetivos y resultados clave o indicadores clave de rendimiento. Encuentre un sistema de medición de progreso que contemple tanto el corto como el largo plazo. Establezca hitos específicos. Diseñe un plan para evaluar qué tan rápido y exitosamente avanza hacia sus metas.

5. ¿Esta decisión es reversible?

Considerar la reversibilidad o la variabilidad de una decisión puede reducir la presión de tomar la elección «perfecta». Especialmente en entornos de rápida evolución y proyectos complejos, podría ser posible iterar, probar y corregir el rumbo, tomando múltiples decisiones hacia una solución final.

Pregúntese a sí mismo o a su equipo: ¿Cuáles son los costos (tanto financieros como reputacionales) de revertir la decisión en caso de que sea necesario?

Las cinco preguntas mencionadas anteriormente no garantizan una buena decisión, pero pueden agudizar su proceso de toma de decisiones, ya sea en asuntos personales o en estrategias empresariales. A medida que las utilice de manera recurrente (tanto de manera individual como con su equipo) también le ayudarán a fomentar los hábitos que necesita para su crecimiento y éxito a largo plazo.

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.

L

o que también he aprendido en mi trabajo de investigación y escritura sobre la toma de decisiones es que, con demasiada frecuencia, no queremos dedicar tiempo ni energía mental a revisar el pasado, especialmente si contiene errores incómodos. Sin embargo, detenernos y analizar con atención esos errores es exactamente lo que puede ayudarnos a tomar mejores decisiones en el futuro.

Piense en sus decisiones pasadas como un conjunto de datos que puede analizar para obtener información. Pueden ayudarle a identificar sesgos y suposiciones que pueden estar frenándolo, desarrollar estrategias para cambiar su comportamiento en el futuro y, en última instancia, sentirse más seguro de que su proceso lo llevará a resultados positivos.

Para aplicar las lecciones de sus decisiones pasadas a su situación actual, le recomiendo plantearse las siguientes preguntas:

1. ¿Cuál es la decisión a la que se enfrenta ahora?

El primer paso en un proceso reflexivo de toma de decisiones es tener claro el problema actual que desea resolver. Aunque esto puede parecer sencillo, a menudo descubro que las personas omiten este paso, lo que puede llevar a una solución incompleta o insatisfactoria.

2. ¿Qué es lo que le resulta estresante de la decisión actual, y cuál es su enfoque preferido para solucionarlo?

Identificar lo que le resulta incómodo en la decisión a la que se enfrenta hace que la incertidumbre aflore para que pueda explorarla más a fondo a medida que completa las preguntas de reflexión. Esto es útil porque <a href=»https://hbr.org/2017/08/stress-leads-to-bad-decisions-heres-how-to-avoid-them» rel=»nofollow»>el estrés puede afectar negativamente la toma de decisiones</a>, ya que pone a prueba nuestros recursos cognitivos. Esto, a su vez, puede limitar nuestra capacidad de tomar decisiones nuevas y adaptarnos al cambio, llevando al cerebro a recurrir a la toma de decisiones habitual.

3. ¿Cuáles son una o dos decisiones previas de las que quiere aprender? ¿Qué no salió bien? ¿Por qué cree que no salió bien?

No puede comenzar a cambiar ninguno de sus comportamientos (incluidos los relacionados con la toma de decisiones) hasta que los enfrente. Estas preguntas le ayudan a mirar directamente los errores pasados ​​para articular lo que salió mal.

4. En retrospectiva, ¿qué suposiciones hizo que pudieran haber contribuido al resultado?

Responder a esta pregunta le brinda la oportunidad de extraer lecciones de sus decisiones pasadas. Sus respuestas pueden llevarlo a sentirse más seguro sobre algún aspecto de una decisión que le gustó, y le permiten hacer un cambio si prefiere hacer algo de manera diferente.

5. ¿Cómo podría aplicar lo aprendido a la decisión actual que enfrenta?

Esta pregunta le permite convertir lo aprendido en visión y acción para un futuro mejor. Al analizar y explicar los problemas del pasado, ahora está en una mejor posición para identificar acciones, hábitos y patrones que de otro modo podrían pasar desapercibidos en el presente.

6. ¿Cuál es su solución ahora?

Al responder esta pregunta, debería ver su crecimiento en la toma de decisiones. Ha inspeccionado y evaluado sus pensamientos, sentimientos y comportamientos, lo que le permite hacer observaciones sobre su pasado que le brindan claridad y perspicacia para avanzar en una nueva dirección.

Un error solo es un error si no aprendemos de él. Cuando nos tomamos el tiempo para aprender de las decisiones pasadas, esos arrepentimientos y decepciones se convierten en peldaños hacia un futuro mejor.