Vivimos tiempos paradójicos: tras la expectación de los últimos años, la inteligencia artificial (IA) es por fin una realidad para muchas empresas. Sin embargo, hay que decir que las promesas de creación de valor a menudo no se cumplen. La IA se ha presentado a menudo como una tecnología revolucionaria que generará nuevos ingresos masivos e impulsará significativamente la rentabilidad de las empresas. Para explicar este desfase entre retórica y realidad, es necesario comprender esta tecnología y las características específicas de los proyectos vinculados a ella.
La inteligencia artificial es difícil de definir de forma sencilla. Se encuentra en la encrucijada de las matemáticas, la informática, las ciencias sociales e incluso la filosofía. En primer lugar, dejemos a un lado lasIA simbólicatambién conocido como determinista. Se trata de la sistemas expertos que llevó al desarrollo de muchos sistemas importantes en los años 70 y 90.
Hoy se habla generalmente de IA "probabilística", que consiste en crear valor a partir de los datos mediante un enfoque "probabilístico". enfoque estadístico. Aquí es donde encontramos el concepto emblemático de la aprendizaje automático Los algoritmos se parametrizan con datos anteriores durante una fase de aprendizaje para crear un "modelo" que sirva para construir una proyección, reconocer una imagen o procesar el lenguaje.
Dentro del aprendizaje automático, existen varias docenas de algoritmos, cada uno con sus características específicas, entre ellos el famoso aprendizaje profundo o redes neuronales artificiales. Tienen capacidades y prestaciones notables. Se utilizan en el procesamiento de imágenes (conocido como visión por ordenador) y en el procesamiento del lenguaje (conocido como PLN por Procesamiento del Lenguaje Natural).
Una vez establecidas estas definiciones, ¿cuáles son las principales aplicaciones de la IA en la empresa?
Aplicaciones en marketing
El marketing es una de las primeras áreas en las que la IA aportará valor. En general, se trata de utilizar un enfoque de aprendizaje automático sobre datos previos para construir un modelo que pueda utilizarse para segmentar a los clientes, averiguar qué oferta prefieren, predecir una posible compra o personalizar la experiencia del cliente... y fidelizarlo.
La capacidad de los sistemas de IA para encontrar elementos relevantes en una masa de datos también puede hacer posible la puesta en marcha de enfoques de segmentación de marketing muy eficaces (marketing hiperpersonalizado), o incluso sistemas de recomendación que permitan ofrecer a los clientes potenciales únicamente aquellos productos que puedan ser de su interés.
El rendimiento de este enfoque se basa en la capacidad de los algoritmos para procesar una gran masa de datos, pero también datos de distinta naturaleza. Además de los datos estructurados de los clientes (datos CRM, datos de navegación web, etc.), las imágenes y los textos (correos electrónicos, redes sociales, etc.) utilizados proporcionarán otra información valiosa sobre los clientes. A título ilustrativo, el uso de técnicas de procesamiento del lenguaje (NLP) permitirá realizar "análisis de sentimiento" a partir de los intercambios escritos con el cliente para determinar automáticamente su nivel de satisfacción.
Por último, no podemos hablar de relaciones con los clientes sin mencionar la chatbots. Las más sencillas son preguntas frecuentes mejoradas y no utilizan IA en el sentido de aprendizaje automático. Ofrecen escenarios estáticos a los clientes, lo que ha contribuido en gran medida a las experiencias negativas de los usuarios. Sin embargo, si estos escenarios se refuerzan con aprendizaje automático y PNL, los chatbots aprenderán con el tiempo y podrán gestionar intercambios "inesperados", lo que mejorará enormemente la experiencia del cliente.
La IA en las finanzas empresariales
En este campo, la IA se está utilizando para desarrollar una amplia gama de aplicaciones como predicción de ingresos o gastos. A partir de datos pasados, el algoritmo se entrena para predecir los ingresos futuros en función de diversas características actuales. También en este caso es interesante señalar que, además de los datos financieros de la empresa, pueden utilizarse datos externos (contexto económico, meteorología, etc.) si pueden correlacionarse de algún modo con la actividad de la empresa.
La detección de anomalías es otra de las capacidades de ciertos algoritmos de aprendizaje automático. Muy útil en finanzas, puede utilizarse para detectar transacciones fraudulentas y, de forma más general, para detectar datos anómalos que permitan identificar un riesgo. Se trata de una aplicación muy útil para trabajos relacionados con la calidad, el cumplimiento, etc. El enfoque tradicional basado en reglas ha sido ampliamente sustituido por el enfoque estadístico, que permite tener en cuenta una gran cantidad de datos y, en general, gestionar el riesgo de forma más eficaz.
La IA en la industria
Mantenimiento predictivo
La IA se encuentra en mantenimiento predictivo que se utilizan mucho en la industria. En lugar de realizar el mantenimiento de un sistema, sea cual sea, cada 6 meses según la norma del fabricante, entrenaremos un modelo de aprendizaje automático con datos de funcionamiento anteriores, para disponer de una aplicación capaz de indicar el "momento adecuado" para realizar este mantenimiento o cualquier otra modificación del sistema, que puede tener un impacto financiero importante.
Visión industrial de la calidad
Para dar otro ejemplo sobre herramientas industriales, podemos hablar de enfoques para visión por computador realizar un diagnóstico de calidad. En una línea de producción industrial, un algoritmo se entrenará con imágenes de productos para enseñarle a reconocer cuándo hay un defecto o un problema... Una "cámara inteligente" (una cámara mejorada con un algoritmo de procesamiento de imágenes) se colocará entonces en la línea de producción para realizar una inspección visual del mismo modo que el ojo humano, ¡sólo que mucho más eficiente!
Tratamiento automatizado de documentos
Por último, las tecnologías de análisis de imágenes y tratamiento del lenguaje se utilizan cada vez más para automatizar procesos de tratamiento de documentos que antes eran cosa de humanos. Estas aplicaciones, a veces denominadas automatización inteligente, utilizan modelos de IA como las redes neuronales artificiales para reconocer y procesar automáticamente facturas, tratar correos electrónicos o buscar información en grandes volúmenes de datos textuales. Estas tecnologías avanzadas sustituyen a los seres humanos en tareas repetitivas, permitiéndoles concentrarse en tareas de mayor valor añadido.
IA lista para su uso
También es interesante observar que cada vez más proveedores de soluciones de IA ofrecen sistemas de IA "listos para usar". Las empresas pueden integrar estos modelos entrenados en sus procesos empresariales de forma relativamente sencilla. Esto es especialmente interesante para las PYME y las PYMES, que tienen datos limitados en cuanto a volumen y calidad, y pocos recursos internos expertos, como científicos de datos, capaces de crear soluciones internas.
Por ejemplo, si cuenta con el socio adecuado, una pequeña empresa puede utilizar sin demasiada dificultad las soluciones del mercado para poner en marcha una solución de chatbot para automatizar sus relaciones con los clientes, un sistema de tratamiento automático de documentos o una solución de visión por ordenador para detectar fallos en su línea de producción. En estos casos, el ROI (retorno de la inversión) puede ser muy rápido.
Este panorama no exhaustivo ilustra la variedad de aplicaciones posibles de la IA, sea cual sea el sector empresarial de que se trate. Ya sea para automatizar tareas o para hacer lo que el ser humano es incapaz de hacer, la IA se perfila como la "killer application".
Proyecto de IA, los obstáculos que hay que superar
Sin embargo, numerosos estudios demuestran que, a pesar de las inversiones a veces importantes, la mayoría de las grandes empresas siguen teniendo dificultades para pasar de los pequeños proyectos piloto a la producción a gran escala, con el fin de crear valor.
Por su parte, las empresas más pequeñas todavía están en proceso de darse cuenta de los beneficios que les aportan las soluciones de IA, a pesar de su menor madurez tecnológica.
Llegados a este punto, conviene destacar las principales especificidades de los proyectos de IA que explican algunas de las dificultades encontradas por las empresas. La primera se refiere al concepto mismo de aprendizaje automático. Muy diferente de un enfoque de software tradicional, puede asimilarse a un sistema de reglas. En el aprendizaje automático, las reglas de funcionamiento o los parámetros del sistema no se "programan", sino que se "aprenden" a partir de los datos de entrenamiento. Ya no estamos en el mundo de la causalidad, sino en el de la correlación y la estadística, lo que implica un enfoque de diseño iterativo, a veces bastante exploratorio, con resultados menos predecibles.
La segunda especificidad ligada a la primera es la necesidad de un enfoque ágil de los proyectos, que es aún más colaborativo que en los proyectos informáticos tradicionales, y que implica a los equipos de datos, así como a los equipos empresariales y de TI, lo que aumenta la complejidad.
Por último, las ideas preconcebidas e incluso las fantasías sobre la IA pueden tener un impacto significativo. Para algunos empleados, la IA es aterradora (nuestro inconsciente colectivo ha sido alimentado por décadas de películas distópicas de ciencia ficción), con robots inteligentes que podrían llegar a quitarles el trabajo. Este último tema, más grave, ha sido alimentado desgraciadamente durante años por estudios de organizaciones punteras que han tenido amplia repercusión en los medios de comunicación, y que han resultado ser completamente falsos. Un famoso estudio de Oxford publicado en 2013 predijo la destrucción de 47 % de empleos estadounidenses de aquí a 2023 ¡a causa de la IA!
Proyecto de IA: qué hay que tener en cuenta para tener éxito
1. Directivos comprometidos y acostumbrados a la IA
El primero es el de el compromiso y la comprensión de los directivos de la empresa. A veces nos sorprende ver que los altos directivos desconocen por completo la oportunidad que representan los datos. Por eso es fundamental que conozcan los retos de los proyectos de IA y sus características específicas, para que puedan apoyar los proyectos de IA asignando los recursos humanos y financieros adecuados.
Del mismo modo, la alfabetización en datos e IA es una necesidad para los directivos, pero también para todos los empleados, con el fin de fomentar la adopción de soluciones por parte de los equipos empresariales.
2. Elija sabiamente sus proyectos de IA
El segundo tema se refiere a elegir qué proyectos poner en marcha. En los últimos años, hemos visto docenas de proyectos piloto de IA en grandes empresas. Cada unidad de negocio había contratado a su propio equipo de Ciencia de los datos y todo el mundo tenía una buena idea que probar. Las buenas prácticas, en cambio, consisten en centrarse en dos o tres temas principales, con un fuerte apoyo de la alta dirección y un buen nivel de inversión. La elección del primer proyecto de IA que se lleve a cabo es clave, porque es probable que su éxito determine la siguiente etapa de inversión en IA.
3. Muchos datos de alta calidad y bien gestionados
El tercer tema se refiere a los datos y su gestión. Como dice el refrán, "sin datos no hay IA". Podríamos añadir el famoso "basura dentro basura fuera"Esto significa que si los datos de entrenamiento para los modelos de IA son de mala calidad, ¡el resultado no será bueno!
La gestión de datosSe trata de un problema que afecta desde hace tiempo a los departamentos de TI y que cada vez resulta más crítico a medida que se desarrollan los casos de uso. Y aunque la mayoría de las grandes empresas han puesto en marcha auténticas gobernanza La protección de datos (gestión, acceso, cumplimiento, calidad y normas de seguridad) sigue siendo un reto importante, al que las empresas más pequeñas suelen tener que enfrentarse en primer lugar.
Además de implantar plataformas técnicas para la gestión de datos, es una buena práctica implicar a los equipos empresariales en la gobernanza de los datos. Esto es especialmente cierto en lo que respecta a la calidad, ya que los datos se han convertido en un "activo" empresarial clave, del mismo modo que las instalaciones industriales o los recursos humanos.
4. Atraer y retener el talento
La cuarta cuestión son las competencias. En los últimos años, la mayoría de las grandes empresas han estado contratando científicos de datosespecialistas en modelización de datos, así como ingenieros de datos que gestionará y preparará los datos utilizados en la IA.
Uno de los retos para estas empresas será retener este talento Buscamos personas muy solicitadas, con atractivos paquetes de remuneración, autonomía, proyectos innovadores y el desarrollo de una auténtica comunidad de datos.
Para las PYME, no es necesariamente necesario contratar este tipo de perfil. Algunas de estas tareas pueden ser realizadas por editores de soluciones y otros proveedores de servicios. Para la mayoría de las empresas, el principal reto consistirá en formar a los directivos y a los equipos empresariales implicados en los proyectos de IA.
5. Desarrollar las competencias mediante la formación
Ante la escasez de perfiles cualificados, las empresas podrán recurrir a la formación para desarrollar las competencias de sus empleados, no sólo en TI, sino también en otras áreas (RRHH, marketing, finanzas, etc.). Estos últimos podrán formarse en el manejo de datos mediante herramientas sencillas como Power BI.
En definitiva, la implantación de soluciones de IA en las empresas no es un camino de rosas. Para crear valor, la dirección debe estar comprometida y los empleados deben estar aculturados. Es más, además de crear nuevas fuentes de ingresos e impulsar la rentabilidad, en un futuro próximo la IA cambiará la propia naturaleza del trabajo y las relaciones entre el hombre y la máquina. Asumirá tareas repetitivas y codificables y sacudirá los modelos tradicionales de organización del trabajo.
Así, la IA podría permitir a las empresas ser más flexibles y horizontales, y ofrecer a los empleados la perspectiva de pasar a tareas de mayor valor añadido y complementarias de la IA. También desaparecerán algunas profesiones y el impacto en el empleo será importante, aunque sea muy difícil hacer previsiones. Razón de más para estar preparados.
