Cómo ampliar la IA

Resumen de la idea El problema La mayoría de las empresas no están preparadas para aprovechar todo el potencial de la IA. Esto se debe a que se centran en aplicarla en casos de uso discretos, lo que solo proporciona un cambio incremental y requiere mucho más esfuerzo para ampliar su alcance. La solución Las organizaciones obtienen mejores resultados cuando se replantean un proceso, un recorrido o una función empresarial básicos habilitados por la IA de principio a fin. Esto permite que cada iniciativa de IA se base en la anterior, lo que desencadena un ciclo orgánico de cambio. Cómo hacerlo realidad Los líderes deben ayudar a sus organizaciones a identificar los ámbitos empresariales en los que la IA puede marcar una gran diferencia y centrarse en uno o dos para llevar a cabo una revisión completa. Esto implicará implementar nuevas tecnologías, rediseñar los procesos operativos, cambiar la forma en que las personas trabajan juntas e incluso replantearse fundamentalmente los modelos de negocio. La mayoría de los CEO reconocen que la inteligencia artificial tiene el potencial de cambiar por completo la forma en que funcionan las organizaciones. Pueden imaginar un futuro en el que, por ejemplo, los minoristas entreguen productos personalizados antes incluso de que los clientes los soliciten, tal vez el mismo día en que se fabrican esos productos. Ese escenario puede parecer ciencia ficción, pero la IA que lo hace posible ya existe. Lo que se interpone en el camino de ese futuro es que las empresas no han descubierto cómo cambiar para adaptarse a él. Para ser justos, la mayoría ha trabajado duro para incorporar las tecnologías digitales, en algunos casos transformando genuinamente la forma en que atienden a sus clientes y fabrican sus productos. Sin embargo, para aprovechar todo el potencial de la IA, las empresas deben replantearse sus modelos de negocio y la forma en que se realiza el trabajo. No basta con incorporar la IA a un proceso existente para automatizarlo o añadir información. Y aunque la IA se puede emplear localmente en diversas funciones en una larga lista de aplicaciones específicas (conocidas como casos de uso), ese enfoque no impulsará un cambio significativo en las operaciones o los resultados de una empresa. También hace que sea mucho más difícil y costoso escalar la IA, ya que cada equipo remoto debe reinventar la rueda en lo que respecta a la aceptación de las stakeholder, la formación, la gestión del cambio, los datos, la tecnología y mucho más. Pero eso no significa que las empresas deban intentar reformar toda la organización con IA de una sola vez. Es casi seguro que eso acabaría en fracaso. Una transformación completa es un proceso enormemente complicado que implica demasiadas variables, stakeholder y proyectos como para lograr un impacto significativo rápidamente. Hemos descubierto que el enfoque adecuado consiste en identificar una parte crucial del negocio y replanteársela por completo. Introducir cambios en todo un proceso, recorrido o función básicos —lo que denominamos un dominio—dará lugar a una mejora significativa del rendimiento que las aplicaciones locales aisladas simplemente no pueden igualar. También permitirá que cada iniciativa de IA se base en la anterior, por ejemplo, reutilizando datos o mejorando las capacidades para un conjunto común de stakeholder. Hemos visto cómo este enfoque desencadena un ciclo orgánico de cambio dentro de los dominios y, en última instancia, genera un impulso para el uso de la IA en toda la organización, a medida que los líderes empresariales y los empleados ven que funciona. Además, este enfoque fomenta una mentalidad de mejora continua en la plantilla, lo cual es crucial porque la tecnología de IA avanza rápidamente, lo que obliga a las organizaciones a considerar las transformaciones de IA como un esfuerzo continuo y no como una iniciativa puntual. En última instancia, las empresas que no puedan aprovechar al máximo la IA quedarán relegadas por aquellas que sí puedan hacerlo, como ya estamos viendo en varios sectores, como la fabricación de automóviles y los servicios financieros. La buena noticia es que, durante el último año, muchas empresas (incluso aquellas con capacidades analíticas limitadas) han comenzado a desarrollar las habilidades necesarias para aprovechar las oportunidades que ofrece la IA, ya que la crisis de la COVID-19 les obligó a cambiar su forma de hacer negocios casi de la noche a la mañana. Ahora, el reto será aplicar esas habilidades para llevar a cabo iniciativas de mayor envergadura. (Para saber si no ha definido correctamente el alcance de sus iniciativas, consulte el siguiente recuadro). Señales de que está pensando en la IA Demasiado amplio o demasiado limitado DEMASIADO AMPLIO DEMASIADO ESTRECHO El trabajo identificado en un ámbito no se puede completar en tres o cuatro fases de trabajo a lo largo de 12 a 15 meses. Está resolviendo un problema específico sin abordar las causas fundamentales o sin tener en cuenta los procesos interrelacionados. Hay más de una docena de líderes con diferentes objetivos que deciden qué debe suceder a continuación y no hay un responsable claro del negocio que asuma la responsabilidad. El líder empresarial del área objetivo no se siente responsable porque el proyecto no va a mover la aguja y usted no ha involucrado a líderes de toda la cadena de valor específica. Necesita rediseñar toda la arquitectura tecnológica y de datos de la empresa para obtener algún valor. Ha creado una solución que no se integra con otros procesos ascendentes y descendentes. © HBR.org En este artículo, nos basaremos en nuestra experiencia trabajando con cientos de clientes, incluidas algunas de las organizaciones más grandes del mundo, para describir lo que deben hacer las empresas para que la IA alcance la escala deseada. Paso 1: Establecer la estrategia Puede resultar difícil determinar el alcance adecuado de las iniciativas de IA. Aconsejamos a los CEO que se centren en aquellas áreas del negocio en las que la IA marcará una gran diferencia en un plazo de tiempo razonable; en las que sea relativamente fácil encontrar un patrocinador, conseguir la aceptación de los stakeholder y formar un equipo; y en las que existan múltiples actividades interconectadas y oportunidades para reutilizar los datos y los activos tecnológicos. Impacto potencial. Los ámbitos elegidos deben ser lo suficientemente amplios como para mejorar significativamente los resultados de la empresa o la experiencia de los clientes o empleados. Una aerolínea a la que asesoramos determinó que tenía diez ámbitos de negocio principales que se ajustaban a esa descripción: carga, tripulación, gestión de ingresos, comercio electrónico, servicio al cliente, aeropuertos, mantenimiento, planificación de redes, operaciones y talento. Pero comenzó por la carga, donde había identificado una cartera de iniciativas de IA que podían completarse en unas 18 semanas. La primera proporcionaría unos 30 millones de dólares en beneficios adicionales al permitir una previsión más precisa de los volúmenes y el peso de la carga y aumentar el uso de la capacidad de transporte. En otro caso, un proveedor de telecomunicaciones decidió rediseñar su proceso de gestión del valor del cliente (que abarca todas las formas en que una empresa interactúa con sus clientes), utilizando la IA para comprender y abordar las necesidades únicas de cada cliente. Ese trabajo redujo rápidamente el tiempo necesario para ejecutar las campañas de marketing en un 75 % y permitió a la empresa reducir la rotación de clientes en tres puntos porcentuales. La empresa espera que esas mejoras añadan 70 millones de dólares a sus resultados finales a finales de 2021. Actividades interconectadas. Los ámbitos prometedores abarcan un conjunto bien definido de actividades empresariales cuya recalibración puede resolver problemas sistémicos como las ineficiencias crónicas (por ejemplo, los largos plazos de aprobación de los préstamos), la alta variabilidad (la rápida fluctuación de la demanda de los consumidores) y las oportunidades que se pierden habitualmente (las dificultades para hacer llegar los productos a los clientes). En muchos casos, las soluciones de IA pueden abordar las causas fundamentales de estos problemas, en parte gracias a la información que proporcionan y en parte gracias a las mejoras organizativas. CentreCentre/Patrick Fry Studio La aerolínea identificó seis actividades de carga estrechamente relacionadas entre sí: negociación de tarifas, asignación de espacio, reservas, documentación de envíos, gestión de operaciones en tierra y entregas, y facturación. La satisfacción del cliente y los precios dependían de factores como la disponibilidad de espacio con poca antelación, la capacidad de realizar un seguimiento de los envíos en tiempo real y la rapidez de la entrega. Cuando se reconfiguraron las seis actividades para que pudieran introducir datos en una plataforma respaldada por inteligencia artificial, la empresa logró reducir significativamente el desperdicio sistémico y mejorar en gran medida la experiencia del cliente, lo que reforzó sus márgenes y su reputación al mismo tiempo. Patrocinador y equipo. En un ámbito prometedor, se puede identificar fácilmente lo siguiente: Un responsable interno de la empresa encargado de toda la cadena de valor implicada (en la aerolínea, era el vicepresidente de carga). personal directivo dedicado (en la aerolínea, esto incluía al director senior de carga y a dos de sus subordinados directos) que pueda desempeñar las funciones de «propietario del producto» (la persona responsable de la entrega de la solución), traductor (que tiende puentes entre los ámbitos analítico y empresarial) y líder del cambio (responsable de las iniciativas de gestión del cambio) un equipo de profesionales de la IA, como expertos en ciencia e ingeniería de datos, diseñadores, analistas comerciales y un scrum master (estos profesionales también pueden proceder de un equipo central de la organización) un grupo de usuarios de primera línea o trabajadores del conocimiento responsables de las actividades diarias (en la aerolínea, incluían a 250 agentes de ventas y reservas de América, Asia-Pacífico y Europa). Reclutar a empleados de todo el ciclo de vida del dominio (independientemente del puesto que ocuparan anteriormente dentro de la organización) y otorgarles responsabilidad sobre el trabajo fomenta el compromiso con una iniciativa y genera entusiasmo e impulso. Estos factores son cruciales para que los empleados piensen más allá de lo habitual a la hora de idear soluciones y ayudar al proyecto a superar los inevitables obstáculos inesperados. Tecnología y datos reutilizables. También es importante seleccionar dominios en los que los componentes tecnológicos y de datos necesarios para ejecutar los modelos de IA puedan solaparse. Es mucho más fácil cuando los equipos no tienen que empezar desde cero cada vez y pueden reutilizar datos o fragmentos de código que ya se han preparado para la IA. Probablemente habrá una inversión de start-up para el primer o los dos primeros modelos creados dentro de un dominio, pero con el tiempo los nuevos proyectos podrán basarse en los anteriores, lo que reducirá drásticamente el tiempo y el coste de desarrollo. Los recursos a los que nos referimos aquí suelen incluir, en lo que respecta a los datos, bibliotecas comunes y definiciones de metadatos, y en lo que respecta a la tecnología, scripts de aprendizaje automático, interfaces de programación de aplicaciones (API) que extraen datos de sistemas heredados y capacidades de visualización de datos. Los equipos ejecutivos suelen identificar entre ocho y diez ámbitos en los que la IA puede transformar su negocio. Una vez hecho esto, les recomendamos que reduzcan la lista a uno o dos criterios basándose en la viabilidad y el valor empresarial. Habrá una inversión start-up para los primeros uno o dos modelos creados, pero con el tiempo los nuevos proyectos podrán basarse en los anteriores, lo que reducirá drásticamente el tiempo y el coste de desarrollo. En la aerolínea, el CEO y sus subordinados directos habían celebrado una serie de reuniones estratégicas durante 12 semanas. Debatieron cómo empresas de diferentes sectores estaban innovando con la IA, desarrollaron una visión para utilizar la IA con el fin de lograr un aumento de dos dígitos en los beneficios operativos en un plazo de 15 meses, priorizaron los ámbitos por los que empezar y comprometieron los recursos necesarios para seguir adelante. Cada uno de los ejecutivos pidió a expertos de sus respectivos ámbitos que identificaran qué podían hacer de forma diferente para alcanzar el objetivo de beneficios y que evaluaran el valor potencial y la viabilidad de sus recomendaciones. En el ámbito del transporte de mercancías, tres altos directivos, junto con personal de IT y finanzas, esbozaron la oportunidad de aprovechar mejor el espacio de carga disponible en los aviones, los beneficios esperados por hacerlo y la viabilidad de lograrlo en términos de disponibilidad de datos, tecnología, talento, etc. Paso 2: Estructurar el equipo El equipo responsable de las iniciativas de IA dentro de cada ámbito debe contar con todas las personas necesarias —de las áreas de negocio, digital, análisis y IT— para diseñar, crear y respaldar las nuevas formas de trabajar. En gran medida, una vez que los equipos de cada ámbito conozcan su objetivo y cuenten con los recursos necesarios, organizarán su trabajo por su cuenta, utilizando prácticas ágiles. La función de la dirección, más allá de crear los equipos, será garantizar que todos los empleados que se incorporen a ellos procedentes de otras partes de la empresa se integren plenamente y eliminar cualquier barrera organizativa que pueda impedir el éxito de los equipos. En muchos de los casos que hemos estudiado, la mayoría de los miembros del equipo necesarios ya trabajaban en el ámbito objetivo, y los líderes solo tuvieron que trasladarlos al proyecto y luego incorporar el talento técnico necesario de otras áreas de la empresa. En la aerolínea, los empleados de ventas, atención al cliente, operaciones y finanzas participaron en la transformación del ámbito de la carga, y la mayoría de ellos habían informado a la función empresarial desde el principio. Se asignó al equipo a expertos en IA, como científicos e ingenieros de datos, del centro de excelencia en IA de la empresa durante la duración del trabajo, y estos informaban directamente al director sénior de la división de carga, que era el propietario del producto de la nueva IA. CentreCentre/Patrick Fry Studio En algunos casos, las empresas tendrán que reasignar explícitamente a personas de otras funciones no técnicas de diversas partes de la organización al equipo. Consideremos el caso de una empresa minorista de energía que también quería utilizar la IA para renovar la gestión del valor para el cliente, incluyendo a qué clientes dirigirse, qué ofertas enviarles y a través de qué canales, y cómo probar las nuevas ideas. La empresa tuvo que trasladar formalmente a expertos en campañas de marketing, que antes trabajaban de forma aislada en distintos canales y equipos, bajo un mismo paraguas. Intentar coordinar su trabajo entre silos separados habría provocado retrasos y desconexiones, ya que las solicitudes de aportaciones y aprobaciones pasaban de un departamento a otro. También habría obligado a las personas implicadas a compaginar dos conjuntos de obligaciones. A menudo, los equipos de proyectos de IA pueden ser simplemente escuadrones únicos, en los que todo el equipo realiza todo el trabajo por sí mismo. Pero cuando las tareas son de alcance relativamente amplio y requieren el trabajo de más de una docena de personas, un solo equipo resultará demasiado difícil de manejar. En esas situaciones, tendrá sentido dividir el equipo en varios escuadrones, con un escuadrón que proporcione capacidades compartidas. La empresa de telecomunicaciones dividió su nuevo equipo de valor para el cliente en cuatro equipos de negocio: uno centrado en los clientes de prepago, otro en los de pospago, otro en la captación de clientes y otro en la retención de clientes. A cada uno de ellos se le asignó la misión de reducir la tasa de abandono o mejorar las ventas cruzadas en un 20 % antes de que finalizara el año. Se creó un quinto escuadrón, el de utilidad de datos, con ingenieros y desarrolladores de datos, para apoyar a los otros cuatro mediante la creación de tecnología y activos que pudieran ser reutilizados por cada uno de ellos y el desarrollo de nuevos modelos de análisis basados en la inteligencia artificial. Paso 3: Reimaginar el negocio como de costumbre Como hemos señalado anteriormente, para sacar el máximo partido a la IA es necesario reinventar los modelos de negocio, las funciones y responsabilidades y los procesos operativos, utilizando nuevas formas de pensar y trabajar. Por lo general, consideramos que lo mejor para las empresas es aplicar principios básicos o técnicas de pensamiento de diseño y trabajar hacia atrás a partir de un objetivo o reto clave. Por ejemplo, las empresas pueden imaginar cómo sería una experiencia de cliente de cinco estrellas y luego explorar con todo detalle cómo podrían lograrla. En la aerolínea, el equipo de carga comenzó entrevistando a los agentes de ventas y reservas sobre cómo asignaban el espacio en los aviones de pasajeros y decidían si aceptar o rechazar las solicitudes de envío. ¿Cómo comprobaban los agentes la disponibilidad de espacio de carga? ¿En qué otra información se basaban y cómo sopesaban los diferentes datos que recopilaban? ¿Qué preocupaciones tenían a la hora de tomar decisiones? Los equipos deben tener en cuenta el impacto potencial que las iniciativas de IA tendrán en los procesos ascendentes y descendentes, y aplicar medidas para abordarlo. El equipo descubrió que el enfoque tradicional adolecía de previsiones inexactas y conjeturas por parte de los agentes que intentaban estimar las posibles cancelaciones. (A diferencia de las reservas de pasajeros, las reservas de carga no conllevan penalizaciones por cancelación, por lo que no es raro que un avión parezca completo pero salga con espacio de carga vacío debido a que algunos clientes no se presentan). Los agentes de reservas de carga también temían el impacto que tendría en la satisfacción de los clientes si se sobrevendía el espacio. Para evitar conflictos, los agentes solían esperar hasta el día del vuelo para reservar espacio de carga para sus clientes, lo que daba lugar a un uso subóptimo de la capacidad y a la pérdida de oportunidades. Una vez identificados y comprendidos los problemas de los procesos existentes, el equipo trazó un esquema de cómo sería un proceso ideal, incluyendo la información que los agentes necesitarían para determinar si reservar, cuánto podrían sobrevender con seguridad y con cuánta antelación, y cómo cambiarían las funciones. A continuación, dedicó varias semanas a desarrollar un prototipo de panel de control con inteligencia artificial que proporcionara la información necesaria a los agentes, trabajando con ustedes en sprints iterativos para incorporar los datos de los modelos de previsión, que se estaban desarrollando en paralelo. El equipo probó el panel de control con los agentes en 12 rutas representativas de la red global de 1500 rutas de la empresa. Comparó las diferencias en la utilización de la carga y los beneficios en las rutas de los agentes que seguían las recomendaciones del sistema y los de un grupo de control que utilizaba los procesos tradicionales. Para generar confianza en el nuevo sistema, los ejecutivos eliminaron cualquier repercusión que los agentes pudieran sufrir normalmente si un vuelo no podía acomodar una reserva. Ahora todos los agentes tienen acceso a paneles intuitivos que ilustran visualmente qué vuelos están infrautilizando el espacio. Pueden ver de un vistazo los datos sobre los ingresos generados por los envíos de carga de los vuelos recientes. Los bucles de retroalimentación integrados permiten a los sistemas de IA aprender continuamente de los agentes cuando deciden si aceptan una solicitud de carga, basándose en su experiencia en cuestiones de tamaño y equilibrio de peso de los envíos y en su conocimiento de los cambios en las cadenas de suministro de los clientes, las rutas comerciales y otros factores. Estas nuevas herramientas proporcionan a los agentes información que les da la confianza necesaria para vender el espacio de carga mucho antes de las fechas de salida. Paso 4: Adaptarse a los cambios organizativos y tecnológicos En la mayoría de los casos, se requerirán cambios organizativos significativos, como la adopción de una colaboración interdisciplinaria y una mentalidad ágil, para respaldar los nuevos procesos y modelos basados en la IA. De hecho, nuestra investigación muestra que las empresas que obtienen los mayores rendimientos de la IA son más propensas a implementar prácticas eficaces de gestión del cambio, como que los líderes den ejemplo de los comportamientos deseados, y que estos esfuerzos funcionan mejor cuando son facilitados por el CEO y los altos ejecutivos. Tomemos de nuevo el ejemplo de la empresa minorista de energía. Invirtió en la recualificación de sus empleados para que pudieran trabajar juntos de forma eficaz en el nuevo contexto y asumir nuevas responsabilidades de liderazgo; reajustó los objetivos e incentivos de los miembros del equipo del proyecto de IA en función de sus nuevas responsabilidades; y cubrió las vacantes en los departamentos que los miembros del equipo tuvieron que abandonar. La serie Print Punch , de Patrick Fry, explora la estética de las tarjetas perforadas y reflexiona sobre una época en la que los datos eran físicamente tangibles. CentreCentre/Patrick Fry Studio Aunque las empresas tendrán que actualizar su tecnología para dar soporte a la IA, no será necesario que realicen grandes cambios en su infraestructura de IT o en su arquitectura de datos antes de empezar. Más bien, aconsejamos a las empresas que se centren en la tecnología que permita y acelere el desarrollo de la IA y, a continuación, clasifiquen las inversiones adicionales según las prioridades de los equipos. Las plataformas de datos basadas en la nube y el uso de API, microservicios y otras prácticas modernas de desarrollo y operaciones, por ejemplo, pueden ayudar a las empresas a desarrollar nuevas capacidades empresariales entre dos y tres veces más rápido. El proveedor de telecomunicaciones estableció una plataforma basada en la nube para los datos sin procesar de los sistemas de transacciones y atención al cliente existentes, de modo que los ingenieros y científicos de datos pudieran utilizarlos más fácilmente que los datos del antiguo sistema de almacenamiento. La empresa también implementó un nuevo banco de trabajo analítico, que ayudó a los científicos de datos a entrenar y desplegar nuevos modelos más rápidamente, y herramientas que agilizaron la recopilación de datos, el análisis y la creación de modelos para su sistema de gestión del valor del cliente impulsado por la inteligencia artificial. Estas medidas le permitieron empezar a utilizar datos no estructurados, aplicar enfoques más complejos y trabajar de forma más eficiente. A la hora de priorizar inversiones tecnológicas adicionales, los equipos deben planificar las capacidades, los datos y los recursos (como robótica, biometría, sensores y plataformas de conectividad) que necesitarán y cuándo, y luego ir abordando cada elemento según sea necesario. Al diseñar su sistema de gestión del valor para el cliente, el equipo del proveedor de telecomunicaciones se dio cuenta de que necesitaría una nueva tecnología que automatizara los mensajes directos salientes y proporcionara a los vendedores orientación en tiempo real sobre la siguiente conversación que debían mantener con los clientes. Los equipos también deben tener en cuenta el impacto potencial que las iniciativas de IA tendrán en los procesos ascendentes y descendentes, e implementar medidas para abordarlo. Por ejemplo, en la aerolínea, el equipo de IA desarrolló una herramienta de informes para los gerentes que supervisan la carga y descarga de mercancías, con el fin de que pudieran gestionar eficazmente los mayores volúmenes generados por el nuevo proceso de ventas y reservas. Un efecto dominó Una vez que el desarrollo de la IA madura dentro de un dominio inicial y las organizaciones han adquirido un ritmo para reinventar partes del negocio, están listas para expandirse. La base tecnológica que han construido y las habilidades que han aprendido —por ejemplo, cómo romper con éxito los silos, tomar decisiones que antes llevaban semanas en cuestión de horas y crear equipos más basados en datos— les ayudarán a acelerar sus esfuerzos en nuevos dominios. En este punto, las empresas pueden dedicarse a varios ámbitos al mismo tiempo. Una vez más, la idea es aprovechar el trabajo realizado anteriormente. Esto podría llevar a las empresas a dar prioridad a los ámbitos que tienen datos y habilidades en común, como la cadena de suministro y la logística. O podrían dedicarse al mismo ámbito en otras unidades de negocio. La empresa minorista de energía estima que casi el 80 % del trabajo realizado para mejorar la gestión del valor para el cliente en una división de productos (que condujo a un crecimiento récord en solo unos meses, incluyendo un aumento del 12 % en los beneficios de los clientes y un aumento del 20 % en la retención de clientes) puede reutilizarse en otras unidades de negocio y acelerar también su crecimiento. Las empresas que se describen en este artículo se encuentran aún en las primeras fases de su transformación completa hacia la IA, pero están a las puertas de una nueva era. Han probado lo que es posible y sus audaces decisiones han dado lugar a importantes beneficios en los ámbitos a los que se han dirigido y a nuevas capacidades que los casos de uso discretos no podían ofrecer. Estas empresas han creado un manual de metodologías y protocolos al que pueden recurrir de nuevo. A medida que avancen hacia otros ámbitos, su ritmo se acelerará, sus capacidades de IA se multiplicarán rápidamente y descubrirán que el futuro que imaginaban está más cerca de lo que parecía.

Cómo ampliar la IA

Resumen.

Partner Center