How Humans and AI Are Working Together in 1,500 Companies

La inteligencia artificial se está haciendo buena en muchos trabajos «humanos» (diagnosticar enfermedades, traducir idiomas, prestar servicio de atención al cliente) y está mejorando rápidamente. Esto está despertando temores razonables de que la IA sustituya en última instancia a los trabajadores humanos en toda la economía. Pero ese no es el resultado inevitable, ni siquiera el más probable. Nunca antes las herramientas digitales nos habían respondido tanto, ni nosotros a nuestras herramientas. Si bien la IA alterará radicalmente la forma en que se hace el trabajo y quién lo hace, el mayor impacto de la tecnología estará en complementar y aumentar las capacidades humanas, no en sustituirlas.

Sin duda, muchas empresas han utilizado la IA para automatizar los procesos, pero las que la despliegan principalmente para desplazar a los empleados solo obtendrán aumentos de productividad a corto plazo. En nuestra investigación en la que participaron 1500 empresas, descubrimos que las empresas logran las mejoras de rendimiento más importantes cuando los humanos y las máquinas trabajan juntos. A través de esta inteligencia colaborativa, los humanos y la IA mejoran activamente los puntos fuertes complementarios de los demás: el liderazgo, el trabajo en equipo, la creatividad y las habilidades sociales de los primeros, y la velocidad, la escalabilidad y las capacidades cuantitativas de los segundos. Lo que es natural para las personas (hacer una broma, por ejemplo) puede resultar difícil para las máquinas, y lo que es sencillo para las máquinas (analizar gigabytes de datos) sigue siendo prácticamente imposible para los humanos. Los negocios requieren ambos tipos de capacidades.

El valor de la colaboración

Las empresas se benefician de optimizar la colaboración entre los humanos y la inteligencia artificial. Cinco principios pueden ayudarlos a hacerlo: reimaginar los procesos empresariales; adoptar la experimentación y la participación de los empleados; dirigir activamente la estrategia de IA; recopilar datos de manera responsable y rediseñar el trabajo para incorporar la IA y cultivar las habilidades relacionadas con los empleados. Una encuesta realizada a 1075 empresas de 12 sectores reveló que cuantos más principios adoptaran las empresas, mejor serían sus iniciativas de IA en términos de velocidad, ahorro de costes, ingresos u otras medidas operativas.

El valor de la colaboración

Las empresas se benefician de optimizar la colaboración entre los humanos y la inteligencia artificial. Cinco principios pueden ayudarlos a hacerlo: reimaginar los procesos empresariales; adoptar la experimentación y la participación de los empleados; dirigir activamente la estrategia de IA; recopilar datos de manera responsable y rediseñar el trabajo para incorporar la IA y cultivar las habilidades relacionadas con los empleados. Una encuesta realizada a 1075 empresas de 12 sectores reveló que cuantos más principios adoptaran las empresas, mejor serían sus iniciativas de IA en términos de velocidad, ahorro de costes, ingresos u otras medidas operativas.

Para aprovechar al máximo esta colaboración, las empresas deben entender cómo los humanos pueden aumentar las máquinas de la manera más eficaz, cómo las máquinas pueden mejorar lo que los humanos saben hacer mejor y cómo rediseñar los procesos empresariales para apoyar la asociación. A través de nuestra investigación y trabajo sobre el terreno, hemos desarrollado directrices para ayudar a las empresas a lograrlo y a poner en práctica el poder de la inteligencia colaborativa.

Humanos que ayudan a las máquinas

Los humanos tienen que desempeñar tres funciones cruciales. Deben tren máquinas para realizar ciertas tareas; explicar los resultados de esas tareas, especialmente cuando los resultados son contradictorios o controvertidos; y sostener el uso responsable de las máquinas (evitando, por ejemplo, que los robots dañen a los humanos).

Entrenamiento.

A los algoritmos de aprendizaje automático se les debe enseñar a realizar el trabajo para el que están diseñados. En ese esfuerzo, se acumulan enormes conjuntos de datos de entrenamiento para enseñar a las aplicaciones de traducción automática a gestionar las expresiones idiomáticas, a las aplicaciones médicas a detectar enfermedades y a los motores de recomendación a apoyar la toma de decisiones financieras. Además, los sistemas de IA deben estar entrenados para interactuar mejor con los humanos. Si bien las organizaciones de todos los sectores están ahora en las primeras etapas para cubrir puestos de formador, las principales empresas de tecnología y grupos de investigación ya cuentan con personal de formación y experiencia maduros.

Pensemos en la asistente de IA de Microsoft, Cortana. El robot necesitó una amplia formación para desarrollar la personalidad adecuada: seguro de sí mismo, cariñoso y servicial, pero no mandón. Inculcar esas cualidades requirió incontables horas de atención por parte de un equipo que incluía a un poeta, un novelista y un dramaturgo. Del mismo modo, se necesitaron entrenadores humanos para desarrollar las personalidades de Siri de Apple y Alexa de Amazon y garantizar que reflejaban con precisión las marcas de sus empresas. Siri, por ejemplo, tiene un toque de descaro, como los consumidores podrían esperar de Apple.

Los asistentes de IA están siendo entrenados ahora para mostrar rasgos humanos aún más complejos y sutiles, como la simpatía. La start-up Koko, una rama del Media Lab del MIT, ha desarrollado una tecnología que puede ayudar a los asistentes de IA a parecer compasivos. Por ejemplo, si un usuario tiene un mal día, el sistema Koko no responde con una respuesta enlatada como «Lamento oír eso». En cambio, puede pedir más información y, después, ofrecer consejos para ayudar a la persona a ver sus problemas desde una perspectiva diferente. Si se sintiera estresado, por ejemplo, Koko podría recomendarle pensar en esa tensión como una emoción positiva que podría canalizarse hacia la acción.

Explicando.

A medida que la IA llega cada vez más a conclusiones a través de procesos opacos (el llamado problema de la caja negra), requieren expertos humanos en la materia que expliquen su comportamiento a los usuarios no expertos. Estas «explicaciones» son particularmente importantes en las industrias basadas en la evidencia, como el derecho y la medicina, donde el profesional tiene que entender cómo una IA sopesa los factores en, por ejemplo, una sentencia o una recomendación médica. Las explicaciones son igualmente importantes para ayudar a las aseguradoras y a las fuerzas del orden a entender por qué un coche autónomo tomó medidas que provocaron un accidente o no lo evitaron. Y las explicaciones se están convirtiendo en una parte integral de las industrias reguladas; de hecho, en cualquier industria orientada al consumidor en la que la producción de una máquina pueda ser impugnada por injusta, ilegal o simplemente errónea. Por ejemplo, el nuevo Reglamento General de Protección de Datos (RGPD) de la Unión Europea otorga a los consumidores el derecho a recibir una explicación de cualquier decisión basada en algoritmos, como la oferta de tipos en una tarjeta de crédito o una hipoteca. Este es un área en la que la IA contribuirá aumentado empleo: los expertos estiman que las empresas tendrán que crear unos 75 000 nuevos puestos de trabajo para cumplir con los requisitos del RGPD.

Sostener.

Además de contar con personas que puedan explicar los resultados de la IA, las empresas necesitan «sustentadores», es decir, empleados que trabajen continuamente para garantizar que los sistemas de IA funcionan de manera adecuada, segura y responsable.

La IA puede mejorar nuestra capacidad analítica y de toma de decisiones y aumentar la creatividad.

Por ejemplo, una serie de expertos a veces denominados ingenieros de seguridad se centran en anticipar y tratar de prevenir los daños causados por la IA. Los desarrolladores de robots industriales que trabajan junto a las personas han prestado especial atención a garantizar que reconocen a los humanos que se encuentran cerca y no los ponen en peligro. Estos expertos también pueden revisar los análisis de los explicadores cuando la IA causa daño, como cuando un coche autónomo se ve involucrado en un accidente mortal.

Este artículo aparece también en:

• 

  Las 10 lecturas imprescindibles de HBR en 2020

  Liderazgo y gestión de personas Libro

  24.95

  View Details

Otros grupos de seguidores se aseguran de que los sistemas de IA cumplen con las normas éticas. Si se descubre que un sistema de IA para la aprobación de créditos, por ejemplo, discrimina a personas de ciertos grupos (como ha ocurrido), estos directores de ética son responsables de investigar y abordar el problema. Al desempeñar una función similar, los oficiales de cumplimiento de datos tratan de garantizar que los datos que alimentan a los sistemas de IA cumplen con el RGPD y otros reglamentos de protección al consumidor. Una función relacionada con el uso de los datos implica garantizar que la IA gestione la información de forma responsable. Como muchas empresas de tecnología, Apple utiliza la IA para recopilar datos personales de los usuarios a medida que interactúan con los dispositivos y el software de la empresa. El objetivo es mejorar la experiencia del usuario, pero la recopilación de datos sin restricciones puede comprometer la privacidad, enfadar a los clientes e infringir la ley. El «equipo de privacidad diferencial» de la empresa trabaja para garantizar que, si bien la IA busca aprender lo más posible sobre un grupo de usuarios en un sentido estadístico, protege la privacidad de los usuarios individuales.

Máquinas que ayudan a los humanos

Las máquinas inteligentes ayudan a los humanos a ampliar sus habilidades de tres maneras. Ellos pueden amplificar nuestros puntos fuertes cognitivos; interactuar con clientes y empleados para liberarnos para tareas de nivel superior; y encarnar habilidades humanas para ampliar nuestras capacidades físicas.

Amplificando.

La inteligencia artificial puede mejorar nuestra capacidad analítica y de toma de decisiones al proporcionar la información correcta en el momento adecuado. Pero también puede aumentar la creatividad. Piense en cómo la IA Dreamcatcher de Autodesk mejora la imaginación incluso de diseñadores excepcionales. Un diseñador proporciona a Dreamcatcher criterios sobre el producto deseado, por ejemplo, una silla que pueda soportar hasta 300 libras, con un asiento a 18 pulgadas del suelo, hecha de materiales que cuestan menos de 75 dólares, etc. También puede proporcionarle información sobre otras sillas que le parezcan atractivas. Luego, Dreamcatcher produce miles de diseños que cumplen con esos criterios, lo que a menudo genera ideas que el diseñador puede no haber considerado inicialmente. Entonces puede guiar el software y decirle qué sillas le gustan o no, lo que lleva a una nueva ronda de diseños.

Durante el proceso iterativo, Dreamcatcher realiza los innumerables cálculos necesarios para garantizar que cada diseño propuesto cumple con los criterios especificados. Esto permite al diseñador concentrarse en hacer uso de las fortalezas humanas únicas: el juicio profesional y la sensibilidad estética.

Interactuando.

La colaboración hombre-máquina permite a las empresas interactuar con los empleados y los clientes de formas novedosas y más eficaces. Los agentes de IA como Cortana, por ejemplo, pueden facilitar la comunicación entre personas o en nombre de personas, por ejemplo, transcribiendo una reunión y distribuyendo una versión con capacidad de búsqueda por voz a quienes no pueden asistir. Estas aplicaciones son escalables por naturaleza: un solo chatbot, por ejemplo, puede ofrecer un servicio de atención al cliente rutinario a un gran número de personas de forma simultánea, estén donde estén.

Herramientas relacionadas

• 

  Las últimas investigaciones: IA y aprendizaje automático

  Tecnología y operaciones Libro

  49.95

  View Details

SEB, un importante banco sueco, utiliza ahora una asistente virtual llamada Aida para interactuar con millones de clientes. Capaz de gestionar conversaciones en lenguaje natural, Aida tiene acceso a enormes almacenes de datos y puede responder a muchas preguntas frecuentes, como cómo abrir una cuenta o realizar pagos transfronterizos. También puede hacer preguntas de seguimiento a las personas que llaman para resolver sus problemas y es capaz de analizar el tono de voz de la persona que llama (frustrado o agradecido, por ejemplo) y utilizar esa información para ofrecer un mejor servicio en el futuro. Cuando el sistema no puede resolver un problema, lo que ocurre aproximadamente El 30% de los casos—entrega a la persona que llama a un representante humano del servicio de atención al cliente y, a continuación, monitorea esa interacción para saber cómo resolver problemas similares en el futuro. Con Aida gestionando las solicitudes básicas, los representantes humanos pueden concentrarse en abordar los problemas más complejos, especialmente los de personas que llaman descontentas y que pueden necesitar más ayuda.

Encarnando.

Muchas IA, como Aida y Cortana, existen principalmente como entidades digitales, pero en otras aplicaciones la inteligencia se encarna en un robot que aumenta a un trabajador humano. Con sus sofisticados sensores, motores y actuadores, las máquinas con IA ahora pueden reconocer personas y objetos y trabajar de forma segura junto a los humanos en fábricas, almacenes y laboratorios.

En la fabricación, por ejemplo, los robots están pasando de ser máquinas industriales potencialmente peligrosas y «tontas» a «cobots» inteligentes y conscientes del contexto. Un brazo de robot puede, por ejemplo, realizar acciones repetitivas que requieren levantar objetos pesados, mientras que una persona realiza tareas complementarias que requieren destreza y juicio humano, como montar un motorreductor.

Hyundai está ampliando el concepto de cobots con exoesqueletos. Estos dispositivos robóticos portátiles, que se adaptan al usuario y a la ubicación en tiempo real, permitirán a los trabajadores industriales realizar su trabajo con una resistencia y una fuerza sobrehumanas.

Reimaginando su negocio

Para sacar el máximo provecho de la IA, hay que rediseñar las operaciones. Para ello, las empresas primero deben descubrir y describir un área operativa que pueda mejorarse. Puede ser un proceso interno difícil (como la lentitud de Recursos Humanos para cubrir los puestos de personal) o podría ser un problema que antes era intratable y que ahora se puede abordar mediante la IA (como identificar rápidamente las reacciones adversas a los medicamentos en las poblaciones de pacientes). Además, una serie de nuevas técnicas analíticas avanzadas y de IA pueden ayudar a sacar a la luz problemas que antes eran invisibles y que son susceptibles de soluciones de IA.

Revelando problemas invisibles

El exsecretario de Defensa de los Estados Unidos, Donald Rumsfeld, distinguió una vez entre «conocidas», «incógnitas conocidas» y «incógnitas desconocidas», cosas que ni siquiera sabe que no sabe. Algunas empresas utilizan ahora la IA para descubrir incógnitas desconocidas en sus negocios. Un ejemplo: GNS Healthcare aplica un software de aprendizaje automático para encontrar relaciones pasadas por alto entre los datos de la historia clínica de los pacientes y otros lugares. Tras identificar una relación, el software elabora numerosas hipótesis para explicarla y luego sugiere cuáles de ellas son las más probables. Este enfoque permitió a GNS descubrir una nueva interacción farmacológica oculta en las notas desestructuradas de los pacientes. El CEO Colin Hill señala que no se trata de una minería de datos tipo jardín para encontrar asociaciones. «Nuestra plataforma de aprendizaje automático no consiste solo en ver los patrones y las correlaciones en los datos», afirma. «Se trata de descubrir realmente los vínculos causales».

Revelando problemas invisibles

El exsecretario de Defensa de los Estados Unidos, Donald Rumsfeld, distinguió una vez entre «conocidas», «incógnitas conocidas» y «incógnitas desconocidas», cosas que ni siquiera sabe que no sabe. Algunas empresas utilizan ahora la IA para descubrir incógnitas desconocidas en sus negocios. Un ejemplo: GNS Healthcare aplica un software de aprendizaje automático para encontrar relaciones pasadas por alto entre los datos de la historia clínica de los pacientes y otros lugares. Tras identificar una relación, el software elabora numerosas hipótesis para explicarla y luego sugiere cuáles de ellas son las más probables. Este enfoque permitió a GNS descubrir una nueva interacción farmacológica oculta en las notas desestructuradas de los pacientes. El CEO Colin Hill señala que no se trata de una minería de datos tipo jardín para encontrar asociaciones. «Nuestra plataforma de aprendizaje automático no consiste solo en ver los patrones y las correlaciones en los datos», afirma. «Se trata de descubrir realmente los vínculos causales».

Luego, las empresas deben desarrollar una solución mediante la creación conjunta, haciendo que las partes interesadas imaginen cómo podrían colaborar con los sistemas de IA para mejorar un proceso. Pensemos en el caso de una gran empresa agrícola que quería implementar la tecnología de inteligencia artificial para ayudar a los agricultores. Había una enorme cantidad de datos disponibles sobre las propiedades del suelo, los patrones meteorológicos, las cosechas históricas, etc., y el plan inicial era crear una aplicación de IA que predijera con mayor precisión el rendimiento de los cultivos futuros. Pero en las conversaciones con los agricultores, la empresa se enteró de una necesidad más apremiante. Lo que los agricultores realmente querían era un sistema que pudiera ofrecer recomendaciones en tiempo real sobre cómo aumentar la productividad: qué cultivos plantar, dónde cultivarlos, cuánto nitrógeno utilizar en la tierra, etc. La empresa desarrolló un sistema de IA para ofrecer ese asesoramiento y los resultados iniciales fueron prometedores; los agricultores estaban satisfechos con los rendimientos de los cultivos obtenidos con las directrices de la IA. Los resultados de esa prueba inicial se devolvieron al sistema para refinar los algoritmos utilizados. Al igual que en la etapa de descubrimiento, las nuevas técnicas analíticas y de inteligencia artificial pueden ayudar a la cocreación al sugerir enfoques novedosos para mejorar los procesos.

El tercer paso para las empresas es escalar y luego mantener la solución propuesta. SEB, por ejemplo, originalmente implementó una versión de Aida internamente para ayudar a 15 000 empleados del banco, pero después lanzó el chatbot a su millón de clientes.

Gracias a nuestro trabajo con cientos de empresas, hemos identificado cinco características de los procesos empresariales que las empresas suelen querer mejorar: flexibilidad, velocidad, escalabilidad, toma de decisiones y personalización. Al reimaginar un proceso empresarial, determine cuál de estas características es fundamental para la transformación deseada, cómo se puede aprovechar la colaboración inteligente para abordarla y qué alineaciones y compensaciones con otras características del proceso serán necesarias.

En Mercedes-Benz, los brazos de un robot se convierten en una extensión del cuerpo del trabajador humano.

Flexibilidad.

Para los ejecutivos de Mercedes-Benz, los procesos inflexibles representaban un desafío creciente. Cada vez más, los clientes más rentables de la empresa exigían sedanes de clase S individualizados, pero los sistemas de montaje del fabricante de automóviles no podían ofrecer la personalización que la gente quería.

Tradicionalmente, la fabricación de automóviles ha sido un proceso rígido con pasos automatizados ejecutados por robots «tontos». Para mejorar la flexibilidad, Mercedes sustituyó algunos de esos robots por cobots compatibles con la IA y rediseñó sus procesos en torno a la colaboración entre humanos y máquinas. En la planta de la empresa cerca de Stuttgart (Alemania), los brazos de un robot guiados por trabajadores humanos recogen y colocan las partes pesadas, que se convierten en una extensión del cuerpo del trabajador. Este sistema pone al trabajador en control de la fabricación de cada coche, realizando menos trabajos manuales y más un trabajo de «pilotaje» con el robot.

Los equipos hombre-máquina de la empresa pueden adaptarse sobre la marcha. En la planta, los cobots se pueden reprogramar fácilmente con un tablet, lo que les permite realizar diferentes tareas en función de los cambios en el flujo de trabajo. Esta agilidad ha permitido al fabricante alcanzar niveles de personalización sin precedentes. Mercedes puede individualizar la producción de vehículos según las elecciones en tiempo real que los consumidores toman en los concesionarios, cambiándolo todo, desde los componentes del salpicadero del vehículo hasta la piel de los asientos y las tapas de las válvulas de los neumáticos. Como resultado, no hay dos coches que salgan de la línea de montaje de la planta de Stuttgart iguales.

Mejorar el rendimiento

En las organizaciones de todo tipo de sectores, los humanos y la IA colaboran para mejorar cinco

…

Velocidad.

Para algunas actividades de negocios, la prima es la velocidad. Una de esas operaciones es la detección del fraude con tarjetas de crédito. Las empresas solo tienen unos segundos para determinar si deben aprobar una transacción determinada. Si es fraudulento, lo más probable es que tengan que comerse esa pérdida. Pero si niegan una transacción legítima, pierden la comisión por esa compra y enfurecen al cliente.

Como la mayoría de los principales bancos, HSBC ha desarrollado una solución basada en la IA que mejora la velocidad y la precisión de la detección del fraude. La IA monitorea y puntúa millones de transacciones a diario, utilizando datos sobre el lugar de compra y el comportamiento de los clientes, las direcciones IP y otra información para identificar patrones sutiles que indican un posible fraude. HSBC implementó el sistema primero en los Estados Unidos, reduciendo significativamente la tasa de fraudes y falsos positivos no detectados, y luego lo implementó en el Reino Unido y Asia. Otro sistema de IA utilizado por Danske Bank mejoró su tasa de detección de fraudes un 50% y redujo los falsos positivos un 60%. La reducción del número de falsos positivos permite a los investigadores concentrar sus esfuerzos en las transacciones equívocas que la IA ha detectado y en las que se necesita el juicio humano.

La lucha contra el fraude financiero es como una carrera armamentista: una mejor detección conduce a delincuentes más astutos, lo que lleva a una mejor detección, lo que continúa el ciclo. Por lo tanto, los algoritmos y los modelos de puntuación para combatir el fraude tienen una vida útil muy corta y requieren una actualización continua. Además, los diferentes países y regiones utilizan modelos diferentes. Por estas razones, se necesitan legiones de analistas de datos, profesionales de TI y expertos en fraude financiero en la interfaz entre las personas y las máquinas para mantener el software un paso por delante de los delincuentes.

Escala.

Para muchos procesos empresariales, la mala escalabilidad es el principal obstáculo para la mejora. Eso es particularmente cierto en el caso de los procesos que dependen de una mano de obra humana intensiva con una asistencia mínima de las máquinas. Pensemos, por ejemplo, en el proceso de contratación de empleados de Unilever. El gigante de los bienes de consumo buscaba una forma de diversificar su fuerza laboral de 170 000 personas. Recursos Humanos determinó que tenía que centrarse en las contrataciones de nivel inicial y, luego, acelerar a los mejores en la dirección. Pero los procesos actuales de la empresa no podían evaluar a los posibles reclutas en número suficiente (sin dejar de prestar a cada solicitante una atención individual) como para garantizar una población diversa de talentos excepcionales.

Así es como Unilever combinó las capacidades humanas y de inteligencia artificial para ampliar la contratación individualizada: en la primera ronda del proceso de solicitud, se pide a los candidatos que jueguen a juegos en línea que ayudan a evaluar rasgos como la aversión al riesgo. Estos juegos no tienen respuestas correctas o incorrectas, pero ayudan a la IA de Unilever a determinar qué personas podrían ser las más adecuadas para un puesto determinado. En la siguiente ronda, se pide a los candidatos que envíen un vídeo en el que respondan a las preguntas diseñadas para el puesto específico que les interesa. Sus respuestas son analizadas por un sistema de IA que tiene en cuenta no solo lo que dicen, sino también su lenguaje corporal y su tono. Los mejores candidatos de esa ronda, según el criterio de la IA, son invitados a Unilever para entrevistas en persona, tras las cuales los humanos toman las decisiones finales de contratación.

Es demasiado pronto para saber si el nuevo proceso de contratación se ha traducido en mejores empleados. La empresa ha estado siguiendo de cerca el éxito de esas contrataciones, pero aún se necesitan más datos. Sin embargo, está claro que el nuevo sistema ha ampliado considerablemente la escala de contratación de Unilever. En parte porque los solicitantes de empleo pueden acceder fácilmente al sistema mediante un teléfono inteligente, el número de solicitantes se duplicó hasta alcanzar los 30 000 en un año, el número de universidades representadas pasó de 840 a 2600 y la diversidad socioeconómica de las nuevas contrataciones aumentó. Además, el tiempo medio desde la solicitud hasta la decisión de contratación ha bajado de cuatro meses a solo cuatro semanas, mientras que el tiempo que los reclutadores dedican a revisar las solicitudes se ha reducido un 75%.

Este artículo aparece también en:

• 

  Inteligencia artificial: la información que necesita de Harvard Business Review

  Tecnología y operaciones Libro

  22.95

  View Details

Toma de decisiones.

Al proporcionar a los empleados información y orientación personalizadas, la IA puede ayudarlos a tomar mejores decisiones. Esto puede ser especialmente valioso para los trabajadores en las trincheras, donde tomar la decisión correcta puede tener un enorme impacto en los resultados.

Considere la forma en que se mejora el mantenimiento de los equipos con el uso de los «gemelos digitales», modelos virtuales de equipos físicos. General Electric crea estos modelos de software de sus turbinas y otros productos industriales y los actualiza continuamente con los datos operativos que se transmiten desde el equipo. Al recopilar las lecturas de un gran número de máquinas sobre el terreno, GE ha acumulado una gran cantidad de información sobre el rendimiento normal y aberrante. Su aplicación Predix, que utiliza algoritmos de aprendizaje automático, ahora puede predecir cuándo una pieza específica de una máquina individual podría fallar.

Esta tecnología ha cambiado radicalmente el proceso intensivo de toma de decisiones de mantenimiento de los equipos industriales. Predix podría, por ejemplo, identificar un desgaste inesperado del rotor de una turbina, comprobar el historial operativo de la turbina, informar de que los daños se han cuadruplicado en los últimos meses y advertir de que, si no se hace nada, el rotor perderá aproximadamente un 70% de su vida útil. El sistema puede entonces sugerir las medidas adecuadas, teniendo en cuenta el estado actual de la máquina, el entorno operativo y los datos agregados sobre daños y reparaciones similares en otras máquinas. Junto con sus recomendaciones, Predix puede generar información sobre sus costes y beneficios financieros y ofrecer un nivel de confianza (por ejemplo, del 95%) a las hipótesis utilizadas en su análisis.

Sin Predix, los trabajadores tendrían suerte de detectar los daños en el rotor en una comprobación de mantenimiento rutinaria. Es posible que pase desapercibido hasta que el rotor falle, lo que provoque una costosa parada. Con Predix, los trabajadores de mantenimiento reciben alertas de los posibles problemas antes de que se agraven y tienen la información necesaria al alcance de la mano para tomar buenas decisiones, que a veces pueden ahorrarle a GE millones de dólares.

Personalización.

Ofrecer a los clientes experiencias de marca personalizadas es el santo grial del marketing. Con la IA, esa personalización ahora se puede lograr con una precisión antes inimaginable y a gran escala. Piense en la forma en que el servicio de streaming de música Pandora utiliza algoritmos de IA para generar listas de reproducción personalizadas para cada uno de sus millones de usuarios según sus preferencias de canciones, artistas y géneros. O piense en Starbucks, que, con el permiso de los clientes, utiliza la IA para reconocer sus dispositivos móviles y consultar su historial de pedidos para ayudar a los camareros a hacer recomendaciones de servicio. La tecnología de IA hace lo que mejor sabe hacer: analizar y procesar grandes cantidades de datos para recomendar determinadas ofertas o acciones, y los humanos hacen lo que mejor saben hacer, ejerciendo su intuición y juicio para hacer una recomendación o seleccionar la que mejor se adapte de un conjunto de opciones.

La Carnival Corporation está aplicando la IA para personalizar la experiencia de crucero para millones de vacacionistas a través de un dispositivo portátil llamado Ocean Medallion y una red que permite la conexión de dispositivos inteligentes. El aprendizaje automático procesa de forma dinámica los datos que fluyen del medallón y de los sensores y sistemas de todo el barco para ayudar a los huéspedes a aprovechar al máximo sus vacaciones. El medallón agiliza los procesos de embarque y desembarque, rastrea las actividades de los huéspedes, simplifica la compra al conectar sus tarjetas de crédito al dispositivo y actúa como llave de la habitación. También se conecta a un sistema que anticipa las preferencias de los huéspedes, lo que ayuda a los miembros de la tripulación a ofrecer un servicio personalizado a cada huésped al sugerirle itinerarios personalizados de actividades y experiencias gastronómicas.

La necesidad de nuevos roles y talentos

Reimaginar un proceso empresarial implica más que la implementación de la tecnología de inteligencia artificial; también requiere un compromiso significativo con el desarrollo de los empleados con lo que llamamos «habilidades de fusión», aquellas que les permiten trabajar de forma eficaz en la interfaz hombre-máquina. Para empezar, las personas deben aprender a delegar tareas en la nueva tecnología, como cuando los médicos confían en los ordenadores para ayudar a leer las radiografías y las resonancias magnéticas. Los empleados también deberían saber cómo combinar sus habilidades humanas distintivas con las de una máquina inteligente para obtener un resultado mejor del que cualquiera de los dos podría lograr por sí solo, como en la cirugía asistida por robot. Los trabajadores deben ser capaces de enseñar a los agentes inteligentes nuevas habilidades y recibir formación para trabajar bien en los procesos mejorados por la IA. Por ejemplo, deben saber cuál es la mejor manera de hacer preguntas a un agente de IA para obtener la información que necesita. Y debe haber empleados, como los del equipo de privacidad diferencial de Apple, que se aseguren de que los sistemas de IA de sus empresas se utilizan de forma responsable y no con fines ilegales o poco éticos.

Esperamos que, en el futuro, las funciones empresariales se rediseñen en torno a los resultados deseados de los procesos reinventados, y las empresas se organicen cada vez más en torno a diferentes tipos de habilidades y no en torno a puestos rígidos. AT&T ya ha iniciado esa transición, ya que pasa de los servicios de telefonía fija a las redes móviles y comienza a volver a capacitar a 100 000 empleados para nuevos puestos. Como parte de ese esfuerzo, la empresa ha revisado por completo su organigrama: se han simplificado aproximadamente 2000 puestos de trabajo en un número mucho menor de categorías generales que abarcan habilidades similares. Algunas de esas habilidades son las que cabría esperar (por ejemplo, el dominio de la ciencia de datos y la gestión de datos), mientras que otras son menos obvias (por ejemplo, la capacidad de utilizar herramientas sencillas de aprendizaje automático para vender servicios de forma cruzada).

CONCLUSIÓN

La mayoría de las actividades en la interfaz hombre-máquina requieren que la gente hacer cosas nuevas y diferentes (como entrenar un chatbot) y para hacer las cosas de otra manera (utilice ese chatbot para ofrecer un mejor servicio de atención al cliente). Sin embargo, hasta ahora, solo un pequeño número de las empresas que hemos encuestado han empezado a reimaginar sus procesos de negocio para optimizar la inteligencia colaborativa. Pero la lección está clara: las organizaciones que utilizan máquinas solo para desplazar a los trabajadores mediante la automatización perderán todo el potencial de la IA. Esa estrategia es equivocada desde el principio. Los líderes del mañana serán, en cambio, aquellos que adopten la inteligencia colaborativa y transformen sus operaciones, sus mercados, sus sectores y, no menos importante, su fuerza laboral.