De la predicción a la transformación

Inversor: «¿Qué aportará su inteligencia artificial a las empresas?»

Fundador de una empresa emergente: «Les dará información».

Ojalá tuviéramos un centavo por cada vez que un emprendedor diera esa respuesta a los mentores e inversores del Creative Destruction Lab, un programa mundial de empresas emergentes que creamos en la Universidad de Toronto.

Aunque es la respuesta de las acciones, la «información» es precisamente la forma equivocada de pensar en cómo un avance de la IA creará valor. De hecho, creemos que «información» suele ser el código para «No sabemos qué hacer con las predicciones de nuestra IA».

Una respuesta mucho mejor sería describir el decisiones que las predicciones mejorarán, porque la IA solo tiene valor si conduce a una mejor toma de decisiones.

La buena noticia para los emprendedores es que las oportunidades para que la IA lo haga son innumerables. El número de decisiones que toman las empresas ha ido en aumento y la necesidad de tomar las correctas (en todos los ámbitos de operaciones) nunca ha sido mayor. Tenga en cuenta que en 1960 solo el 6% de los puestos requerían habilidades básicas de toma de decisiones, como la resolución de problemas, el diagnóstico, la elaboración de estrategias y la priorización, según investigación de David Deming de la Escuela Kennedy de Harvard. En 2018, esa cifra había alcanzado el 34%.

Pero como mostraremos en las páginas siguientes, implementar la IA no consiste solo en mejorar decisiones específicas. Las decisiones en un área de la organización suelen afectar a las decisiones que se toman en otras, por lo que la introducción de la IA a menudo implica revisar y rediseñar sistemas completos de toma de decisiones. Empecemos por ver un ejemplo específico de una iniciativa en la que ese fue el caso y cómo la IA acabó cambiando por completo la forma en que el sistema implicaba crear valor.

Cómo ganó Nueva Zelanda la Copa América

Los fabricantes de veleros y los marineros han estado perfeccionando sus técnicas durante 5000 años. A pesar de que la navegación comercial ya no depende del viento para su propulsión, las innovaciones en la navegación nunca se han detenido.

El primer premio de vela (y el trofeo más antiguo de los deportes internacionales) es la Copa América. Hoy en día, la carrera tiene que ver tanto con la tecnología como con las habilidades de la tripulación. Se destinan millones de dólares al diseño de barcos. Como se entiende bien la física del viento, el agua y los barcos, los competidores utilizan simuladores para identificar los diseños más eficaces y probar los barcos sin construirlos realmente. El equipo con el mejor simulador obtiene una gran ventaja, como descubrió el Emirates Team New Zealand en 2017, cuando ganó la copa.

Dos décadas después de que Edison encendiera la bombilla, solo el 3% de las empresas estadounidenses utilizaban electricidad.

Como los miembros del equipo tenían previsto la carrera de 2021, se preguntaron si podrían acelerar el proceso de diseño. Al asociarse con McKinsey, la consultora global, identificaron el principal obstáculo a la innovación: los marineros humanos. Una tripulación humana tarda en navegar un barco en el simulador; no hay forma de aumentar el ritmo al que sus miembros reaccionan ante las condiciones y maniobran el barco en respuesta. Los marineros trabajan en una escala temporal humana, y eso no es lo suficientemente rápido.

Con una tecnología similar a la IA que derrotó a los mejores jugadores del mundo en el popular juego de mesa de estrategia Go, el equipo enseñó un programa de IA para navegar. El robot no necesitaba dormir ni comer, y podía realizar miles de simulaciones al mismo tiempo que la tripulación humana tardaba en ejecutar solo un puñado. Después de ocho semanas, la IA empezó a derrotar a los marineros en el simulador.

Fue entonces cuando las cosas se pusieron interesantes. La IA empezó a enseñar nuevos trucos a los marineros humanos. Como dijo un miembro del equipo de desarrollo Cableado revista», El bot estaba haciendo cosas que a los marineros les parecían contradictorias, pero las probaban en el agua y, de hecho, funcionaban». Anteriormente, los diseñadores de barcos necesitaban humanos para poner a prueba cualquier innovación. Encontrar la mejor manera de utilizar un barco de nuevo diseño podría llevar semanas.

La IA, por el contrario, podría experimentar con múltiples variaciones del barco simultáneamente, las 24 horas del día. Podría probar diferentes tácticas de carreras. Aceleró el ciclo de iteración del diseño y el desarrollo de nuevas maniobras. Una vez que la IA encontrara una solución superior, los marineros humanos podrían copiarla. Como dijo un miembro del equipo: «Acelerar el proceso de aprendizaje es muy valioso, tanto para permitir que el equipo de diseño explore la mayor parte posible del espacio de diseño como para que los regatistas maximicen el rendimiento de un diseño determinado». Ese año, el Emirates Team New Zealand se llevó el trofeo y ganó siete carreras contra tres.

¿Por qué era tan novedoso el uso de la IA? Dejando de lado la impresionante tecnología que permitía realizar simulaciones en entornos complejos, el impacto clave se produjo a nivel del sistema. La IA no le estaba dando información al equipo neozelandés de Emirates. En cambio, se estaba incorporando a un sistema de toma de decisiones.

Inspirado en su trabajo profesional con el software de modelado óptico y en los estudios de las aberraciones ópticas, Ralf Jacobs combina cianotipos del siglo XIX, armonías digitales y proyecciones láser guiadas por software en su arte para crear una variedad infinita de intrincados dibujos lineales elípticos.

La preparación para la regata implica dos tipos de decisiones: las que se refieren al diseño del barco y las que se refieren a las maniobras de navegación. Si bien los simuladores se utilizaban durante mucho tiempo para el diseño de barcos, las maniobras siempre las realizaban humanos. En realidad, la IA no pilotó el barco en la regata (las normas aún exigen que los barcos de verdad los piloten personas reales), pero aceleró el proceso de innovación y permitió una mejor coordinación entre el diseño del barco y las maniobras de navegación. El sistema completo del barco simulado y el marinero con IA permitió mejorar ambos tipos de decisiones.

Por qué el cambio de sistema lleva tiempo

El impacto sistémico de una nueva tecnología puede tardar un tiempo en hacerse evidente. Cuando surge una tecnología, la gente la aplica inicialmente de forma restringida. Cuando se inventó la energía eléctrica como sustituto de la energía de vapor, por ejemplo, las empresas la utilizaban cuando era difícil conseguir el agua necesaria para el vapor. Dos décadas después de que Edison encendiera la bombilla, solo el 3% de las empresas estadounidenses utilizaban electricidad. Del mismo modo, en 1987, décadas después de la introducción de los ordenadores en las empresas, el economista Robert Solow observó: «Puede ver la era de los ordenadores en todas partes excepto en las estadísticas de productividad». El potencial de la informática estaba claro, pero el impacto siguió siendo débil.

Lo mismo ha ocurrido con la IA. A pesar de algunas marcas alternativas, las nuevas tecnologías de IA son básicamente avances en la estadística. Permiten predecir resultados más multifacéticos y, al hacerlo, aprovechan datos que, de otro modo, podrían quedar sin explotar. Y sus aplicaciones iniciales se centraron en lo que podían ofrecer de forma inmediata: predicciones mejores y más baratas que las que hacían los humanos.

El software de traducción, una aplicación temprana de la IA, es un buen ejemplo. Predice cómo traducirían las personas un texto determinado de un idioma a otro en función de la forma en que los humanos reales han traducido textos anteriores. La IA que clasifica las imágenes médicas, otra de las primeras aplicaciones, predijo lo que los radiólogos expertos dirían que mostraban las tomografías. Ambas aplicaciones aprovechan la sabiduría del público, que a menudo puede hacer predicciones mucho más precisas que las que puede hacer una persona. Aplicaciones como estas pueden tener un enorme valor comercial. Tomemos como ejemplo la empresa canadiense Verafin, que fue adquirida por el Nasdaq por 2.750 millones de dólares. ¿Por qué? Porque cientos de instituciones financieras utilizaban sus tecnologías impulsadas por la IA para identificar el fraude financiero en sustitución de los equipos de seguridad que antes desempeñaban esa función.

Puede que estas nuevas aplicaciones impulsen algunos avances importantes, pero no son transformacionales. Entran en los negocios existentes sin mucho alboroto, sustituyendo precisamente a las personas que tradicionalmente hacían predicciones. En todos los demás aspectos, los negocios no han cambiado.

La introducción de la IA en la toma de decisiones de su empresa no le afecta solo a usted. También afecta a sus socios de la cadena de valor y al ecosistema en el que opera.

Pero si tenemos en cuenta el impacto de la electricidad y la informatización, no pensamos en aplicaciones limitadas, sino en la transformación. Gracias a la electricidad, las fábricas ya no tenían que estar ubicadas cerca del agua y tener varios pisos para optimizar el uso del vapor. Podrían estar ubicados a cientos de kilómetros de una fuente de agua y repartidos en el mismo piso, lo que haría posible un nuevo tipo de sistema de producción en masa. Los ordenadores tuvieron el mismo impacto. Pasaron de ser glorificadas máquinas de calcular a lo que Steve Jobs describió como «bicicletas para la mente», no sustitutos de ella.

Y esa es la verdadera lección de la Copa América. El equipo neozelandés de Emirates no excluyó a la gente del proceso. Sí, es posible imaginarse una solución totalmente automatizada que tome todas las decisiones. Pero ese enfoque es sin duda una rareza. La predicción de la IA proporciona información que mejora las decisiones que toman las personas. Curiosamente, con la IA la diferencia no está tanto en si las máquinas hacen más, sino en quiénes son las mejores personas para tomar decisiones.

Cómo la IA cambia la toma de decisiones

Cuando Apple lanzó la revolución de los teléfonos inteligentes, nadie pensó: Son cortinas para la industria del taxi. Pero los viajes compartidos solo eran posibles porque los teléfonos móviles conectados a Internet permitían a las personas pedir viajes a través de una aplicación y obtener información de navegación a bajo precio. En Londres, por ejemplo, los taxistas tardan de tres a cuatro años en conocer todas las calles de la ciudad y las mejores rutas que las atraviesan. Hoy en día, la IA en los teléfonos inteligentes permite a cualquiera predecir las mejores rutas hasta allí, teniendo en cuenta las condiciones del tráfico. Si los teléfonos inteligentes no existieran, el negocio de los taxis podría seguir prosperando.

La mayoría de las decisiones requieren dos cosas del responsable de la toma de decisiones: la capacidad de predecir los posibles resultados de una decisión y el juicio. La predicción se basa en gran medida en los datos. (Dadas las rutas disponibles y las condiciones del tráfico, ¿cuánto durará el viaje?) El juicio es básicamente una evaluación subjetiva de los factores contextuales que no se reducen fácilmente a datos. (¿Este cliente preferirá un viaje rápido o la ruta panorámica?)

Los taxistas tienen ambas habilidades. Los conductores normales son más limitados; pueden evaluar las preferencias de los pasajeros (juicio), pero son menos expertos en la navegación (predicción). Pero combine a los conductores normales con el software de navegación y ellos emparejarán a los taxistas. Añada una plataforma que elimine la necesidad de un contador de kilometraje, una forma de pago y un despachador central que asigne a los conductores la tarea de tramitar las solicitudes de recogida, y cualquier conductor con acceso a la plataforma podrá ofrecer viajes.

Las plataformas y su IA tuvieron dos efectos importantes. En primer lugar, ahora podrían participar muchas más personas en la toma de decisiones sobre los viajes y, en segundo lugar, el control de los conductores sobre las decisiones disminuyó. Como la plataforma de viajes compartidos podía hacer coincidir a conductores y pasajeros e identificar las mejores rutas, lo único que tenían que hacer los conductores era centrarse en ofrecer viajes cómodos y agradables que satisficieran a los clientes que se les asignaban. Esos dos efectos debilitaron el poder de los taxistas tradicionales y transformaron la industria.

En algunos casos, la IA simplemente concentra la toma de decisiones sin cambiar quién tiene el control. Mire el proceso de contratación, que en la mayoría de las grandes organizaciones lo gestiona el departamento de recursos humanos. Tradicionalmente, la contratación ha implicado a un gran número de personas de RRHH que toman muchas decisiones pequeñas, especialmente en lo que respecta a la selección de los candidatos, lo que puede requerir que equipos de personas revisen cientos de currículums para identificar a los candidatos más prometedores a los que entrevistar. Gracias a la IA, un ejecutivo de recursos humanos puede decidir qué criterios utilizar para decidir quién va a ser entrevistado. El proceso básico y el principal responsable de la toma de decisiones siguen siendo los mismos, pero se necesitan menos personas.

En otros casos, la IA centraliza radicalmente la toma de decisiones y cambia por completo la forma y el lugar en que se lleva a cabo. La verificación con tarjeta de crédito es un buen ejemplo. Antes del lanzamiento de los dispositivos conectados que validan automáticamente las tarjetas, los comerciantes tomaban sus propias decisiones sobre si aceptaban la tarjeta de alguien. Podrían rechazarla si sospecharan de un fraude, por ejemplo, si la firma de alguien no coincidiera con la de la tarjeta o si un cliente no tuviera un carné de identidad acreditativo. Y podrían aceptar fácilmente tarjetas de clientes habituales. Pero los sistemas impulsados primero por burdas comprobaciones de bases de datos y ahora por la predicción de la IA han automatizado el proceso. Las compras con tarjeta de crédito se aprueban según las normas establecidas por un grupo pequeño de personas, muy probablemente un comité, que crea los parámetros de riesgo integrados en los programas que utilizan los dispositivos de verificación.

Ralf Jacobs

En otros casos, la introducción de la IA no solo deja las decisiones en manos de los responsables de la toma de decisiones actuales, sino que hace que su juicio (más descentralizado) sea más importante. El uso de la IA en las imágenes médicas es un buen ejemplo.

Las decisiones de tratamiento derivadas de un diagnóstico las toma y siempre lo ha hecho el médico del paciente. Pero antes de la llegada de la predicción mediante la IA, un médico solía llamar a un radiólogo experto, que realizaba un procedimiento de diagnóstico por imágenes, como una resonancia magnética, una ecografía o una radiografía, y utilizaba su criterio para hacer el diagnóstico. En efecto, las decisiones de los radiólogos eran necesarias para que los médicos pudieran tomar sus decisiones. Dado que el diagnóstico mediante la IA sustituye al juicio del radiólogo, el único juicio que interviene ahora en las decisiones de tratamiento es el del médico del paciente. En consecuencia, eso hace que el médico sea más importante y poderoso y que el radiólogo lo sea menos.

En todos estos casos, la aplicación de la IA ha cambiado la forma y las personas que toman las decisiones. Pero la introducción de la IA en la toma de decisiones de su empresa no le afecta solo a usted. También afecta a sus socios de la cadena de valor y al ecosistema en el que opera. Lo que le funcione puede crearles problemas. Veamos ahora cómo puede suceder eso.

Cómo la IA cambia la incertidumbre

Imagine que dirige un restaurante. Los comensales vienen y piden comida. Entonces los cocineros los hacen. En un momento dado hay restricciones en cuanto a los platos que pueden preparar, que se deben a la habilidad de los chefs, el número total de pedidos y la disponibilidad de los ingredientes y el equipo. Si permite a sus clientes pedir cualquier plato que se les antoje, habrá problemas.

Por lo tanto, lo que hace es configurar un menú. Limita las opciones de sus clientes para que pueda hacer lo que pidan. Desde la perspectiva de la cocina, el menú crea fiabilidad y evita sorpresas inesperadas. Cada semana tiene que pedir los ingredientes, que se basan en el menú. Si el menú incluye guacamole, necesitará aguacates. Pide 100 libras cada semana. A veces eso es demasiado y se tira la sobra. Otras veces, 100 libras es muy poco y se pierde rebajas.

Supongamos que adopta la IA para pronosticar la demanda (lo que los clientes elijan) y descubre que funciona. Ahora, algunas semanas pide tan solo 30 libras. Otras semanas necesitará 300 libras. Desperdicia menos y vende más. La rentabilidad aumenta.

La adopción de la IA suele implicar un sistema que encuentre un equilibrio óptimo entre modularidad y coordinación.

Pero su proveedor local está acostumbrado a comprarle 100 libras cada semana. Ahora se enfrenta a una mayor imprevisibilidad gracias a usted. Sus otros clientes también utilizan la IA para pronosticar la demanda y la demanda comienza a fluctuar enormemente. Así que el proveedor decide adoptar la IA para su propia previsión de la demanda. Antes pedía 25 000 libras de aguacates a la semana. Ahora su pedido oscila entre 5000 y 50 000 libras. La fuente de la fruta de su proveedor, a su vez, necesita desarrollar la IA y sus pedidos también comienzan a fluctuar. Y esto llega hasta los productores, que tienen que tomar las decisiones sobre el tamaño de la cosecha con un año o más de antelación.

Lo que esto demuestra es que, si bien la IA se puede utilizar para resolver la incertidumbre de una persona, ese efecto no se extiende a las decisiones en todo el sistema. El problema fundamental —que la demanda debe alinearse con la oferta— no se ha resuelto realmente. Como lanzar una piedra a un estanque, su propia solución de IA tiene un efecto dominó en las demás decisiones del sistema.

Eso nos deja con una especie de paradoja. El valor de la IA proviene de mejorar las decisiones mediante la predicción de lo que ocurrirá con factores que, de otro modo, serían inciertos. Pero una consecuencia es que sus propias decisiones se vuelven menos confiables para los demás. Introducir la IA en la cadena de valor significa que sus socios tendrán que coordinarse mucho más para absorber esa incertidumbre.

Coordinar los sistemas para alinear los esfuerzos y los recursos

El director del restaurante tiene que tomar varias otras decisiones además de predecir la demanda, por ejemplo, qué ofrecer en el menú. Si el efecto dominó de la IA significa que el productor no puede suministrar suficientes aguacates, entonces el restaurante tiene que cambiar el menú. Probablemente no lo haga a menos que sepa que los aguacates no están disponibles, lo que requiere la coordinación de los responsables de la toma de decisiones. Esa coordinación tiene dos aspectos:

Sincronizar la obra.

Pensemos en el funcionamiento de un equipo de tripulación de ocho remeros. Dos cosas determinan su rendimiento en una carrera: si sus miembros reman al unísono y cómo ajustan la velocidad de remo a medida que avanza la carrera para garantizar que nadie del equipo se quede sin energía antes de la meta. El timonel, que está sentado en la parte trasera del barco, es imprescindible para la segunda función, pero no para la primera. Eso puede parecer sorprendente, ya que el timonel coordina a los remeros para que sigan el mismo tiempo gritando: «¡Golpe! ¡Accidente cerebrovascular! ¡Accidente cerebrovascular!» Pero esa tarea no requiere una persona distinta; uno de los remeros podría hacerlo y, de hecho, esto ocurre en las regatas en las que los barcos de tripulación no tienen timoneles. Pero cuando se trata de monitorear la estrategia de una carrera y obtener información sobre el estado de los remeros individuales (es decir, recopilar información y agregarla), el timonel es fundamental. El timonel puede evaluar la necesidad de cambios en el ritmo del equipo y ajustar el mensaje a los remeros en consecuencia. El timonel está ahí porque el equipo necesita asegurarse de que la adaptación se realiza de forma sincronizada.

Asignación de recursos.

El desafío de la coordinación también implica una clase de problemas que Paul Milgrom y John Roberts denominan problemas de asignación— situaciones en el que tiene que asignar recursos a una actividad, pero sabe que solo se utilizará una cantidad determinada de ellos. Se desperdiciaría más; cualquier menos sería insuficiente. Considere el envío de una ambulancia. Si todas las ambulancias de la red recibieran un mensaje de emergencia y, a continuación, eligieran de forma individual si respondían, a menudo acabaría sin socorristas o con demasiados. Para garantizar que solo uno responda, necesita un despachador central, ya sea humano o de software, que reciba las llamadas (es decir, información) relacionadas con una emergencia y, a continuación, asigne una ambulancia para que responda. En este caso, enviar la ambulancia «equivocada» (una que quizás esté demasiado lejos o que no tenga el equipo adecuado) es un problema mucho menor que enviar ninguna o demasiadas.

Tanto los timoneles como los despachadores son sistemas de comunicación que garantizan que no se produzcan los malos resultados que podrían derivarse de la falta de sincronización o de una mala asignación de recursos. Del mismo modo, cuando la IA provoca problemas de coordinación, puede que se necesiten nuevos sistemas de comunicación para superarlos. Mediante una inversión inteligente en la coordinación, las organizaciones podrán hacer realidad plenamente la promesa de la IA.

Entonces, ¿qué significa «inteligente» en este contexto?

Combinar la coordinación con la modularidad

Lo ideal sería que un sistema pudiera coordinarse totalmente a través de la comunicación, como hacen los timoneles de la tripulación y los despachadores de ambulancias. Pero la comunicación no siempre es suficiente. Un restaurante no puede crear una alineación a lo largo de la cadena de suministro únicamente mediante la comunicación, ya que su cadena se extiende por miles de kilómetros y muchos meses. La inversión sería prohibitivamente cara y llevaría mucho tiempo.

¿Cuál es la solución? Consideremos las operaciones de Amazon. Suministra millones de productos en todo el mundo. Eso implica adquirirlos, almacenarlos en almacenes, capturar los pedidos de los clientes y enviar los artículos a esos clientes. Pero también implica ayudar a los clientes a decidir qué comprar en primer lugar, es decir, hacerles recomendaciones. Amazon se enfrenta al mismo problema que nuestro restaurante. Quiere ofrecer a los clientes lo que quieren cuando lo quieren, pero los productos no aparecen por arte de magia, porque sus cadenas de suministro son complejas.

Supongamos que el motor de recomendaciones de Amazon basado en la IA predice que el mejor producto para sugerirle a un cliente probablemente no esté disponible. ¿Qué debe hacer Amazon?

Es tentador pensar que si no tiene un producto disponible, no debería recomendárselo a un cliente. El problema es, ¿cómo sabe si la predicción de la IA era correcta y si el cliente realmente la quería? Si solo recomienda lo que tiene, pierde oportunidades de aprender y crecer.

Precisamente por eso Amazon incluye recomendaciones de productos que están agotados y que tardarán más en llegar a sus clientes. Las decisiones se coordinan en el sentido de que Amazon comunica el posible retraso a los clientes. Es muy posible que los clientes elijan los productos que están disponibles, pero de vez en cuando no lo hacen. Amazon descubre entonces cuánto esfuerzo tiene que hacer para transportar el inventario de los artículos agotados.

Lograr este equilibrio requiere un diseño cuidadoso. Amazon tiene una organización modular que le ha permitido incluir mejores predicciones de IA en las recomendaciones que minimicen el impacto en el resto de la organización. Pero las decisiones sobre inventario y pedidos que toma no pueden ser totalmente independientes del sistema de recomendaciones de la IA, precisamente porque las elecciones y reacciones de los clientes dan lugar a información sobre la que el departamento de logística debe actuar.

La adopción de la IA suele implicar un sistema que encuentre un equilibrio óptimo entre modularidad y coordinación. La modularidad aísla las decisiones de una parte de la organización de la variabilidad (los efectos dominó) que la IA crea en otras. Reduce la necesidad de fiabilidad. La coordinación, por el contrario, contrarresta la falta de fiabilidad que conlleva la adopción de la IA. Los sistemas de IA exitosos permiten la coordinación siempre que es posible y la modularidad cuando es necesaria.

. . .

Como esperamos que ya quede claro, la promesa de la tecnología de predicción de la IA es similar a la de la electricidad y la computación personal. Al igual que ellos, la IA comenzó por resolver algunos problemas inmediatos, creando valor en aplicaciones aisladas y estrechamente limitadas. Pero a medida que las personas se involucren en la IA, descubrirán nuevas oportunidades para crear soluciones o mejorar la eficiencia y la productividad. Lo más probable es que los restaurantes, por ejemplo, se integren más en sus propias cadenas de suministro y quizás sean más flexibles en su oferta de menús. A medida que estas oportunidades se hagan realidad, crearán nuevos desafíos que, a su vez, ofrecerán más oportunidades. Así, a medida que la IA se extienda por las cadenas de suministro y los ecosistemas, descubriremos que todos los procesos y prácticas que dábamos por sentados se están transformando, no por la tecnología en sí, sino por la creatividad de las personas que la utilizan.

Ajay Agrawal, Joshua Gans y Avi Goldfarb son los autores de Potencia y predicción: la economía disruptiva de la inteligencia artificial (Harvard Business Review Press, 2022), del que es una adaptación de este artículo.

Cómprelo aquí